#SOL价格预测# #GUSD双重收益# #DOGE ETF上市# Я стежу за даними збереження кривої вже більше 15 років.

Я бачив тисячі кривих утримання, і це один з перших показників, які я запитую під час оцінки стартапів. Я переглянув тисячі баз даних, аналізував криві утримання, розбиті за різними сегментаціями. Як розробник продуктів, я також спостерігав за цим показником з іншої перспективи. Я проводив сотні A/B тестів, складав безліч версій посібників для користувачів та сповіщень, намагаючись змінити форму кривої утримання.

【A/B тестування (також відоме як спліт-тестування або тестування з відрами) є випадковим експериментальним методом, що використовується для порівняння двох версій продукту (версія A та версія B). Його основна мета полягає в тому, щоб визначити, яка версія краще виконує поставлені цілі, збираючи дані та аналізуючи поведінку користувачів.】

З результатів видно, що тут існують деякі закономірності.

Так само, як і фізичні закони, дивно, що з часом завжди з'являються певні детерміновані закономірності. Ось кілька прикладів, якими я хочу поділитися:

Ви не можете покращити поганий рівень утримання користувачів. Так, додавання більшої кількості функцій сповіщення не покращить вашу криву утримання. Ви не можете досягти хорошого утримання користувачів за допомогою A/B тестування.
Рівень утримання лише знижуватиметься, не підвищуватиметься. І дивно, що швидкість його зниження дійсно слідує передбачуваному закону напіврозпаду. Ранні рівні утримання можуть прогнозувати подальшу продуктивність утримання.
Залишок доходу збільшується, а залишок використання зменшується. Хороша новина: хоча користувачі поступово втрачаються, ті, що залишаються, іноді витрачають більше!
Рівень утримання тісно пов'язаний з категорією вашого продукту. Є як вроджені причини, так і ті, що формуються з часом. На жаль, ви приречені не зробити додаток для бронювання готелів продуктом, яким користуються щодня.
Коли користувачі розширюються і зростають, рівень утримання стає нижчим. Найякісніші користувачі приходять з раннього та природного зростання, тоді як пізніше здобуті користувачі мають найгірші показники.
Втрати користувачів мають асиметричний характер, втрата одного користувача набагато легша, ніж повторне його залучення.
Розрахунок рівня утримання є дуже складним. Сезонні фактори дійсно існують, нові тестові версії можуть спотворювати дані, а системні вразливості також іноді виникають. D365, хоча й є реальним показником, не можна розглядати лише цей результат.