Analyse de la Rétention
Glissez pour afficher le menu
L'analyse de la rétention est l'un des outils les plus importants pour comprendre dans quelle mesure votre produit parvient à maintenir l'engagement des utilisateurs au fil du temps. Imaginez que vous gérez une application de fitness et que vous souhaitez savoir si les nouveaux inscrits restent réellement actifs. La rétention N-Jour et la rétention non bornée sont deux méthodes clés pour mesurer cela.
La rétention N-Jour indique le pourcentage d'utilisateurs qui reviennent un jour précis après leur inscription. Par exemple, la rétention au Jour 7 répond à la question : parmi tous les utilisateurs inscrits un jour donné, combien sont revenus exactement 7 jours plus tard ? Vous pouvez l'imaginer comme une réunion – combien de personnes reviennent à la fête une semaine après avoir rejoint ?
La rétention non bornée est plus large. Au lieu de demander si les utilisateurs sont revenus un jour précis, elle s'intéresse à savoir s'ils sont revenus à partir d'un certain jour ou après. Ainsi, la rétention non bornée au Jour 7 correspond au pourcentage d'utilisateurs revenus à n'importe quel moment à partir du 7e jour. C'est comme demander : qui est revenu à la fête après une semaine, peu importe quand ?
Ces deux indicateurs permettent d'identifier les tendances en matière de fidélité des utilisateurs et de santé du produit.
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 rétention N-Jour mesure le pourcentage d'utilisateurs qui reviennent un jour précis après leur inscription.
Lorsque vous calculez la rétention, vous commencez par identifier votre cohorte d'utilisateurs – généralement, tous ceux qui se sont inscrits le même jour. Ensuite, vous vérifiez combien de ces utilisateurs sont revenus un jour précis (rétention N-Jour) ou à n'importe quel moment par la suite (rétention non bornée). Par exemple, si vous constatez que la rétention N-Jour au Jour 7 chute fortement mais que la rétention non bornée est plus élevée, cela signifie que les utilisateurs reviennent, mais pas toujours selon un calendrier prévisible.
L'interprétation de ces chiffres vous aide à prendre des décisions produit :
- Une forte rétention au Jour 1 indique un onboarding efficace ;
- Une forte rétention au Jour 30 montre que les utilisateurs trouvent une valeur à long terme ;
- Si la rétention est faible, il peut être nécessaire d'améliorer l'onboarding, les notifications ou les fonctionnalités principales ;
- Le suivi de ces indicateurs dans le temps montre si les changements apportés aident les utilisateurs à rester fidèles.
La rétention N-Jour comme la rétention non bornée révèlent dans quelle mesure votre produit maintient l'engagement des utilisateurs et où vous pouvez vous améliorer.
1. Que mesure la rétention dans l'analytics produit ?
2. Complétez l'espace vide :
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
