I. Hesap Makinesi Tanıtımı
Yeni Kullanıcı Tutma Yolu Hesap Makinesi, anahtar zaman pencerelerinde yeni kullanıcıların davranış tamamlanmasını takip eden ve bir tutma dönüşüm merdiveni oluşturan özel bir araçtır. Kayıttan sonra farklı zaman noktalarında (ertesi gün, 3 gün, 7 gün, 15 gün, 30 gün, 60 gün) kullanıcı davranış tamamlanma oranlarını analiz ederek, bu araç yeni kullanıcıların tutma dönüşüm yolları hakkında derinlemesine anlayış kazanmanıza, anahtar kullanıcı kaybı noktalarını belirlemenize ve yeni kullanıcı aktivasyon ve tutma stratejileri geliştirmek için veri desteği sağlamanıza yardımcı olur.
Temel İşlevler
- Tutma Dönüşüm Merdiveni Analizi：Kayıttan sonra anahtar zaman pencerelerinde (ertesi gün, 3 gün, 7 gün, 15 gün, 30 gün, 60 gün) yeni kullanıcıların davranış tamamlanmasını takip eder, anahtar kullanıcı kaybı noktalarını görsel olarak gösteren bir tutma dönüşüm merdiveni oluşturur
- Kayıt Günü Aktivite İstatistikleri：Kayıt gününde sipariş davranışı olan kullanıcıların oranının istatistikleri, kayıt gününde yeni kullanıcı dönüşümünün etkinliğini değerlendirir
- Aylık Tutma Yolu Detayları：Kayıt ayına göre gruplandırma, her zaman penceresindeki tutma istatistikleri, farklı dönemlerde yeni kullanıcı tutma performansını gözlemlemeyi kolaylaştırır
- Genel Tutma Oranı Hesaplama：Yeni kullanıcı tutma etkinliğini değerlendirmek için genel 7 günlük tutma oranı gibi temel metrikleri hesaplar
Uygulama Senaryoları
- Yeni kullanıcı kaybının anahtar zaman noktalarını belirlemek ve hedeflenmiş aktivasyon stratejileri geliştirmek
- Yeni kullanıcı aktivasyon ve tutma stratejilerinin etkinliğini değerlendirmek, operasyonel planları optimize etmek
- Farklı dönemlerde yeni kullanıcı tutma performansını gözlemlemek, iş büyümesi veya düşüş sinyallerini belirlemek
- Yeni kullanıcı tutma dönüşüm yollarını analiz etmek, ürün deneyimini ve onboarding süreçlerini optimize etmek
- Yeni kullanıcı tutma oranlarını artırmak için yeni kullanıcı aktivasyon ve tutma stratejileri geliştirmek
Uygulanabilir Müşteriler
Bu hesap makinesi, yeni kullanıcı tutma dönüşüm yollarını analiz etmesi gereken tüm endüstriler ve senaryolar için geçerlidir, özellikle aşağıdaki müşteri türleri için uygundur：
- Yiyecek ve İçecek Endüstrisi：Restoranlar, fast food mağazaları, kafeler, bubble tea mağazaları, vb., kayıttan sonra yeni kullanıcı tüketim dönüşüm yollarını analiz eder, anahtar kullanıcı kaybı noktalarını belirler ve yeni kullanıcı aktivasyon ve tutma stratejileri geliştirir
- E-ticaret Platformları：B2C e-ticaret, C2C platformlar, dikey e-ticaret, vb., kayıttan sonra yeni kullanıcı satın alma dönüşüm yollarını takip eder, yeni kullanıcı onboarding süreçlerini ve ürün öneri stratejilerini optimize eder
- Perakende Endüstrisi：Süpermarketler, bakkallar, özel mağazalar, marka perakendeciliği, vb., kayıttan sonra yeni kullanıcı tüketim dönüşüm yollarını anlar, üye pazarlama ve promosyon stratejileri geliştirir
- Yaşam Hizmetleri：Güzellik salonları, fitness kulüpleri, araba yıkama hizmetleri, ev hizmetleri, vb., kayıttan sonra yeni kullanıcı hizmet kullanım dönüşüm yollarını analiz eder, hizmet kalitesinin kullanıcı tutma üzerindeki etkisini değerlendirir
- Online Eğitim：Online kurs platformları, eğitim kurumları, vb., kayıttan sonra yeni öğrencilerin kurs satın alma ve öğrenme dönüşüm yollarını takip eder, kurs içeriğini ve öğrenme deneyimini optimize eder
- Abonelik Hizmetleri：Video platformları, müzik platformları, okuma platformları, vb., kayıttan sonra yeni kullanıcı abonelik dönüşüm yollarını analiz eder, hizmet kalitesini ve kullanıcı memnuniyetini değerlendirir
- Diğer B2C İşletmeler：Bireysel tüketicilere yönelik herhangi bir işletme, yeni kullanıcı edinme ve tutma dönüşümü analizini içerdiği sürece, analiz için bu aracı kullanabilir
Önkoşullar：İşletmeniz kullanıcı ID'si, olay tarihi (sipariş tarihi veya davranış tarihi) ve kayıt tarihi verilerini sağlayabilmeli ve veriler yeni kullanıcı davranışının tarihsel kayıtlarını içermelidir.
