Una versión mejorada del análisis de cómo las características del producto afectan a la retención
Una perspectiva mejorada sobre cómo las características del producto influyen en la retención
Un enfoque sencillo y potente para segmentar las características de tu producto en Núcleo, Potencia y Casual.
En el artículo anterior, te mostré una forma sencilla de medir la retención de las características del producto.
Después de aplicar el análisis, obtuvimos una tabla con la retención por característica como esta (ordenada por [Porcentaje promedio de usuarios que regresan] decreciente):
![Retención por característica del producto. Imagen del autor.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*fFDCNga11euqPLVmuSHg0w.png)
- Por un lado, obtuvimos información útil sobre qué características del producto tienen mayor impacto en la retención del producto.
- Por otro lado, no tenemos cifras sobre cuántos usuarios utilizaron estas características, por lo que no podemos confiar plenamente en que estas cifras sean confiables.
Agreguemos [# usuarios] y consideremos nuevamente esta tabla.
![Porcentaje de usuarios que regresan vs [# usuarios]. Imagen del autor.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*t-rgN2oGurhBKRkGvTxz6w.png)
Ahora podemos identificar fácilmente un problema: por ejemplo, las dos primeras características del producto (característica27, característica34) con el mayor porcentaje de usuarios que regresan tienen un volumen bastante modesto en términos de [# usuarios].
- Inmersión profunda en Amazon EC2 Optimización de cargas de trabajo con información sobre hardware
- Investigadores de Alibaba presentan la serie Qwen-Audio Un conjunto de modelos de audio-idioma a gran escala con habilidades universales de comprensión de audio.
- Investigadores de la Universidad de Pennsylvania han desarrollado un marco de aprendizaje automático para evaluar la eficacia de las características de inteligencia artificial basadas en la visión mediante la realización de una serie de pruebas en
De hecho, este problema es muy común en muchos análisis que he visto. A menudo, el analista presenta una medida de calidad bastante interesante pero no está respaldada por una medida de cantidad. Como resultado, algunas de nuestras decisiones pueden ser subóptimas o simplemente incorrectas.
Entonces, ¿cómo podemos solucionar este problema?
Combinemos ambas métricas (cualitativa y cuantitativa) en un solo gráfico. La forma más adecuada de hacerlo es un gráfico de dispersión:
- pongamos en el eje X la métrica [% usuarios], que es nuestra métrica de cantidad que mide la popularidad de una característica del producto.
- pongamos en el eje Y la métrica [% usuarios que regresan], que es nuestra métrica de calidad que mide el valor de una característica del producto.
El gráfico resultante podría verse así:
![Gráfico de dispersión: popularidad de las características (X) vs valor de las características (Y). Imagen del autor.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*EdlWx8lacJKCmwt2aT4G4Q.png)
Parece que hasta ahora es bastante difícil sacar conclusiones significativas del gráfico.
¿Qué podemos hacer para mejorar la claridad del gráfico?
Apliquemos la regla del percentil 50/80 del artículo anterior.
De hecho, después de aplicar 2 umbrales para [% usuarios] y [% usuarios que regresan], obtendremos 9 grupos.
El gráfico de dispersión de características agrupadas podría verse así:
![Características agrupadas: [% usuarios] vs [% usuarios que regresan]. Imagen del autor.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*psuEO7TBQ7MYQCNGNo5S0g.png)
Agregando umbrales de percentil al gráfico, ahora podemos distinguir estos grupos de características del producto:
- Núcleo: [% usuarios] > 80 pctl, [% usuarios que regresan] > 80 pctl
- Potencia1: [% usuarios] > 80 pctl, [% usuarios que regresan] en [50, 80] pctl
- Potencia2: [% usuarios] en [50, 80] pctl, [% usuarios que regresan] > 80 pctl
- Casual1: [% usuarios] en [50, 80] pctl, [% usuarios que regresan] en [50, 80] pctl
- Casual2: [% usuarios] en [50, 80] pctl, [% usuarios que regresan] < 50 pctl
- Casual3: [% usuarios] < 50 pctl, [% usuarios que regresan] en [50, 80] pctl
- Set-up: [% usuarios] > 80 pctl, [% usuarios que regresan] < 50 pctl
- Específico: [% usuarios] < 50 pctl, [% usuarios que regresan] > 80 pctl
- Otros: [% usuarios] < 50 pctl, [% usuarios que regresan] < 50 pctl
Hablemos un poco sobre cada uno de los grupos.
Las características centrales son el verdadero núcleo de tu producto. Estas características son utilizadas por muchos usuarios, y lo más importante es que los usuarios regresan para seguir utilizando estas características. Por lo general, puede haber un número muy pequeño de tales características (2-3 características).
Las características potentes son el motor de tu producto. Estas características combinadas con las características centrales proporcionan aproximadamente el 80% del valor regular que tu producto crea. Algunas de las características potentes (Potencia1) son tan populares como las características centrales, pero aportan menos valor a los usuarios. Otras características potentes (Potencia2) aportan tanto valor como las características centrales, pero son menos populares. Por lo general, puede haber de 3 a 5 características en cada grupo de potencia.
Las características ocasionales son características que se utilizan de vez en cuando. También aportan algún valor a los usuarios, pero en su mayoría son características secundarias.
Las características de configuración son un subconjunto único de características diseñadas para configurar un producto para un uso conveniente posterior. Muchos usuarios las utilizan, pero por lo general, esto ocurre solo una vez, en la fase de incorporación.
Las características de nicho son un subconjunto muy especial de características que podrían aportar una enorme cantidad de valor, pero este valor es percibido por un número limitado de usuarios.
Ahora estamos listos para comparar los resultados de este enfoque equilibrado con los resultados del post anterior:
![Enfoque equilibrado (calidad + cantidad) vs solo enfoque en la calidad. Imagen del autor.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*AtL2HwgUsTBl7etzZ6trmQ.png)
Como podemos ver en la parte superior de la lista, hay algunas características de nicho.
Asegurémonos de intentar mejorar su adopción y moverlas del grupo de nicho al grupo Potencia2 o incluso al grupo Centrales. Para algunas de ellas, esto es posible, para otras, no lo es. Pero el punto principal aquí es no simplemente suponer que cualquier característica con alta retención es una característica central.
También, ten en cuenta que algunas características pueden moverse de un grupo a otro con el tiempo. Puede haber diferentes razones para esto: nuevos esfuerzos de adquisición de usuarios, cambios de experiencia de usuario en las características, maduración de la base de usuarios, etc.
Finalmente, agrupemos las características en grupos y calculemos los centroides de los grupos:
![Estadísticas de grupos. Imagen del autor.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*icL1Yh_C_S7uGkcg_vG8Lw.png)
Aquí hay varias ideas importantes:
- Los grupos Centrales + Potencia solo representan aproximadamente el 20% de todas las características del producto.
- El grupo Otros representa el 27% de todas las características y, al mismo tiempo, solo sirve al 8.7% de los usuarios.
- Las características de nicho son utilizadas solo por el 11.3% de los usuarios y, al mismo tiempo, tienen la mayor retención (incluso mayor que el grupo Centrales).
En el próximo post, hablaré sobre otra perspectiva de la definición de retención de características.
P.D. Existe una mejor manera de agrupar características de productos basada en el coeficiente MCC.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Inteligencia Artificial generativa geoespacial con Amazon Bedrock y Amazon Location Service
- Cómo Amazon Search M5 ahorró un 30% en el costo de capacitación de LLM utilizando AWS Trainium
- Construye soluciones IDP bien estructuradas con una lente personalizada – Parte 3 Confiabilidad
- Construye un chatbot contextual para servicios financieros utilizando Amazon SageMaker JumpStart, Llama 2 y Amazon OpenSearch Serverless con Vector Engine.
- Construye soluciones de IDP bien diseñadas con una lente personalizada – Parte 1 Excelencia operativa
- Científicos convierten a las carpas invasoras en traidoras.
- El debate sobre la seguridad de la IA está dividiendo Silicon Valley