Все материалы подборки
Метрика Retention

Retention rate — одна из ключевых метрик любого продукта. Почему какие-то продукты мы используем годами, а про какие-то забываем спустя несколько дней? Как добиться высокого Retention? Какие значения метрики Retention хорошие, а какие плохие?

Retention rate — одна из фундаментальных метрик в работе над продуктом. Мы все используем метрику Retention регулярно, но не все знают, что существует много разных способов расчета Retention. И очень важно четко понимать, какой именно метод расчета был использован, при обсуждении результатов анализа и принятии решений на основе Retention метрик.

Наиболее распространенные метрики, на которые ориентируются игровые компании, — это Retention 1, 7 и 30 дней. Эти метрики являются важными приборами в работе над продуктом, но часто за ними теряется из виду долгосрочный Retention. А ведь именно хороший долгосрочный Retention является залогом устойчивого предсказуемого роста и ключом к попаданию в топ кассовых игр.

В этом эссе мы обсудим, почему вам стоит начать учитывать долгосрочный Retention вашего продукта при принятии ключевых решений и как именно это можно сделать.

Это адаптированный и дополненный GoPractice перевод публикации Lenny Rachitsky (Ленни Рачицки). Оригинал был опубликован 9 июня 2020 года.

Retention (Retention rate, RR, ретеншен, ретеншн) — это одна из ключевых метрик для любого продукта. Метрика Retention означает «удержание пользователей» или же «возвращаемость пользователей». Она говорит о том, продолжают ли люди пользоваться вашим продуктом снова и снова, находят ли они в нем достаточную ценность для решения своих задач. 

В этом материале мы подробно разберемся, как работать с метрикой Retention и почему она имеет фундаментальное значение для продукта и бизнеса в целом.

Retention — ключевая метрика для большинства продуктов. Именно поэтому команды, которые начинают внедрять ML в свои продукты, быстро приходят к вопросу о том, как использовать эти технологии для лучшего удержания пользователей.

Один из наиболее распространенных подходов к решению этой задачи — прогнозирование оттока пользователей (churn prediction). Определив пользователей, которые с высокой вероятностью уйдут, мы можем предложить им скидки, бонусы и другие преимущества, которые позволят удержать их в продукте.

Однако в реальности такие проекты редко приносят ценность бизнесу. Часто у команд получается обучить модель, которая хорошо предсказывает уход пользователей, но им не удается добиться того, чтобы попытки удержать их оказались финансово выгодными.

В этом материале обсудим альтернативный подход к улучшению Retention с помощью ML — uplift-моделирование — и то, как он позволяет эффективнее тратить бюджеты на удержание пользователей.