#SOL价格预测# #GUSD双重收益# #DOGE ETF上市# Saya telah mengawasi data kurva retensi selama lebih dari 15 tahun.

Saya telah melihat ribuan kurva retensi, dan ini adalah salah satu indikator pertama yang saya minta untuk dilihat saat mengevaluasi startup. Saya telah meneliti ribuan database, menganalisis kurva retensi yang dipecah berdasarkan berbagai dimensi segmentasi. Sebagai pembangun produk, saya juga mengamati indikator ini dari sudut pandang yang berbeda. Saya telah menjalankan ratusan tes A/B, menyusun berbagai versi panduan pengguna dan email pemberitahuan, berusaha mengubah bentuk kurva retensi.

【A/B Testing (juga dikenal sebagai Split Testing atau Bucket Testing) adalah metode eksperimen acak yang digunakan untuk membandingkan dua versi dari suatu produk (Versi A dan Versi B). Tujuan utamanya adalah untuk menentukan versi mana yang lebih baik dalam mencapai tujuan yang telah ditetapkan dengan mengumpulkan data dan menganalisis perilaku pengguna.】

Dari hasilnya, terdapat beberapa pola di sini.

Seperti hukum fisika, anehnya, seiring berjalannya waktu, selalu ada beberapa pola deterministik yang terus muncul. Berikut adalah beberapa contoh yang ingin saya bagikan:

Anda tidak dapat meningkatkan tingkat retensi pengguna yang buruk. Ya, menambahkan lebih banyak fitur notifikasi tidak akan memperbaiki kurva retensi Anda. Anda tidak dapat mencapai tingkat retensi pengguna yang baik melalui pengujian A/B.
Tingkat retensi hanya akan menurun, tidak akan meningkat. Dan yang aneh adalah, laju penurunannya memang mengikuti pola paruh waktu yang dapat diprediksi. Tingkat retensi awal dapat memprediksi kinerja retensi di kemudian hari.
Penyimpanan pendapatan diperluas, sementara penyimpanan penggunaan menjadi lebih kecil. Kabar baiknya adalah: meskipun pengguna akan secara bertahap hilang, pengguna yang tersisa kadang-kadang akan menghabiskan lebih banyak!
Tingkat retensi sangat terkait dengan kategori produk Anda. Ada alasan bawaan serta yang diperoleh melalui pengembangan. Sayangnya, Anda ditakdirkan untuk tidak dapat menjadikan aplikasi pemesanan hotel sebagai produk yang digunakan setiap hari.
Saat pengguna berkembang dan tumbuh, tingkat retensi akan menjadi lebih rendah. Pengguna berkualitas terbaik berasal dari pertumbuhan awal dan alami, sementara pengguna yang diperoleh di kemudian hari menunjukkan kinerja terburuk.
Kehilangan pengguna memiliki asimetri; kehilangan satu pengguna jauh lebih mudah daripada mendapatkan kembali mereka.
Perhitungan tingkat retensi sangat sulit. Faktor musiman memang ada, versi uji coba yang baru diluncurkan dapat mengganggu data, dan celah sistem juga kadang muncul. D365 memang merupakan indikator yang nyata, tetapi tidak boleh hanya melihat hasil ini.