#SOL价格预测# #GUSD双重收益# #DOGE ETF上市# Я слежу за данными о сохранении кривой уже более 15 лет.

Я видел тысячами кривых удержания, и это один из первых показателей, которые я запрашиваю при оценке стартапов. Я просматривал тысячи баз данных и анализировал кривые удержания, разбитые по различным сегментам. В качестве создателя продукта я также смотрел на этот показатель с другой точки зрения. Я провел сотни A/B тестов, составил бесчисленные версии руководств по пользовательскому взаимодействию и уведомительных писем, пытаясь изменить форму кривой удержания.

【A/B тестирование (также известное как сплит-тестирование или тестирование с использованием бочек) - это метод случайного эксперимента для сравнения двух версий продукта (версия A и версия B). Его основная цель - определить, какая версия лучше справляется с достижением поставленных целей, собирая данные и анализируя поведение пользователей.】

Судя по результатам, здесь есть некоторые закономерности.

Как и физические законы, странно, но с течением времени всегда появляются некоторые определенные закономерности. Вот несколько примеров, которыми я хочу поделиться:

Вы не можете улучшить плохой уровень удержания пользователей. Да, увеличение количества уведомлений не улучшит вашу кривую удержания. Вы не можете достичь хорошего уровня удержания пользователей с помощью A/B тестирования.
Коэффициент удержания только будет снижаться, не увеличиваясь. И что странно, его скорость уменьшения действительно следует предсказуемому закону полураспада. Ранние показатели удержания могут предсказать будущие результаты удержания.
Расширение удержания доходов, в то время как удержание использования уменьшается. Хорошая новость заключается в том, что хотя пользователи будут постепенно уходить, оставшиеся пользователи иногда будут тратить больше!
Уровень удержания клиентов напрямую зависит от категории вашего продукта. Существуют как врожденные причины, так и причины, связанные с обучением. К сожалению, вы не сможете сделать приложение для бронирования отелей продуктом, который будет использоваться ежедневно.
При расширении и росте пользователей, коэффициент удержания становится ниже. Наилучшие пользователи приходят из раннего и естественного роста, в то время как пользователи, привлеченные позже, показывают наихудшие результаты.
Потеря пользователей имеет асимметричность: потерять одного пользователя намного проще, чем вернуть его обратно.
Расчет коэффициента удержания очень сложен. Существуют сезонные факторы, новые тестовые версии могут нарушать данные, а системные уязвимости также периодически возникают. Хотя D365 является реальным показателем, нельзя опираться только на этот результат.