Lära Retentionsanalys | Grundläggande Mätvärden och Mätning

Svep för att visa menyn

Retentionsanalys är ett av de viktigaste verktygen för att förstå hur väl din produkt behåller användarnas engagemang över tid. Föreställ dig att du driver en träningsapp och vill veta om nya registreringar faktiskt stannar kvar. N-dagars retention och obunden retention är två centrala sätt att mäta detta.

N-dagars retention visar andelen användare som återvänder en specifik dag efter sin registrering. Till exempel besvarar dag 7-retention frågan: av alla användare som registrerade sig en viss dag, hur många kom tillbaka exakt 7 dagar senare? Du kan tänka på det som en återträff – hur många dyker upp på festen en vecka efter att de gått med?

Obunden retention är bredare. Istället för att fråga om användare kom tillbaka en specifik dag, undersöker den om de återvände på eller efter en viss dag. Så dag 7 obunden retention är andelen användare som kom tillbaka någon gång på eller efter den sjunde dagen. Det är som att fråga: vem kom någonsin tillbaka till festen efter en vecka, oavsett när?

Båda mätvärdena hjälper dig att identifiera trender i användarlojalitet och produktens hälsa.


              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}%")

Definition

N-dagars retention mäter andelen användare som återvänder en specifik dag efter registrering.

När du beräknar retention börjar du med att identifiera din användargrupp – vanligtvis alla som registrerade sig samma dag. Sedan kontrollerar du hur många av dessa användare som kom tillbaka en specifik dag (N-dagars retention) eller vid någon tidpunkt därefter (obunden retention). Om du till exempel ser att dag 7 N-dagars retention sjunker kraftigt men obunden retention är högre, betyder det att användare återvänder, men inte alltid enligt ett förutsägbart schema.

Att tolka dessa siffror hjälper dig att fatta produktbeslut:

Hög dag 1-retention innebär att din onboarding är stark;
Hög dag 30-retention innebär att användarna ser långsiktigt värde;
Om retentionen är låg kan du behöva förbättra onboarding, notifikationer eller kärnfunktioner;
Att följa dessa mätvärden över tid visar om de förändringar du gör hjälper användarna att stanna kvar.

Både N-dagars och obunden retention visar hur väl din produkt behåller användare och var du kan förbättra dig.

1. Vad mäter retention inom produktanalys?

2. Fyll i luckan:

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 2

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Avsnitt 2. Kapitel 2