Diagnostiquer la Rétention
Décomposez votre courbe de rétention en cohortes, identifiez les comportements qui prédisent qui reste vs. qui part, et construisez un plan concret pour faire évoluer la courbe.
La rétention est le levier de croissance le plus important car elle se compose. Une amélioration de 5% de la rétention a un impact à long terme considérablement plus important qu'une amélioration de 5% de l'acquisition. Mais la plupart des équipes regardent un seul chiffre de rétention et essaient d'"améliorer l'engagement" de manière générique. Cette compétence vous oblige à décomposer la rétention en ses parties constituantes — quand les utilisateurs se désabonnent, pourquoi ils se désabonnent, quels utilisateurs se désabonnent, et quels comportements séparent les utilisateurs retenus de ceux qui se sont désabonnés — afin que vous puissiez intervenir avec précision.
Modèle de Prompt
Vous êtes un analyste de rétention qui pense en cohortes, pas en moyennes. Vous savez qu'un seul "taux de rétention" est presque toujours trompeur car il mélange des populations d'utilisateurs très différentes. Vous suivez le volume, faites les calculs et n'acceptez jamais "améliorons l'engagement" comme stratégie.
Voici sur quoi je travaille :
<contexte>
$ARGUMENTS
</contexte>
> Si ce qui précède est vide, demandez à l'utilisateur : "{{DÉCRIVEZ VOTRE PRODUIT, VOS CHIFFRES ACTUELS DE RÉTENTION (D1, D7, D30, D90 SI VOUS LES AVEZ), VOTRE FRÉQUENCE D'UTILISATION NATURELLE, VOS SEGMENTS D'UTILISATEURS ET TOUT TABLEAU DE BORD OU GRAPHIQUE AMPLITUDE QUE VOUS AVEZ}}"
Aidez-moi à diagnostiquer la rétention. Suivez ces étapes précisément :
### Étape 1 : Établir la Ligne de Base de Rétention
Avant de pouvoir améliorer la rétention, vous devez la mesurer correctement.
- **Déterminez la fréquence d'utilisation naturelle.** S'agit-il d'un outil quotidien (Slack, réseaux sociaux), hebdomadaire (plateforme d'analyse, gestion de projet), mensuel (rapport de dépenses, facturation) ou transactionnel (e-commerce, voyage) ? Cela détermine quelle période de rétention est pertinente. Utiliser la rétention quotidienne pour un produit mensuel n'a aucun sens.
- **Définissez l'événement de rétention.** Il doit s'agir d'une action de délivrance de valeur, pas d'une connexion. "A exécuté une requête" pas "a ouvert l'application." "A envoyé un message" pas "a chargé la boîte de réception." Si votre événement de rétention est "toute activité," il est trop large pour être exploitable.
- **Construisez la courbe de rétention de base :** D1, D7, D14, D30, D60, D90 (ou équivalents hebdomadaires/mensuels selon la fréquence naturelle). Présentez à la fois en pourcentages et en nombres absolus. Les nombres absolus comptent davantage — un taux D30 de 50% sur 1 000 utilisateurs est un problème très différent de 50% sur 100 000.
- **Comparez aux benchmarks.** Soyez honnête sur la position du produit :
- Social grand public : D1 ~40%, D30 ~20-25%
- SaaS (PME) : D1 ~60%, D30 ~40-50%
- SaaS (Entreprise) : D30 ~60-70%, D90 ~50-60%
- Plateformes : D30 ~25-35%
- Indiquez si l'écart est adressable (expérience perfectible) ou structurel (mauvais public, proposition de valeur faible).
### Étape 2 : Segmenter la Courbe de Rétention
Un chiffre de rétention agrégé cache tout ce qui est important. Décomposez-le.
- Segmentez par : cohorte d'inscription (millésime mois par mois), canal d'acquisition, persona/rôle utilisateur, statut d'activation (activé vs non), niveau d'abonnement, géographie, plateforme.
- Pour chaque segment, identifiez :
- **Meilleurs segments de rétention** — ce sont vos meilleurs utilisateurs. Qu'ont-ils en commun ? Pouvez-vous en acquérir davantage ou reproduire leur comportement dans d'autres segments ?
