Analisi della Retention
Scorri per mostrare il menu
L'analisi della retention è uno degli strumenti più importanti per comprendere quanto bene il tuo prodotto riesca a mantenere gli utenti coinvolti nel tempo. Immagina di gestire un'app di fitness e di voler sapere se i nuovi iscritti rimangono effettivamente attivi. Retention N-Day e retention unbounded sono due modi chiave per misurare questo aspetto.
La retention N-Day indica la percentuale di utenti che tornano in un giorno specifico dopo la loro iscrizione. Ad esempio, la retention al giorno 7 risponde alla domanda: su tutti gli utenti che si sono iscritti in un determinato giorno, quanti sono tornati esattamente 7 giorni dopo? Puoi immaginarlo come una riunione: quante persone si presentano alla festa una settimana dopo essersi unite?
La retention unbounded è più ampia. Invece di chiedere se gli utenti sono tornati in un giorno specifico, si chiede se sono tornati in o dopo un certo giorno. Quindi, la retention unbounded al giorno 7 è la percentuale di utenti che sono tornati in qualsiasi momento dal settimo giorno in poi. È come chiedere: chi è mai tornato alla festa dopo una settimana, indipendentemente da quando?
Entrambe le metriche aiutano a individuare tendenze nella fedeltà degli utenti e nella salute del prodotto.
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 retention N-Day misura la percentuale di utenti che tornano in un giorno specifico dopo l'iscrizione.
Quando si calcola la retention, si inizia identificando il proprio cohort di utenti, solitamente tutti coloro che si sono registrati nello stesso giorno. Successivamente, si verifica quanti di questi utenti sono tornati in un giorno specifico (retention N-Day) o in qualsiasi momento successivo (retention unbounded). Ad esempio, se si nota che la retention N-Day al giorno 7 diminuisce bruscamente ma la retention unbounded è più alta, significa che gli utenti stanno tornando, ma non sempre secondo una cadenza prevedibile.
Interpretare questi numeri aiuta a prendere decisioni sul prodotto:
- Una retention alta al giorno 1 indica un onboarding efficace;
- Una retention alta al giorno 30 indica che gli utenti trovano valore a lungo termine;
- Se la retention è bassa, potrebbe essere necessario migliorare l'onboarding, le notifiche o le funzionalità principali;
- Monitorare queste metriche nel tempo mostra se le modifiche apportate aiutano gli utenti a rimanere attivi.
Sia la retention N-Day che quella unbounded rivelano quanto il prodotto riesce a mantenere gli utenti coinvolti e dove è possibile migliorare.
1. Cosa misura la retention nell'analisi di prodotto?
2. Completa lo spazio vuoto:
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
