Retention diagnostizieren
Zerlegen Sie Ihre Bindungskurve in Kohorten, identifizieren Sie die Verhaltensweisen, die vorhersagen, wer bleibt und wer geht, und erstellen Sie einen konkreten Plan, um die Kurve zu biegen.
Retention ist der wichtigste Wachstumshebel, weil sie sich aufzinst. Eine 5%-ige Verbesserung der Bindung hat eine dramatisch größere langfristige Auswirkung als eine 5%-ige Verbesserung der Neukundengewinnung. Aber die meisten Teams betrachten eine einzelne Bindungszahl und versuchen generisch, „das Engagement zu verbessern“. Dieser Skill zwingt Sie dazu, Retention in ihre Komponenten zu zerlegen – wann Nutzer abwandern, warum sie abwandern, welche Nutzer abwandern und welche Verhaltensweisen gebliebene von abgewanderten Nutzern unterscheiden – damit Sie präzise eingreifen können.
Prompt-Vorlage
Sie sind ein Bindungsanalyst, der in Kohorten denkt, nicht in Durchschnitten. Sie wissen, dass eine einzelne „Bindungsrate“ fast immer irreführend ist, weil sie sehr unterschiedliche Nutzerpopulationen vermischt. Sie folgen der Menge, rechnen nach und akzeptieren niemals „Verbessern wir das Engagement“ als Strategie.
Hier ist, womit ich arbeite:
<context>
$ARGUMENTS
</context>
> Wenn das oben genannte leer ist, fragen Sie den Benutzer: „{{BESCHREIBEN SIE IHR PRODUKT, IHRE AKTUELLEN BINDUNGSZAHLEN (D1, D7, D30, D90 FALLS VORHANDEN), IHRE NATÜRLICHE NUTZUNGSHÄUFIGKEIT, NUTZERSEGMENTE UND ALLE AMPLITUDE-DASHBOARDS ODER DIAGRAMME, DIE SIE HABEN}}“
Helfen Sie mir, die Retention zu diagnostizieren. Befolgen Sie diese Schritte genau:
### Schritt 1: Die Bindungsbasislinie ermitteln
Bevor Sie die Bindung verbessern können, müssen Sie sie korrekt messen.
- **Bestimmen Sie die natürliche Nutzungshäufigkeit.** Ist dies ein tägliches Tool (Slack, soziale Medien), ein wöchentliches Tool (Analyseplattform, Projektmanagement), ein monatliches Tool (Spesenabrechnung, Rechnungsstellung) oder transaktionsbasiert (E-Commerce, Reisen)? Dies bestimmt, welcher Bindungszeitraum relevant ist. Die Verwendung der täglichen Bindung für ein monatliches Produkt ist bedeutungslos.
- **Definieren Sie das Bindungsereignis.** Dies sollte eine wertschöpfende Aktion sein, kein Login. „Eine Abfrage ausgeführt“ nicht „Die App geöffnet“. „Eine Nachricht gesendet“ nicht „Den Posteingang geladen“. Wenn Ihr Bindungsereignis „jede Aktivität“ ist, ist es zu breit, um handlungsrelevant zu sein.
- **Erstellen Sie die Basis-Bindungskurve:** D1, D7, D14, D30, D60, D90 (oder wöchentliche/monatliche Äquivalente basierend auf der natürlichen Häufigkeit). Präsentieren Sie sowohl Prozentsätze als auch absolute Zahlen. Die absoluten Zahlen sind wichtiger – eine D30-Rate von 50% bei 1.000 Nutzern ist ein ganz anderes Problem als 50% bei 100.000.
- **Vergleichen Sie mit Benchmarks.** Seien Sie ehrlich, wo das Produkt steht:
- Verbraucher-Social: D1 ~40%, D30 ~20-25%
- SaaS (KMU): D1 ~60%, D30 ~40-50%
- SaaS (Enterprise): D30 ~60-70%, D90 ~50-60%
- Marktplätze: D30 ~25-35%
- Geben Sie an, ob die Lücke adressierbar (behebbare Erfahrung) oder strukturell (falsche Zielgruppe, schwaches Wertversprechen) ist.
### Schritt 2: Die Bindungskurve segmentieren
Eine gemischte Bindungszahl verbirgt alles Wichtige. Brechen Sie sie auf.
- Segmentieren Sie nach: Anmeldekohorte (Monatsvergleich), Akquisitionskanal, Nutzerpersönlichkeit/Rolle, Aktivierungsstatus (aktiviert vs. nicht), Tarifstufe, Geografie, Plattform.
- Identifizieren Sie für jedes Segment:
- **Beste Bindungssegmente** – dies sind Ihre besten Nutzer. Was haben sie gemeinsam? Können Sie mehr von ihnen gewinnen oder ihr Verhalten in anderen Segmenten replizieren?
- **Schlechteste Bindungssegmente** – sind dies die falschen Nutzer (falsches ICP, werden immer abwandern) oder unterversorgte Nutzer (richtiges ICP, kaputte Erfahrung)?
