Mikä on Retention Curve Calculator?
▾
Säilytyskäyrä kuvaa edelleen aktiivisten käyttäjien prosenttiosuuden jokaisella aikavälillä ensimmäisen rekisteröitymisen tai ensimmäisen käyttökerran jälkeen. Se paljastaa käyttäjäryhmien pitkän aikavälin sitoutumisradan. Se on yksi diagnostisimmista mittareista tuoteanalytiikan alalla, koska se ei näytä pelkästään sitä, kuinka moni käyttäjä palaa, vaan myös onko tuote saavuttanut kestävän sitoutumisen vai onko tuotteessa väistämätön täydellinen vaihtuvuus. Terveen säilytyskäyrän muoto on tyypillinen: alkaa 100 %:sta päivänä 0, laskee jyrkästi ensimmäisten päivien aikana (kun aktivoimattomat käyttäjät lähtevät), sitten tasoittuu ja vakiintuu nollasta poikkeavaan prosenttiosuuteen – tämä litteä häntä osoittaa "säilytettyä ydintä" käyttäjistä, jotka ovat löytäneet todellisen arvon ja jatkavat paluuta loputtomiin. Tuotteella, jolla ei ole todellista säilyvyyttä, on jatkuvasti laskeva käyrä, joka lähestyy asymptoottisesti nollaa – eli lopulta kaikki käyttäjät vaimentavat. Kriittinen näkemys: jos säilytyskäyrä litistyy nollan yläpuolelle, sinulla on kestävä tuote. Jos se laskee nollaan, mikään yritysostojen kasvu ei korjaa taustalla olevaa säilyttämisongelmaa. Retentio mitataan tyypillisesti useilla aikaväleillä: Päivä 1 (D1), D7, D30, D90 ja D180 retentiosuhteet. D1 retention measures onboarding effectiveness. D7 measures initial habit formation. D30 confirms product value beyond curiosity. D90 indicates genuine integration into workflow. Kohortin säilyttämisen laskeminen edellyttää jokaisen rekisteröitymiskohortin (esim. tammikuussa rekisteröityneiden) seurantaa ja edelleen aktiivisten prosenttiosuuksien mittaamista jokaisella myöhemmällä aikavälillä. "Aktiivisen" määritelmän on oltava johdonmukainen – tyypillisesti sen tulee suorittaa ydintuotteen toiminto, ei vain sovelluksen avaamista. Säilytyskäyrät analysoidaan: (1) varhaisen laskun jyrkkyyden (D1–D7 pudotuksen), (2) tason, jolla käyrä tasoittuu, ja (3) onko käyrä paranemassa, vakaa vai laskemassa peräkkäisten kohorttien perusteella. Parantuvat kohortit (jokainen uusi kohortti säilyy paremmin kuin edellinen) viittaavat tuotteen parantumiseen. Vähenevät kohortit ovat merkki tuotteen heikkenemisestä tai heikomman laadun hankinnasta.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Kaava
▾
Säilytysprosentti päivänä N (%) = (käyttäjät kohortista, jotka olivat edelleen aktiivisia päivänä N / käyttäjien kokonaismäärä kohortissa) × 100Muuttujan selitys
▾
| Symboli | Nimi | Yksikkö | Kuvaus |
|---|---|---|---|
| Cohort | Käyttäjien ryhmä | — | Ryhmä käyttäjiä, jotka rekisteröityivät tai käyttivät tuotetta ensimmäisen kerran samana ajanjaksona |
| Retention Rate | Kohortin prosenttiosuus | — | Retention Rate -parametri edustaa keskeistä kvantitatiivista syötettä säilytyskäyrän laskennassa, mitattuna sen standardiyksikössä ja vaikuttaa suoraan laskettuun tulokseen matemaattisen kaavan kautta. |
| Retained Core | Vakaa prosenttiosuus | — | Retained Core -parametri edustaa keskeistä kvantitatiivista syötettä säilytyskäyrän laskennassa, mitattuna sen standardiyksikössä ja vaikuttaa suoraan laskettuun tulokseen matemaattisen kaavan kautta. |
| Active Definition | Tietty käyttäjän toiminta | — | Active Definition -parametri edustaa keskeistä kvantitatiivista syötettä säilytyskäyrän laskennassa, mitattuna sen standardiyksikössä ja vaikuttaa suoraan laskettuun tulokseen matemaattisen kaavan kautta. |
Kuinka Retention Curve Calculator
▾
- 1Kerää vaaditut syöttöarvot: käyttäjäryhmä, kohortin prosenttiosuus, vakaa prosenttiosuus, tietty käyttäjän toiminta.
