Lære Retensjonsanalyse | Kjerneparametere og måling

Sveip for å vise menyen

Retensjonsanalyse er et av de viktigste verktøyene for å forstå hvor godt produktet ditt klarer å holde brukerne engasjert over tid. Tenk deg at du driver en treningsapp og ønsker å vite om nye registreringer faktisk forblir aktive. N-dagers retensjon og ubundet retensjon er to sentrale måter å måle dette på.

N-dagers retensjon viser prosentandelen av brukere som kommer tilbake på en bestemt dag etter registrering. For eksempel svarer dag 7-retensjon på: av alle brukere som registrerte seg på en gitt dag, hvor mange kom tilbake nøyaktig 7 dager senere? Dette kan sammenlignes med en gjenforening – hvor mange møter opp på festen en uke etter at de ble med?

Ubundet retensjon er bredere. I stedet for å spørre om brukerne kom tilbake på en bestemt dag, spør den om de returnerte på eller etter en bestemt dag. Så dag 7 ubundet retensjon er prosentandelen av brukere som kom tilbake når som helst på eller etter den syvende dagen. Dette er som å spørre: hvem kom noen gang tilbake til festen etter en uke, uansett når?

Begge målene hjelper deg å oppdage trender i brukerlojalitet og produktets helse.


              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}%")

Definisjon

N-dagers retensjon måler prosentandelen av brukere som returnerer på en bestemt dag etter registrering.

Når du beregner retensjon, starter du med å identifisere brukergruppen din – vanligvis alle som registrerte seg på samme dag. Deretter sjekker du hvor mange av disse brukerne som kom tilbake på en bestemt dag (N-dagers retensjon) eller på et hvilket som helst tidspunkt etterpå (ubundet retensjon). For eksempel, hvis du ser at N-dagers retensjon på dag 7 faller kraftig, men ubundet retensjon er høyere, betyr det at brukerne kommer tilbake, men ikke alltid på et forutsigbart tidspunkt.

Å tolke disse tallene hjelper deg å ta produktbeslutninger:

Høy retensjon på dag 1 betyr at onboarding-prosessen er god;
Høy retensjon på dag 30 betyr at brukerne finner langsiktig verdi;
Hvis retensjonen er lav, kan det være nødvendig å forbedre onboarding, varsler eller kjernefunksjoner;
Å følge disse målingene over tid viser om endringene du gjør hjelper brukerne å forbli aktive.

Både N-dagers og ubundet retensjon viser hvor godt produktet ditt holder på brukerne og hvor det er rom for forbedring.

1. Hva måler retensjon i produktanalyse?

2. Fyll inn det som mangler:

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 2

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Seksjon 2. Kapittel 2