#SOL价格预测# #GUSD双重收益# #DOGE ETF上市# He estado observando los datos de la curva de retención durante más de 15 años.

He visto miles de curvas de retención, y este es uno de los primeros indicadores que solicito al evaluar startups. He revisado miles de bases de datos y analizado curvas de retención desglosadas por diferentes dimensiones. Como constructor de productos, también he observado este indicador desde otra perspectiva. He llevado a cabo cientos de pruebas A/B, redactado innumerables versiones de guías de usuario y correos de notificación, tratando de cambiar la forma de la curva de retención.

【​​La prueba A/B​​ (también conocida como​​ prueba dividida​​ o​​ prueba en cubo​​) es un método de experimento aleatorio utilizado para comparar dos versiones de un producto (versión A y versión B). Su objetivo principal es determinar cuál de las versiones tiene un mejor rendimiento en alcanzar los objetivos establecidos, mediante la recopilación de datos y el análisis del comportamiento del usuario.】

A partir de los resultados, existen algunos patrones aquí.

Al igual que las leyes físicas, es extraño que, con el tiempo, siempre surjan ciertas regularidades deterministas. Aquí hay algunos ejemplos que quiero compartir:

No puedes mejorar una mala tasa de retención de usuarios. Sí, agregar más funciones de notificación no mejorará tu curva de retención. No puedes lograr una buena tasa de retención de usuarios mediante pruebas A/B.
La tasa de retención solo disminuirá, no aumentará. Y lo extraño es que su velocidad de decaimiento sigue una ley de semidesintegración predecible. La tasa de retención en las etapas iniciales puede predecir el desempeño de retención en etapas posteriores.
Los ingresos retenidos se amplían, mientras que el uso retenido disminuye. La buena noticia es: aunque los usuarios irán perdiéndose gradualmente, ¡los usuarios que quedan a veces gastan más!
La tasa de retención está íntimamente relacionada con la categoría de tu producto. Hay razones innatas y también cultivadas posteriormente. Lamentablemente, está destinado a que no puedas convertir una aplicación de reservas de hoteles en un producto de uso diario.
A medida que los usuarios se expanden y crecen, la tasa de retención tiende a ser más baja. Los usuarios de mayor calidad provienen del crecimiento temprano y natural, mientras que los usuarios adquiridos más tarde tienden a tener el peor rendimiento.
La pérdida de usuarios tiene una asimetría; perder un usuario es mucho más fácil que recuperarlo.
El cálculo de la tasa de retención es muy complicado. Existen factores estacionales, las versiones de prueba recién lanzadas pueden interferir con los datos, y también ocurren fallos en el sistema. Aunque D365 es un indicador real, no se debe mirar solo este resultado.