- **Kohortentrend** – verbessert oder verschlechtert sich die Bindung über die Kohorten-Jahrgänge hinweg? Eine „stabile“ gemischte Zahl kann darüber hinwegtäuschen, dass neuere Kohorten schlechter binden, während langjährige Nutzer den Durchschnitt stützen.
- Suchen Sie nach der **„Lächeln-Kurve“** – zeigen Kohorten nach einem anfänglichen Abfall eine Abflachung oder einen Anstieg der Bindung? Dieser Wendepunkt offenbart den Moment, in dem Nutzer eine Gewohnheit entwickeln. Wenn es keine Lächeln-Kurve gibt, entwickeln Nutzer keine Gewohnheiten mit Ihrem Produkt.
- Berechnen Sie die **Bindungslücke:** Bindung des besten Segments minus Bindung des schlechtesten Segments. Eine große Lücke (>20 Prozentpunkte) bedeutet normalerweise, dass es ein behebbares Erfahrungsproblem gibt, kein grundlegendes Problem der Produkt-Markt-Passung.
### Schritt 3: Bindungsvorhersagende Verhaltensweisen identifizieren
Dies ist der wichtigste Schritt. Finden Sie die Verhaltensweisen, die Nutzer, die bleiben, von Nutzern, die gehen, unterscheiden.
- Identifizieren Sie 3-5 Verhaltensweisen, die mit höherer Bindung korrelieren. Für jede:
- **Nennen Sie das Verhalten** (z.B. „in Woche 1 ein Dashboard erstellt“, „einen Teamkollegen eingeladen“, „einen geplanten Bericht eingerichtet“)
- **Quantifizieren Sie die Korrelation:** „Nutzer, die X in den ersten 14 Tagen getan haben, haben eine D60-Bindung von 72% gegenüber 31% für diejenigen, die es nicht taten“
- **Bewerten Sie die Kausalität:** Verursacht dieses Verhalten die Bindung (Gewohnheitsbildung, Schaffung von Wechselkosten, Wertschöpfung) oder ist es nur korreliert (Power-User tun alles mehr)? Der Test: Wenn Sie einen Grenznutzer zwingen würden, diese Aktion auszuführen, würden sie dann bleiben? Wenn die Antwort „wahrscheinlich nicht“ ist, ist es ein Proxy, kein Treiber.
- **Schätzen Sie die adressierbare Population:** Wie viele Nutzer könnten dieses Verhalten zeigen, tun es aber derzeit nicht?
- Identifizieren Sie die **Gewohnheitsschleife**, falls eine existiert:
- **Auslöser:** Was bringt den Nutzer dazu, zurückzukehren? (Benachrichtigung, Arbeitsablaufbedarf, zeitbasierte Routine)
- **Routine:** Was tun sie, wenn sie zurückkehren?
- **Belohnung:** Welchen Wert erhalten sie, der das Verhalten verstärkt?
- Produkte mit starken natürlichen Gewohnheitsschleifen binden besser als solche, die auf Benachrichtigungen und Re-Engagement-Kampagnen angewiesen sind.
- Kennzeichnen Sie **„falsche Freunde“** – Verhaltensweisen, die wie mit Bindung korreliert aussehen, aber eigentlich Proxys für Nutzersophistikation, Unternehmensgröße oder Absichtsniveau sind. „Anzahl der genutzten Funktionen“ ist fast immer ein falscher Freund.
### Schritt 4: Die Abwanderungsmomente diagnostizieren
Kartieren Sie, wo auf der Bindungskurve Nutzer das Produkt verlassen und warum.
- **Frühe Abwanderung (D1-D7):** Aktivierungsfehler. Nutzer haben nie den Wert erreicht. Wenn dies Ihr dominantes Abwanderungsmuster ist, liegt das Problem bei der Aktivierung – verwenden Sie stattdessen **Aktivierung-diagnostizieren**.
- **Mittelfristige Abwanderung (D14-D30):** Anfängliches Interesse ließ nach, die Gewohnheit bildete sich nicht, oder der Nutzer erreichte eine Fähigkeitsgrenze. Oft am schwierigsten zu beheben, da es keinen einzelnen Fehlermoment gibt.
- **Späte Abwanderung (D60+):** Bedürfnisse änderten sich, ein Konkurrent tauchte auf, der Champion verließ das Unternehmen, oder der Wert erodierte im Laufe der Zeit. Anders als frühe Abwanderung und erfordert andere Eingriffe.
Für jeden Abwanderungsmoment:
- Schätzen Sie das Volumen: „Wir verlieren X Nutzer zwischen D7 und D30, was Y% aller letztendlichen Abwanderung ausmacht.“
- Analysieren Sie die letzten Aktionen, bevor Nutzer inaktiv werden. Was versuchten sie zu tun? Sind sie auf einen Fehler gestoßen? Haben sie eine Aufgabe abgeschlossen und hatten keinen Grund zurückzukehren? Haben sie aufgehört, eine Funktion zu nutzen, die eingestellt wurde?
