#SOL价格预测# #GUSD双重收益# #DOGE ETF上市# Eu tenho observado os dados da curva de retenção há mais de 15 anos.

Eu já vi milhares de curvas de retenção, que também é um dos primeiros indicadores que solicito ao avaliar startups. Revisei milhares de bancos de dados e analisei curvas de retenção desagregadas por diferentes dimensões. Como construtor de produtos, também observei esse indicador de outra perspectiva. Realizei centenas de testes A/B, redigi inúmeras versões de guias de onboarding e e-mails de notificação, tentando alterar a forma da curva de retenção.

【A/B Teste (também conhecido como teste de divisão ou teste em balde) é um método de experimento aleatório usado para comparar duas versões de um produto (Versão A e Versão B). O seu objetivo central é determinar qual versão se desempenha melhor na realização de metas pré-definidas, através da coleta de dados e análise do comportamento do usuário.】

A partir dos resultados, existem alguns padrões aqui.

Assim como as leis da física, é estranho que, ao longo do tempo, sempre haja algumas regularidades determinísticas que continuam a aparecer. Aqui estão alguns exemplos que gostaria de compartilhar:

Você não pode melhorar a taxa de retenção de usuários ruim. Sim, adicionar mais funcionalidades de notificação não vai melhorar sua curva de retenção. Você não pode alcançar uma boa taxa de retenção de usuários através de testes A/B.
A taxa de retenção só vai diminuir, não vai aumentar. E o curioso é que a sua velocidade de degradação realmente segue uma lei de meia-vida previsível. A taxa de retenção inicial pode prever o desempenho de retenção posterior.
A retenção de receita está a aumentar, enquanto a retenção de uso está a diminuir. A boa notícia é: embora os usuários possam gradualmente desaparecer, os que ficam às vezes gastam mais!
A taxa de retenção está intimamente relacionada com a categoria do seu produto. Existem razões inatas e também desenvolvidas ao longo do tempo. Lamentavelmente, você não pode transformar um aplicativo de reserva de hotéis em um produto de uso diário.
Quando os usuários se expandem e crescem, a taxa de retenção tende a ser mais baixa. Os usuários de melhor qualidade vêm do crescimento orgânico e inicial, enquanto os usuários adquiridos mais tarde têm o pior desempenho.
A perda de usuários tem uma assimetria; perder um usuário é muito mais fácil do que reconquistá-lo.
A medição da taxa de retenção é muito difícil. Existem de facto fatores sazonais, as versões de teste lançadas recentemente podem interferir nos dados e também ocorrem falhas no sistema. Embora o D365 seja um indicador real, não se pode olhar apenas para este resultado.