- 2Käytä ydinkaavaa: Säilytysprosentti päivänä N (%) = (Käyttäjät kohortista, jotka ovat edelleen aktiivisia päivänä N / käyttäjien kokonaismäärä kohortissa) × 100.
- 3Laske väliarvot, kuten D1 Retention, jos mahdollista.
- 4Varmista, että kaikki yksiköt ovat yhdenmukaisia ennen termien yhdistämistä.
- 5Laske lopputulos ja tarkista sen järkevyys.
- 6Tarkista, koskeeko syötteitäsi erityistapauksia tai reunaehtoja.
- 7Tulkitse tulos kontekstissa ja vertaa vertailuarvoihin, jos niitä on saatavilla.
Ratkaistut esimerkit
▾
Käyttämällä Retention Curve Calc -kaavaa näillä syötteillä saadaan: Retentiokäyrä litistyy ~13 %:ssa. Säilytetty ydin vahvistettu. Tuotteella on kestävä sitoutuminen. Painopiste: paranna D1:tä (45 % - 55 %) säilytetyn ytimen koon maksimoimiseksi. Tämä osoittaa tyypillisen säilytyskäyrän skenaarion, jossa laskin muuttaa raakaparametrit merkityksellisiksi kvantitatiiviseksi tulokseksi päätöksentekoa varten.
Retention Curve Calc -kaavan soveltaminen näillä syötteillä tuottaa: 73 %:n säilytys kuukaudessa 18 – vahva B2B SaaS:lle (toimialan keskiarvo 75–85 % vuonna 1). Tutki 14 %:a tilien menettämisestä kuukaudessa 1–3: varhainen vaihtuvuus, todennäköisesti huono käyttöönotto tai vääristyneet odotukset. Tämä osoittaa tyypillisen säilytyskäyrän skenaarion, jossa laskin muuttaa raakaparametrit merkityksellisiksi kvantitatiiviseksi tulokseksi päätöksentekoa varten.
Retention Curve Calc -kaavan soveltaminen näillä syötteillä tuottaa: Ei säilytettyä ydintä. Tuote ei ole löytänyt tuotemarkkinoille sopivaa tai siitä puuttuu tottumuksia muodostava mekaniikka. Kaikki käyttäjäarvo kuluu nopeasti. Vaatii perustavanlaatuista pelin tai sitoutumisen uudelleensuunnittelua. Tämä osoittaa tyypillisen säilytyskäyrän skenaarion, jossa laskin muuttaa raakaparametrit merkityksellisiksi kvantitatiivisiksi tuloksiksi päätöksentekoa varten.
Retention Curve Calc -kaavan käyttäminen näillä syötteillä tuottaa: Positiivinen kohorttitrendi vahvistaa, että tuoteparannukset toimivat. Tavoite: saavuttaa 20 %:n D30-säilytys Q3 mennessä. Tutkimisen arvoinen dippi huhtikuussa – mahdollinen heikompilaatuinen hankintakanava aktivoitu. Tämä osoittaa tyypillisen säilytyskäyrän skenaarion, jossa laskin muuntaa raakaparametrit mielekkääksi kvantitatiiviseksi tulokseksi päätöksentekoa varten.
Käytännön sovellukset
▾
Diagnosoi, onko tuote saavuttanut kestävän käyttäjien sitoutumisen, edustaen Retention Curve Calcin tärkeää sovellusaluetta ammattimaisissa ja analyyttisissa yhteyksissä, joissa tarkat säilytyskäyrän laskelmat tukevat suoraan tietoon perustuvaa päätöksentekoa, strategista suunnittelua ja suorituskyvyn optimointia.
Käyttäjän parannusmatkan merkittävimmän vaiheen tunnistaminen (D1, D7 tai D30), joka edustaa Retention Curve Calcin tärkeää sovellusaluetta ammattimaisissa ja analyyttisissa yhteyksissä, joissa tarkat säilytyskäyrälaskelmat tukevat suoraan tietoon perustuvaa päätöksentekoa, strategista suunnittelua ja suorituskyvyn optimointia.
Säilytyskäyrien vertaaminen hankintakanavien välillä korkealaatuisten lähteiden tunnistamiseksi, jotka edustavat Retention Curve Calcin tärkeää sovellusaluetta ammattimaisissa ja analyyttisissa yhteyksissä, joissa tarkat säilytyskäyrälaskelmat tukevat suoraan tietoon perustuvaa päätöksentekoa, strategista suunnittelua ja suorituskyvyn optimointia.
