Summary
The chapter demonstrates how to calculate user churn and retention metrics by filtering and aggregating tabular user activity data and computing percentage-based insights in code.

General domain of usage
Product analytics

This video provides an overview of **churn analysis**, using animated examples to illustrate how **churn** and **retention curves** work in real product scenarios. You'll see how user loss and retention trends are visualized, and why understanding these patterns is essential for product health.

Churn ist eine **Schlüsselkennzahl** in der Produktanalyse, die den Prozentsatz der Nutzer misst, die ein Produkt innerhalb eines bestimmten Zeitraums nicht mehr verwenden. Sie ist einer der direktesten Indikatoren dafür, wie gut ein Produkt seine Nutzer bindet, und kann auf zugrunde liegende Probleme mit der Nutzererfahrung, dem Product-Market-Fit oder der Konkurrenz hinweisen. Stellen Sie sich beispielsweise eine mobile App vor, die jeden Monat 30 % ihrer Nutzer verliert – diese hohe Churn-Rate würde auf ein ernsthaftes Problem hindeuten, wie etwa eine verwirrende Einführung, fehlende Funktionen oder einen fehlenden Mehrwert für die Nutzer. Im Gegensatz dazu genießt ein Abonnementdienst mit einer niedrigen Churn-Rate in der Regel eine starke Nutzerbindung und stabile Einnahmen. Das Verständnis von **Churn** hilft dabei, gefährdete Nutzer zu identifizieren und Strategien zu entwickeln, um sie zu binden.

import pandas as pd

# Sample data: user IDs and whether they are active at the start and end of the month
data = [
    {"user_id": 1, "active_start": True, "active_end": True},
    {"user_id": 2, "active_start": True, "active_end": False},
    {"user_id": 3, "active_start": True, "active_end": True},
    {"user_id": 4, "active_start": True, "active_end": False},
    {"user_id": 5, "active_start": True, "active_end": True},
]

df = pd.DataFrame(data)

# Calculating churn rate: users who were active at the start but not at the end
churned_users = df[(df["active_start"] == True) & (df["active_end"] == False)]
total_start_users = df[df["active_start"] == True]

churn_rate = len(churned_users) / len(total_start_users) * 100

print(f"Churn rate: {churn_rate:.1f}%")

Hohe Abwanderung kann auf Produktprobleme oder mangelnde Marktpassung hinweisen.

Hinweis

Die Analyse der Abwanderungsraten liefert Einblicke, welche Nutzersegmente Schwierigkeiten haben, den Mehrwert Ihres Produkts zu erkennen. Wenn **neue Anmeldungen** die höchste Abwanderung aufweisen, sollte das Onboarding verbessert oder der zentrale Nutzen des Produkts klarer kommuniziert werden. Beginnen **zahlende Nutzer** vermehrt abzuwandern, kann dies darauf hindeuten, dass Premium-Funktionen die Erwartungen nicht erfüllen. Durch die Überwachung der Abwanderung und deren Segmentierung nach Nutzertyp oder Verhalten lassen sich Produktverbesserungen priorisieren, Botschaften anpassen und gezielte Maßnahmen zur Nutzerbindung entwickeln. Die Reduzierung der Abwanderung steigert nicht nur den Nutzer-Lebenszeitwert, sondern stärkt auch die Marktposition des Produkts.

Was zeigt eine hohe Abwanderungsrate typischerweise über ein Produkt an?

Erkunden Sie die wichtigsten Kennzahlen und Frameworks, die Produktanalysten zur Messung von Nutzerverhalten, Bindung und Wachstum verwenden. Dieser Kurs behandelt den gesamten Workflow der Produktanalyse, von der Datenerhebung und -bereinigung bis hin zu fortgeschrittenen Analyse- und Visualisierungstechniken, um datenbasierte Produktentscheidungen zu ermöglichen.

Erkundung der grundlegenden Frameworks, die Produktanalysten zur Analyse des Nutzerverhaltens und der Geschäftsziele verwenden.

Tauchen Sie ein in die wichtigsten Kennzahlen, die jeder Produktanalyst kennen muss, einschließlich Engagement, Bindung, Konversion und Churn, mit praxisnaher Berechnung und Interpretation.

Erkunden Sie fortgeschrittene Segmentierungs- und Kohortenanalysetechniken, die aufzeigen, wie sich verschiedene Benutzergruppen im Zeitverlauf verhalten.

Entwurf, Durchführung und Interpretation von A/B-Tests und anderen Experimenten zur Validierung von Produktentscheidungen anhand von Daten.

Churn: Measuring and Understanding User Loss

1. Was zeigt eine hohe Abwanderungsrate typischerweise über ein Produkt an?

2. Ergänze die Lücke: