요약 :
•
다른 앱의 기능을 무작정 카피하면 실패 - 자사 서비스 맥락 중요 (최적화)
•
북극성 지표를 찾기 위해 MECE 개념 사용 - 매트릭스 분석
•
푸쉬 빈도와 리텐션 상관관계
핵심은 MECE ( 상호독립, 전체포괄)
블록 또는 버킷은 참여 수준이 서로 다른 다양한 사용자 세그먼트를 나타냅니다. 그리고 제품을 사용한 모든 사용자는 특정 날짜에 단 하나의 버킷에만 속합니다.
즉, 모델의 버킷은 듀오링고를 사용한 적이 있는 전체 사용자 기반을 나타내는 MECE(상호 배타적, 총체적 포괄적)입니다. 화살표는 버킷 간의 사용자 이동을 측정합니다(여기에는 CURR, NURR, RURR 및 SURR이 포함되지만 주간이 아닌 일일 리텐션율로 발전됨).
버킷과 화살표를 결합한 이 모델은 신규 사용자가 유일한 단절인 거의 폐쇄 회로 시스템을 만듭니다.
편리하게도 이 모델에서 상위 4개의 버킷이 DAU에 합산됩니다. 이러한 버킷은 다음과 같이 정의됩니다:
신규 사용자: 앱 사용 첫날의 참여도
현재 사용자: 오늘 및 지난 6일 동안 최소 한 번 이상 참여한 사용자
재활성화된 사용자: 7~29일 동안 앱을 사용하지 않다가 참여 첫 날
부활한 사용자: 30일 이상 자리를 비운 후 참여 첫날
나머지 3개의 버킷은 현재 활동하지 않은 사용자를 나타내며, 비활성 상태의 정도는 다릅니다.
(중략)
모델을 만든 다음에는 매일 데이터를 스냅샷하여 지난 몇 년 동안 모든 사용자 버킷과 리텐션율이 일별로 어떻게 변화해 왔는지에 대한 기록을 만들기 시작했습니다.
이 데이터를 바탕으로 미래 예측 모델을 만든 다음 민감도 분석을 수행하여 어떤 레버가 DAU 증가에 가장 큰 영향을 미칠지 예측할 수 있었습니다.
