#SOL价格预测# #GUSD双重收益# #DOGE ETF上市# Je surveille les données de la courbe de rétention depuis plus de 15 ans.

J'ai vu des milliers de courbes de rétention, et c'est l'un des premiers indicateurs que je demande à examiner lors de l'évaluation des startups. J'ai parcouru des milliers de bases de données, analysé des courbes de rétention décomposées selon différentes dimensions de segmentation. En tant que constructeur de produits, j'ai également observé cet indicateur sous un autre angle. J'ai réalisé des centaines de tests A/B, rédigé d'innombrables versions de guides d'onboarding et de courriels de notification, essayant de changer la forme de la courbe de rétention.

【​​Le test A/B​​ (également connu sous le nom de​​ test divisé​​ ou​​ test en seau​​) est une méthode d'expérimentation aléatoire utilisée pour comparer deux versions d'un produit (version A et version B). Son objectif principal est de déterminer laquelle des versions est la plus performante pour atteindre les objectifs fixés, en collectant des données et en analysant le comportement des utilisateurs.】

D'après les résultats, il existe certaines tendances ici.

Tout comme les lois de la physique, il est étrange qu'au fil du temps, il y ait toujours certaines régularités déterministes qui émergent continuellement. Voici quelques exemples que je souhaite partager :

Vous ne pouvez pas améliorer un mauvais taux de rétention des utilisateurs. Oui, ajouter plus de fonctionnalités de notification ne va pas améliorer votre courbe de rétention. Vous ne pouvez pas obtenir un bon taux de rétention des utilisateurs par des tests A/B.
Le taux de rétention ne fera que diminuer, il n'augmentera pas. Et ce qui est étrange, c'est que sa vitesse de déclin suit effectivement une loi de demi-vie prévisible. Le taux de rétention précoce peut prédire la performance de rétention ultérieure.
Les revenus retenus s'élargissent, tandis que l'utilisation retenue diminue. La bonne nouvelle est que : bien que les utilisateurs puissent progressivement se retirer, ceux qui restent peuvent parfois dépenser plus !
Le taux de rétention est étroitement lié à votre catégorie de produit. Il existe des raisons innées et des facteurs d'apprentissage. Malheureusement, vous ne pourrez jamais faire en sorte qu'une application de réservation d'hôtel devienne un produit utilisé quotidiennement.
Lorsque les utilisateurs s'étendent et croissent, le taux de rétention devient plus faible. Les utilisateurs de la plus haute qualité proviennent d'une croissance précoce et naturelle, tandis que les utilisateurs acquis plus tard ont les performances les plus faibles.
La perte d'utilisateurs présente une asymétrie, perdre un utilisateur est beaucoup plus facile que de le regagner.
Le calcul du taux de rétention est très difficile. Des facteurs saisonniers existent effectivement, la nouvelle version de test mise en ligne peut interférer avec les données, et des failles dans le système peuvent également survenir. Bien que D365 soit un indicateur réel, il ne faut pas se fier uniquement à ce résultat.