#SOL价格预测# #GUSD双重收益# #DOGE ETF上市# Tôi đã theo dõi dữ liệu đường cong giữ lại hơn 15 năm.

Tôi đã thấy hàng ngàn đường cong giữ lại, đây cũng là một trong những chỉ số đầu tiên mà tôi yêu cầu xem khi đánh giá các công ty khởi nghiệp. Tôi đã lướt qua hàng ngàn cơ sở dữ liệu, phân tích các đường cong giữ lại được phân tách theo nhiều chiều khác nhau. Là một người xây dựng sản phẩm, tôi cũng đã quan sát chỉ số này từ một góc độ khác. Tôi đã thực hiện hàng trăm cuộc thử nghiệm A/B, soạn thảo vô số phiên bản hướng dẫn người dùng và email thông báo, cố gắng thay đổi hình dạng của đường cong giữ lại.

【A/B testing (còn được gọi là kiểm tra phân tách hoặc kiểm tra thùng) là một phương pháp thí nghiệm ngẫu nhiên được sử dụng để so sánh hai phiên bản của một sản phẩm (phiên bản A và phiên bản B). Mục tiêu cốt lõi của nó là xác định phiên bản nào hoạt động tốt hơn trong việc đạt được các mục tiêu đã định thông qua việc thu thập dữ liệu và phân tích hành vi người dùng.】

Từ kết quả nhìn lại, ở đây có một số quy luật.

Cũng giống như các định luật vật lý, thật kỳ lạ là theo thời gian, luôn có một số quy luật xác định liên tục xuất hiện. Dưới đây là một vài ví dụ mà tôi muốn chia sẻ:

Bạn không thể cải thiện tỷ lệ giữ chân người dùng kém. Đúng vậy, việc thêm nhiều tính năng thông báo hơn sẽ không cải thiện đường cong giữ chân của bạn. Bạn không thể đạt được tỷ lệ giữ chân người dùng tốt thông qua thử nghiệm A/B.
Tỷ lệ giữ chân chỉ có thể giảm, không thể tăng. Thật kỳ lạ là, tốc độ suy giảm của nó thực sự tuân theo quy luật bán rã có thể dự đoán được. Tỷ lệ giữ chân ở giai đoạn đầu có thể dự đoán hiệu suất giữ chân ở giai đoạn sau.
Doanh thu giữ lại mở rộng, trong khi sử dụng giữ lại thu hẹp lại. Tin tốt là: mặc dù người dùng sẽ dần dần rời bỏ, nhưng những người dùng còn lại đôi khi sẽ tiêu nhiều hơn!
Tỷ lệ giữ chân người dùng liên quan chặt chẽ đến loại sản phẩm của bạn. Có cả nguyên nhân bẩm sinh và nhân tố nuôi dưỡng sau này. Thật đáng tiếc, bạn chắc chắn không thể biến ứng dụng đặt phòng khách sạn thành sản phẩm được sử dụng hàng ngày.
Khi người dùng mở rộng và tăng trưởng, tỷ lệ giữ chân sẽ trở nên thấp hơn. Người dùng chất lượng cao nhất đến từ giai đoạn đầu và tăng trưởng tự nhiên, trong khi người dùng có được sau này lại có hiệu suất kém nhất.
Sự rời bỏ người dùng có tính không đối xứng, việc mất một người dùng dễ dàng hơn nhiều so với việc giành lại họ.
Việc tính toán tỷ lệ giữ chân rất khó khăn. Thực tế có yếu tố theo mùa, phiên bản thử nghiệm mới ra mắt sẽ gây nhiễu dữ liệu, và cũng thường xuyên xuất hiện lỗ hổng trong hệ thống. D365 là chỉ số thực, nhưng không thể chỉ nhìn vào kết quả này.