Oppiskele Pysyvyyden analyysi | Keskeiset Mittarit ja Mittaaminen

Pyyhkäise näyttääksesi valikon

Retention-analyysi on yksi tärkeimmistä työkaluista tuotteen käyttäjien sitoutumisen ymmärtämiseen ajan kuluessa. Kuvittele, että ylläpidät kuntoilusovellusta ja haluat tietää, pysyvätkö uudet käyttäjät todella mukana. N-päivän retention ja rajoittamaton retention ovat kaksi keskeistä mittaria tähän tarkoitukseen.

N-päivän retention kertoo, kuinka suuri prosenttiosuus käyttäjistä palaa tiettynä päivänä rekisteröitymisen jälkeen. Esimerkiksi 7. päivän retention vastaa kysymykseen: kaikista tiettynä päivänä rekisteröityneistä käyttäjistä, kuinka moni palasi tasan 7 päivää myöhemmin? Voit ajatella tätä kuin jälleennäkemisenä – kuinka moni saapuu juhliin viikko liittymisen jälkeen?

Rajoittamaton retention on laajempi käsite. Sen sijaan, että kysyttäisiin, palasivatko käyttäjät tiettynä päivänä, tarkastellaan, palasivatko he minä tahansa päivänä tietyn päivän jälkeen tai sen aikana. Esimerkiksi 7. päivän rajoittamaton retention on niiden käyttäjien prosenttiosuus, jotka palasivat milloin tahansa 7. päivän jälkeen tai sen aikana. Tämä on kuin kysyisi: kuka tahansa palasi juhliin viikon jälkeen, ajankohdasta riippumatta?

Molemmat mittarit auttavat havaitsemaan trendejä käyttäjäuskollisuudessa ja tuotteen elinvoimaisuudessa.


              1234567891011121314151617181920212223242526
            
import 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}%")

Määritelmä

N-päivän retention mittaa niiden käyttäjien prosenttiosuuden, jotka palaavat tiettynä päivänä rekisteröitymisen jälkeen.

Kun lasket pysyvyyttä, aloitat tunnistamalla käyttäjäkohorttisi – yleensä kaikki, jotka rekisteröityivät samana päivänä. Tämän jälkeen tarkistat, kuinka moni näistä käyttäjistä palasi tiettynä päivänä (N-päivän pysyvyys) tai milloin tahansa myöhemmin (rajoittamaton pysyvyys). Esimerkiksi, jos huomaat, että 7. päivän N-päivän pysyvyys laskee jyrkästi mutta rajoittamaton pysyvyys on korkeampi, se tarkoittaa, että käyttäjät palaavat, mutta eivät aina ennustettavalla aikataululla.

Näiden lukujen tulkinta auttaa tekemään tuotekehityspäätöksiä:

Korkea 1. päivän pysyvyys tarkoittaa, että käyttöönotto toimii hyvin;
Korkea 30. päivän pysyvyys osoittaa, että käyttäjät kokevat pitkäaikaista arvoa;
Jos pysyvyys on matala, käyttöönottoa, ilmoituksia tai ydintoimintoja kannattaa parantaa;
Näiden mittareiden seuraaminen ajan myötä näyttää, auttavatko tekemäsi muutokset käyttäjiä pysymään palvelussa.

Sekä N-päivän että rajoittamaton pysyvyys paljastavat, kuinka hyvin tuotteesi sitouttaa käyttäjiä ja missä voit parantaa.

1. Mitä pysyvyys mittaa tuoteanalytiikassa?

2. Täydennä lause:

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 2

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Osio 2. Luku 2