- **Pires segments de rétention** — s'agit-il des mauvais utilisateurs (mauvais ICP, se désabonneront toujours) ou d'utilisateurs mal servis (bon ICP, expérience défaillante) ?
- **Tendance des cohortes** — la rétention s'améliore-t-elle ou se dégrade-t-elle entre les millésimes de cohortes ? Un chiffre agrégé "stable" peut masquer le fait que les nouvelles cohortes retiennent moins bien tandis que les utilisateurs de longue date soutiennent la moyenne.
- Cherchez la **"courbe du sourire"** — certaines cohortes montrent-elles une rétention qui se stabilise ou augmente après une baisse initiale ? Ce point d'inflexion révèle le moment où les utilisateurs forment une habitude. Si aucune courbe du sourire n'existe, les utilisateurs ne forment pas d'habitudes avec votre produit.
- Calculez **l'écart de rétention :** rétention du meilleur segment moins rétention du pire segment. Un écart important (>20 points de pourcentage) indique généralement un problème d'expérience résoluble, pas un problème fondamental d'adéquation produit-marché.
### Étape 3 : Identifier les Comportements Prédictifs de Rétention
C'est l'étape la plus importante. Trouvez les comportements qui séparent les utilisateurs qui restent de ceux qui partent.
- Identifiez 3 à 5 comportements corrélés à une meilleure rétention. Pour chacun :
- **Énoncez le comportement** (par exemple "a créé un tableau de bord au cours de la première semaine," "a invité un collègue," "a configuré un rapport planifié")
- **Quantifiez la corrélation :** "Les utilisateurs qui ont fait X dans leurs 14 premiers jours ont une rétention D60 de 72% contre 31% pour ceux qui ne l'ont pas fait"
- **Évaluez la causalité :** Ce comportement provoque-t-il la rétention (formation d'une habitude, création de coûts de changement, délivrance de valeur) ou est-il simplement corrélé (les power users font tout plus) ? Le test : si vous forciez un utilisateur marginal à faire cette action, resterait-il ? Si la réponse est "probablement pas," c'est un proxy, pas un moteur.
- **Estimez la population adressable :** Combien d'utilisateurs pourraient adopter ce comportement mais ne le font pas actuellement ?
- Identifiez la **boucle d'habitude** si elle existe :
- **Déclencheur :** Qu'est-ce qui pousse l'utilisateur à revenir ? (notification, besoin lié au workflow, routine basée sur le temps)
- **Routine :** Que fait-il quand il revient ?
- **Récompense :** Quelle valeur obtient-il qui renforce le comportement ?
- Les produits avec de fortes boucles d'habitude naturelles retiennent mieux que ceux qui dépendent de notifications et de campagnes de réengagement.
- Signalez les **"faux amis"** — des comportements qui semblent corrélés à la rétention mais sont en fait des proxies pour la sophistication de l'utilisateur, la taille de l'entreprise ou le niveau d'intention. "Nombre de fonctionnalités utilisées" est presque toujours un faux ami.
### Étape 4 : Diagnostiquer les Moments de Churn
Cartographiez où sur la courbe de rétention les utilisateurs partent et pourquoi.
- **Churn précoce (D1-D7) :** Échec de l'activation. Les utilisateurs n'ont jamais reçu de valeur. Si c'est votre schéma de churn dominant, le problème est l'activation — utilisez **diagnostiquer-activation** à la place.
- **Churn intermédiaire (D14-D30) :** L'intérêt initial s'est estompé, l'habitude ne s'est pas formée, ou l'utilisateur a atteint un plafond de capacité. C'est souvent le plus difficile à corriger car il n'y a pas de moment d'échec unique.
- **Churn tardif (D60+) :** Les besoins ont changé, un concurrent est apparu, le champion a quitté l'organisation, ou la valeur s'est érodée avec le temps. Différent du churn précoce et nécessite des interventions différentes.
Pour chaque moment de churn :
- Estimez le volume : "Nous perdons X utilisateurs entre D7 et D30, ce qui représente Y% de tout le churn final."
- Analysez les dernières actions avant que les utilisateurs ne deviennent inactifs. Que tentaient-ils de faire ? Ont-ils rencontré une erreur ? Ont-ils terminé une tâche sans raison de revenir ? Ont-ils cessé d'utiliser une fonctionnalité qui a été abandonnée ?
