Análisis de retención
Desliza para mostrar el menú
El análisis de retención es una de las herramientas más importantes para comprender qué tan bien tu producto mantiene a los usuarios comprometidos a lo largo del tiempo. Imagina que gestionas una aplicación de fitness y quieres saber si los nuevos registros realmente permanecen activos. Retención N-Día y retención ilimitada son dos formas clave de medir esto.
La retención N-Día indica el porcentaje de usuarios que regresan en un día específico después de su registro. Por ejemplo, la retención del Día 7 responde: de todos los usuarios que se registraron en un día determinado, ¿cuántos regresaron exactamente 7 días después? Puedes imaginarlo como una reunión: ¿cuántas personas asisten a la fiesta una semana después de unirse?
La retención ilimitada es más amplia. En lugar de preguntar si los usuarios regresaron en un día específico, pregunta si regresaron en o después de cierto día. Así, la retención ilimitada del Día 7 es el porcentaje de usuarios que regresaron en cualquier momento a partir del séptimo día. Esto es como preguntar: ¿quién regresó alguna vez a la fiesta después de una semana, sin importar cuándo?
Ambas métricas ayudan a identificar tendencias en la lealtad de los usuarios y la salud del producto.
1234567891011121314151617181920212223242526import pandas as pd # Sample user activity data data = { "user_id": [1, 1, 2, 2, 3, 4, 5, 5, 5], "activity_day": [0, 7, 0, 1, 0, 1, 0, 7, 30] } df = pd.DataFrame(data) def n_day_retention(df, day): signups = df[df["activity_day"] == 0]["user_id"].unique() returning = df[df["activity_day"] == day]["user_id"].unique() retained = set(signups) & set(returning) return len(retained) / len(signups) * 100 def unbounded_retention(df, day): signups = df[df["activity_day"] == 0]["user_id"].unique() returning = df[df["activity_day"] >= day]["user_id"].unique() retained = set(signups) & set(returning) return len(retained) / len(signups) * 100 print(f"Day 1 N-Day Retention: {n_day_retention(df, 1):.1f}%") print(f"Day 7 N-Day Retention: {n_day_retention(df, 7):.1f}%") print(f"Day 7 Unbounded Retention: {unbounded_retention(df, 7):.1f}%") print(f"Day 30 N-Day Retention: {n_day_retention(df, 30):.1f}%")
La retención N-Día mide el porcentaje de usuarios que regresan en un día específico después del registro.
Al calcular la retención, se comienza identificando el cohorte de usuarios, que generalmente incluye a todos los que se registraron el mismo día. Luego, se verifica cuántos de esos usuarios regresaron en un día específico (retención N-Día) o en cualquier momento posterior (retención no acotada). Por ejemplo, si observas que la retención N-Día 7 cae bruscamente pero la retención no acotada es más alta, significa que los usuarios están regresando, pero no siempre en un horario predecible.
Interpretar estos números ayuda a tomar decisiones sobre el producto:
- Una alta retención en el Día 1 indica un proceso de incorporación sólido;
- Una alta retención en el Día 30 indica que los usuarios encuentran valor a largo plazo;
- Si la retención es baja, puede ser necesario mejorar la incorporación, las notificaciones o las funciones principales;
- El seguimiento de estas métricas a lo largo del tiempo muestra si los cambios realizados ayudan a que los usuarios permanezcan.
Tanto la retención N-Día como la no acotada revelan qué tan bien tu producto mantiene a los usuarios comprometidos y dónde puedes mejorar.
1. ¿Qué mide la retención en el análisis de productos?
2. Completa el espacio en blanco:
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