Tuotteen parannusten vaikutuksen mittaaminen peräkkäiseen kohortin säilyttämiseen, edustaen Retention Curve Calcin tärkeää sovellusaluetta ammattimaisissa ja analyyttisissa yhteyksissä, joissa tarkat säilytyskäyrälaskelmat tukevat suoraan tietoon perustuvaa päätöksentekoa, strategista suunnittelua ja suorituskyvyn optimointia.
Säilytyskäyrän muotoon ja kaupallistamiseen perustuvien elinkaariarvoennusteiden laskeminen, joka edustaa Retention Curve Calcin tärkeää sovellusaluetta ammattimaisissa ja analyyttisissa yhteyksissä, joissa tarkat säilytyskäyrän laskelmat tukevat suoraan tietoon perustuvaa päätöksentekoa, strategista suunnittelua ja suorituskyvyn optimointia.
Erikoistapaukset
▾
Tuotteet, joiden käyttötavat ovat epäsäännölliset: käytä viikoittaisia tai kuukausittaisia säilytysvälejä työkaluille, joita ei ole tarkoitettu päivittäiseen käyttöön.
Retention Curve Calc -laskelmassa tämä skenaario vaatii lisävarovaisuutta tulkittaessa säilytyskäyrän tuloksia. Vakiokaava ei välttämättä ota täysin huomioon kaikkia tässä reunatapauksessa esiintyviä tekijöitä, ja täydentävä analyysi tai asiantuntijakonsultaatio voi olla perusteltua. Ammattimaiseen parhaisiin käytäntöihin kuuluu oletusten dokumentointi, herkkyysanalyysien suorittaminen ja tulosten ristiinvertailu vaihtoehtoisilla menetelmillä, kun säilytyskäyrän laskelmat osuvat epästandardille alueelle.
Tapahtumatuotteet: säilyttäminen mitataan toistuvien ostojen määrällä sovellustoiminnan sijaan.
Retention Curve Calc -laskelmassa tämä skenaario vaatii lisävarovaisuutta tulkittaessa säilytyskäyrän tuloksia. Vakiokaava ei välttämättä ota täysin huomioon kaikkia tässä reunatapauksessa esiintyviä tekijöitä, ja täydentävä analyysi tai asiantuntijakonsultaatio voi olla perusteltua. Ammattimaiseen parhaisiin käytäntöihin kuuluu oletusten dokumentointi, herkkyysanalyysien suorittaminen ja tulosten ristiinvertailu vaihtoehtoisilla menetelmillä, kun säilytyskäyrän laskelmat osuvat epästandardille alueelle.
B2B-tilin säilyttäminen vs.
käyttäjien säilyttäminen: seuraa molempia – tilin säilyttäminen on suoremmin sidottu tuloihin. Retention Curve Calc -laskelmassa tämä skenaario vaatii lisävarovaisuutta tulkittaessa säilytyskäyrän tuloksia. Vakiokaava ei välttämättä ota täysin huomioon kaikkia tässä reunatapauksessa esiintyviä tekijöitä, ja täydentävä analyysi tai asiantuntijakonsultaatio voi olla perusteltua. Ammattimaiseen parhaisiin käytäntöihin kuuluu oletusten dokumentointi, herkkyysanalyysien suorittaminen ja tulosten ristiinvertailu vaihtoehtoisilla menetelmillä, kun säilytyskäyrän laskelmat osuvat epästandardille alueelle.
Retentiokäyrä Laskettu viitetiedot
▾
| Säilytysväli | Kuluttajasovellus (hyvä) | B2B SaaS (terveellinen) | Pelaaminen (hyvä) |
|---|---|---|---|
| D1 | 40-60 % | 85 - 95 % | 25-40 % |
| D7 | 20-35 % | 75 - 90 % | 12-22 % |
| D30 | 10-25 % | 70-85 % | 8-18 % |
| D90 | 8-18 % | 65 - 82 % | 5-12 % |
| D180 | 6 - 15 % | 62 - 80 % | 3-10 % |
| D365 | 5-12 % | 58 - 78 % | 2-8 % |
Usein kysytyt kysymykset
▾
Mikä on säilytyskäyrä ja miten se lasketaan?