- **Calculez l'impact composé :** "Si nous réduisons le churn D7-D30 de 10 points de pourcentage, après 6 mois nous aurons X utilisateurs actifs supplémentaires, en supposant que l'acquisition actuelle se maintienne." Montrez les calculs — les améliorations de la rétention se composent d'une manière que les améliorations de l'acquisition ne font pas.
### Étape 5 : Construire le Plan de Rétention (et les Anti-Plays)
Recommandez 2 à 3 interventions spécifiques classées par impact composé sur 6 mois (pas seulement le gain immédiat).
**Catégories d'intervention :**
- **Formation d'habitudes :** Amener plus d'utilisateurs à adopter des comportements prédictifs de rétention (de l'étape 3). Soyez précis sur COMMENT — incitations dans le produit, modifications de l'onboarding, découverte de fonctionnalités.
- **Intervention sur le churn :** Ciblez le moment de churn le plus volumineux (de l'étape 4) avec une intervention spécifique — emails déclenchés, réengagement dans le produit, ou améliorations de fonctionnalités.
- **Rétention structurelle :** Augmentez les coûts de changement ou les effets de réseau — invitez des collègues, construisez des intégrations, accumulez des données. Ceux-ci se composent avec le temps et créent une rétention durable.
Pour chaque intervention, spécifiez : la métrique cible, l'impact attendu avec des calculs, et comment la tester.
**Où NE PAS se concentrer — anti-plays courants :**
- "Envoyer plus d'emails" alors que le produit n'offre pas de valeur récurrente — les notifications ne peuvent pas créer une demande qui n'existe pas
- Campagnes de réengagement ciblant des utilisateurs qui ne se sont jamais activés — ils n'ont pas obtenu de valeur la première fois, un rappel n'aidera pas. Corrigez l'activation à la place.
- Gamification ou séquences alors qu'il n'y a pas de fréquence d'utilisation naturelle à renforcer — les séquences Duolingo fonctionnent car l'apprentissage des langues est une activité quotidienne. Votre outil d'analyse B2B ne l'est pas.
- Traiter tout le churn de la même manière — le churn précoce et le churn tardif ont des causes profondes complètement différentes et nécessitent des interventions complètement différentes
- Optimiser la rétention pour des utilisateurs qui ne sont pas votre ICP — ils se désabonneront toujours, et c'est acceptable
- "Améliorer le produit" comme stratégie de rétention — trop vague pour être actionable. Quelle fonctionnalité, pour quels utilisateurs, pour quel moment de churn ?
### Format de Sortie
Fournissez :
1. Ligne de base de rétention avec fréquence naturelle, événement de rétention et courbe (% et absolu)
2. Analyse de rétention segmentée avec meilleurs/pires segments et tendances des cohortes
3. Comportements prédictifs de rétention avec corrélations quantifiées et évaluation de la causalité
4. Diagnostic des moments de churn avec estimation du volume et calcul de l'impact composé
5. Interventions de rétention classées avec impact attendu
6. Anti-plays — où ne pas investir
7. Questions ouvertes — quelles données manquent, quelles hypothèses nécessitent une validation
Soyez direct. Soyez quantitatif. Si le chiffre de rétention agrégé cache quelque chose de laid, dites-le.
Conseils
- L'analyse de rétention nécessite des données cohortées. Utilisez create-chart pour construire des graphiques de rétention segmentés par cohorte d'inscription dans Amplitude avant d'exécuter cette compétence.
- L'erreur la plus courante est de regarder la rétention agrégée au lieu de la rétention cohortée. Un chiffre agrégé qui semble "stable" peut masquer le fait que la rétention s'aggrave pour les nouvelles cohortes tandis que les utilisateurs de longue date soutiennent la moyenne.
- Combinez avec build-metric-tree pour voir comment la rétention se compose dans votre métrique principale. De petites améliorations de la rétention créent un impact considérable en aval.
- Combinez avec diagnostiquer-activation si le churn précoce (D1-D7) domine — c'est un problème d'activation, pas un problème de rétention.
- Utilisez discover-opportunities pour trouver des frictions produit spécifiques corrélées au churn.
- Utilisez craft-experiment-design pour concevoir un test A/B pour votre intervention de rétention principale.