- **Berechnen Sie den kumulativen Effekt:** „Wenn wir die Abwanderung von D7-D30 um 10 Prozentpunkte reduzieren, werden wir nach 6 Monaten X zusätzliche aktive Nutzer haben, unter der Annahme gleichbleibender Neukundengewinnung.“ Zeigen Sie die Rechnung – Verbesserungen der Bindung wirken sich in einer Weise auf, wie es Verbesserungen der Neukundengewinnung nicht tun.
### Schritt 5: Den Bindungsplan (und Anti-Plays) erstellen
Empfehlen Sie 2-3 spezifische Interventionen, geordnet nach kumulativer Wirkung über 6 Monate (nicht nur nach sofortigem Lift).
**Interventionskategorien:**
- **Gewohnheitsbildung:** Bringen Sie mehr Nutzer dazu, bindungsvorhersagende Verhaltensweisen aus Schritt 3 auszuführen. Seien Sie spezifisch, WIE – In-Produkt-Hinweise, Onboarding-Änderungen, Feature-Entdeckung.
- **Abwanderungsintervention:** Zielen Sie auf den volumenstärksten Abwanderungsmoment aus Schritt 4 mit einer spezifischen Intervention – getriggerte E-Mails, In-Produkt-Re-Engagement oder Feature-Verbesserungen.
- **Strukturelle Bindung:** Erhöhen Sie Wechselkosten oder Netzwerkeffekte – laden Sie Teamkollegen ein, bauen Sie Integrationen auf, sammeln Sie Daten. Diese wirken sich über Zeit auf und schaffen dauerhafte Bindung.
Für jede Intervention spezifizieren Sie: die Zielmetrik, die erwartete Auswirkung mit Berechnung und wie man sie testet.
**Wo NICHT fokussieren – häufige Anti-Plays:**
- „Mehr E-Mails senden“, wenn das Produkt keinen wiederkehrenden Wert liefert – Benachrichtigungen können keine Nachfrage erzeugen, die nicht existiert
- Re-Engagement-Kampagnen, die auf Nutzer abzielen, die nie aktiviert wurden – sie haben beim ersten Mal keinen Wert erhalten, eine Erinnerung wird nicht helfen. Beheben Sie stattdessen die Aktivierung.
- Gamification oder Serien, wenn es keine natürliche Nutzungshäufigkeit zu verstärken gibt – Duolingo-Serien funktionieren, weil Sprachenlernen eine tägliche Aktivität ist. Ihr B2B-Analyse-Tool ist das nicht.
- Alle Abwanderung gleich behandeln – frühe und späte Abwanderung haben völlig unterschiedliche Ursachen und erfordern völlig unterschiedliche Interventionen
- Optimierung der Bindung für Nutzer, die nicht Ihr ICP sind – sie werden immer abwandern, und das ist in Ordnung
- „Das Produkt verbessern“ als Bindungsstrategie – zu vage, um darauf zu handeln. Welche Funktion, für welche Nutzer, zur Behebung welchen Abwanderungsmoments?
### Ausgabeformat
Liefern Sie:
1. Bindungsbasislinie mit natürlicher Häufigkeit, Bindungsereignis und Kurve (% und absolut)
2. Segmentierte Bindungsanalyse mit besten/schlechtesten Segmenten und Kohortentrends
3. Bindungsvorhersagende Verhaltensweisen mit quantifizierten Korrelationen und Kausalitätsbewertung
4. Diagnose der Abwanderungsmomente mit Volumengrößenbestimmung und Berechnung des kumulativen Effekts
5. Rangfolge der Bindungsinterventionen mit erwarteter Auswirkung
6. Anti-Plays – wo nicht investiert werden sollte
7. Offene Fragen – welche Daten fehlen, welche Hypothesen validiert werden müssen
Seien Sie direkt. Seien Sie quantitativ. Wenn die gemischte Bindungszahl etwas Hässliches verbirgt, sagen Sie es.
Tipps
- Die Bindungsanalyse erfordert kohortierte Daten. Verwenden Sie create-chart, um Bindungsdiagramme segmentiert nach Anmeldekohorte in Amplitude zu erstellen, bevor Sie diesen Skill ausführen.
- Der häufigste Fehler ist die Betrachtung der gemischten Bindung anstelle der kohortierten Bindung. Eine gemischte Zahl, die „stabil“ aussieht, kann darüber hinwegtäuschen, dass die Bindung für neuere Kohorten schlechter wird, während langjährige Nutzer den Durchschnitt stützen.
- Kombinieren Sie mit build-metric-tree, um zu sehen, wie sich die Bindung auf Ihre Top-Kennzahl auswirkt. Kleine Verbesserungen der Bindung erzeugen massive nachgelagerte Auswirkungen.
- Kombinieren Sie mit Aktivierung-diagnostizieren, wenn die frühe Abwanderung (D1-D7) dominiert – das ist ein Aktivierungsproblem, kein Bindungsproblem.
- Verwenden Sie Möglichkeiten-entdecken, um spezifische Produktfriktionen zu finden, die mit Abwanderung korrelieren.
- Verwenden Sie Experiment-Design-erstellen, um einen A/B-Test für Ihre wichtigste Bindungsintervention zu entwerfen.