Säilytyskäyrä (selviytymiskäyrä) kuvaa niiden käyttäjien prosenttiosuuden, jotka pysyvät aktiivisina ajan kuluessa alkuperäisen hankinnan jälkeen. Laskenta: seuraa kunkin kohortin (samalla ajanjaksolla hankittujen käyttäjäryhmien) prosenttiosuuksia, jotka tuottavat seuraavilla jaksoilla. Päivä 0 on aina 100 % (hankintapäivä). Päivän 1 säilyttäminen = (Päivänä 1 aktiiviset käyttäjät / päivänä 0 hankitut käyttäjät) × 100 %. Viikon 1 säilyttäminen = (Viikon 1 aktiiviset käyttäjät / viikolla 0 hankitut käyttäjät) × 100 %. Esimerkki 1 000 käyttäjän kohortista, joka hankittiin 1. tammikuuta: Päivä 1: 400 tuotto = 40 %. Päivä 7: 200 tuotto = 20 %. Päivä 30: 100 palautus = 10 %. Päivä 90: 60 tuotto = 6 %. Alan vertailuarvot (päivä 1 / päivä 7 / päivä 30): mobiilipelit 25%/10%/3%, sosiaalisen median sovellukset 40%/25%/15%, SaaS-tuotteet 80%/60%/40%, verkkokauppasovellukset 25%/12%/5%, kuntosovellukset 30%/15%/5%. "Hyvä" säilytyskäyrä tasoittuu (saattaa asymptootin) sen sijaan, että se putoaisi jatkuvasti kohti nollaa – tämä osoittaa sitoutuneiden käyttäjien ydinryhmän. Jos säilytys ei koskaan tasoittu, sinulla on tuotemarkkinoiden sopivuusongelmia.
Kuinka voin parantaa säilytyskäyrääni?
Keskity kriittisiin ensimmäisiin hetkiin: Päivän 1 säilyttäminen on vahvin pitkän aikavälin säilyttämisen ennustaja. Jos käyttäjät eivät löydä arvoa ensimmäisellä vierailullaan, he harvoin palaavat. Optimoi käyttöönotto toimittaaksesi "aha-hetki" mahdollisimman nopeasti – Slackin tapauksessa se lähettää 2 000 viestiä (tiimin sitoutuminen), Facebookissa se oli yhteydessä 7 ystävään 10 päivässä, Dropboxille se tallentaa tiedoston. Aktivointimittarit: tunnista käyttäytymiset, jotka korreloivat säilyttämisen kanssa, ja ohjaa uusia käyttäjiä niihin. Seuraa avainten aktivointivaiheiden valmistumista ja puutu asiaan (nupistaa sähköpostit, sovelluksen sisäiset kehotteet), kun käyttäjät pysähtyvät. Uudelleensitoutumiskampanjat: käynnistä keskeyttäneille käyttäjille sähköposteja/push-ilmoituksia tietyin väliajoin (päivä 3, päivä 7, päivä 14) personoidulla sisällöllä heidän viimeisimmän toimintansa perusteella. Keskity osoittamaan arvoa, jonka he menettivät, äläkä vain "ikävöimme sinua" -viestejä. Tottumusten muodostus: rakenna ominaisuuksia, jotka luovat päivittäisiä tai viikoittaisia käyttötottumuksia – ilmoituksia, sisältösyötteitä, edistymisen seurantaa, raitoja (Duolingon putkimekaniikka paransi huomattavasti säilyvyyttä). Kohorttianalyysi: vertaa eri hankintakanavien, käyttäjäsegmenttien ja ajanjaksojen säilyttämiskäyriä tunnistaaksesi, mikä toimii. Orgaanisen haun käyttäjät säilyttävät usein paremmin kuin maksetut hankinnat – tämän oivalluksen pitäisi vaikuttaa kanavan investointeihin. Vaikuttavimmat säilyttämiseen liittyvät parannukset tulevat tuotemuutoksista (parempi käyttöönotto, nopeampi arvon toimitus), ei markkinointitaktiikoista (uudelleensitoutumissähköpostit).
Mikä on hyvä vertailuarvo säilytyskäyrälle?
Säilytyskäyrän hyvä vertailuarvo vaihtelee toimialoittain, mutta yleensä 25 %:n säilytysastetta 30 päivän jälkeen ja 10 %:n 90 päivän jälkeen pidetään keskimääräisenä. Esimerkiksi mobiilipeliteollisuudessa 30 päivän säilytysprosentti on 20 %, kun taas sähköisessä kaupankäynnissä 30 päivän säilytysaste on tyypillisempi 30 %. Voit määrittää hyvän vertailuarvon omalle käyttötapauksellesi tutkimalla alan keskiarvoja ja vertaamalla niitä omaan säilytyskäyraasi. Näin voit tunnistaa kehittämiskohteita ja optimoida tuotteesi pitkän aikavälin sitoutumispolun.
Miten retentiokäyrä muuttuu ajan myötä?
Säilytyskäyrä voi muuttua merkittävästi ajan myötä useiden tekijöiden, kuten käyttäjien käyttäytymisen muutoksien, tuotteen päivitysten tai markkinatrendien muutosten vuoksi. Esimerkiksi uuden ominaisuuden julkaisu voi johtaa alkuperäiseen säilytyspiikkiin, jota seuraa asteittainen lasku, kun käyttäjät tottuvat uuteen toimintoon. Näiden muutosten huomioon ottamiseksi on tärkeää päivittää retentiokäyräanalyysisi säännöllisesti käyttämällä kaavoja, kuten eksponentiaalinen vaimenemismalli (R(t) = R0 * e^(-kt)), jossa R(t) on retentionopeus hetkellä t, R0 on alkuperäinen retentionopeus ja k on vaimenemisvakio. Seuraamalla näitä muutoksia voit tarkentaa tuotestrategiaasi vastaamaan paremmin käyttäjiesi muuttuviin tarpeisiin.
Voinko käyttää säilytyskäyrää ennustamaan käyttäjien tulevaa käyttäytymistä?
Kyllä, säilytyskäyrää voidaan käyttää käyttäjien tulevan käyttäytymisen ennustamiseen soveltamalla historiallisiin tietoihin tilastollisia malleja, kuten Coxin suhteellista vaaramallia tai Kaplan-Meier estimaattoria. Jos esimerkiksi säilytyskäyrässäsi näkyy 20 %:n käyttäjien väheneminen 60 päivän jälkeen, voit käyttää näitä tietoja ennustamaan todennäköisyyttä, että käyttäjät vaikeutuvat tulevaisuudessa. Analysoimalla säilytyskäyrän muotoa ja kaltevuutta voit tunnistaa malleja ja trendejä, jotka antavat tietoa ennusteistasi, kuten jyrkempää säilyttämisen laskua käyttäjille, jotka osoittavat tiettyä käyttäytymistä, kuten harvoin kirjautumista tai vähäistä sitoutumista avainominaisuuksiin. Hyödyntämällä näitä oivalluksia voit kehittää kohdennettuja strategioita vaihtuvuuden vähentämiseksi ja käyttäjien pitkäaikaisen säilyttämisen parantamiseksi.
Yleisiä virheitä vältettäväksi
▾
- !Tarkasteltaessa kohorttikohtaisten käyrien sijaan aggregoituja säilytysprosentteja – aggregaatit sekoittavat erilaatuisia kohortteja
- !Säilyvyyden mittaaminen ilman johdonmukaista "aktiivista" määritelmää ajanjakson aikana
- !Tuoteluokkien erottamatta jättäminen vertailussa – 20 % D30 on loistava pelaamiseen, huono viestintäsovelluksiin
- !Muutetaan "aktiivisen" määritelmän puolivälianalyysi, mikä tekee kohorttivertailusta mahdotonta
- !Käyttäjien säilyttämisen ja tulojen säilyttämisen sekoittaminen – säilytetty käyttäjä voi alentaa versiota (tulojen vaihtuvuus ilman käyttäjän vaihtuvuutta)
- !Säilyttämistä ei segmentoida hankintakanavan mukaan – huonojen kanavien kohortit laskevat yleisiä mittareita
Ammattilaisen vinkki
Piirrä viimeisten kuuden kuukauden kohorttisi säilyttämiskäyrät samaan kaavioon. Jos käyrät pinoutuvat korkeammalle (jokainen uusi kohortti pysyy paremmin), tuoteparannukset toimivat ja kasvu kiihtyy. Jos käyrät ovat huonontuvia, tutki hankinnan laatua ja viimeaikaisia tuotemuutoksia.
Tiesitkö?
Netflixin säilyttämissuunnittelutiimi havaitsi, että käyttäjien, jotka katsoivat vähintään kolme jaksoa ensimmäisen kuukauden aikana, säilytysprosentti ylitti 90 %. Tämä havainto ohjasi heidän strategiaansa investoida voimakkaasti alkuperäiseen sisältöön, joka oli juotavaa varhaisissa istunnoissa, mikä luo suoraan säilyttämiskäyttäytymistä.
Regional Guides
▾
Global▾
Viitteet
- ›Andreessen Horowitz — 16 käynnistysmittaria (säilytys)
- ›Amplitudi — Säilytyskäsikirja
- ›Reforge — sitoutumis- ja säilyttämiskehykset
- ›Brian Balfour – Miksi tuotemarkkinoiden sopivuus ei riitä
Ratings & comments
Hanki viikoittaisia matematiikkavinkkejä
Liity 12 000+ tilaajien joukkoon, jotka saavat laskurivinkkejä joka viikko.