II. Algoritma Tanıtımı
2.1 Temel Kavramlar
Tutma Tanımı
Tutma：Kullanıcıların belirtilen zaman penceresinde sipariş veya davranış kayıtları vardır.
Örneğin：
- Kullanıcı A 2024-01-01'de kayıt oldu ve 2024-01-02'de sipariş verdi → Ertesi Gün Tutma
- Kullanıcı B 2024-01-01'de kayıt oldu, 2024-01-01'de sipariş verdi ve 2024-01-03'te sipariş verdi → Kayıt Gününde Aktif, ve 3 Günlük Tutma
- Kullanıcı C 2024-01-01'de kayıt oldu, 2024-01-01'de sipariş verdi, ancak sonrasında 60 gün içinde sipariş yok → Kayıt Gününde Aktif, ancak Sonraki Tutma Yok
Zaman Penceresi Tanımı
Sistem aşağıdaki anahtar zaman pencerelerini (kilometre taşları) tanımlar：
- Kayıt Gününde Aktivite：Kayıt tarihinde sipariş veya davranış kayıtları
- Ertesi Gün Tutma：Kayıttan sonra 2. günde sipariş veya davranış kayıtları (kayıt + 1 gün)
- 3 Günlük Tutma：Kayıttan sonra 2-3. günlerde sipariş veya davranış kayıtları (kayıt + 1 gün ile kayıt + 3 gün arası)
- 7 Günlük Tutma：Kayıttan sonra 2-7. günlerde sipariş veya davranış kayıtları (kayıt + 1 gün ile kayıt + 7 gün arası)
- 15 Günlük Tutma：Kayıttan sonra 2-15. günlerde sipariş veya davranış kayıtları (kayıt + 1 gün ile kayıt + 15 gün arası)
- 30 Günlük Tutma：Kayıttan sonra 2-30. günlerde sipariş veya davranış kayıtları (kayıt + 1 gün ile kayıt + 30 gün arası)
- 60 Günlük Tutma：Kayıttan sonra 2-60. günlerde sipariş veya davranış kayıtları (kayıt + 1 gün ile kayıt + 60 gün arası)
Not：Tüm zaman pencereleri kayıttan sonra 2. günden itibaren hesaplanır, kayıt günü dahil değildir. Kayıt günündeki davranış ayrı olarak "Kayıt Gününde Aktivite" olarak sayılır.
Tutma Oranı Tanımı
Tutma Oranı：Belirtilen zaman penceresinde sipariş veya davranış kayıtları olan kullanıcıların toplam yeni kullanıcı sayısına oranı.
Tutma Oranı = Zaman penceresinde davranışı olan kullanıcı sayısı / Toplam yeni kullanıcı sayısı
Örneğin：
- 7 Günlük Tutma Oranı = Kayıttan sonra 2-7. günlerde siparişi olan kullanıcı sayısı / Toplam yeni kullanıcı sayısı
- 30 Günlük Tutma Oranı = Kayıttan sonra 2-30. günlerde siparişi olan kullanıcı sayısı / Toplam yeni kullanıcı sayısı
2.2 Hesaplama Mantığı
Adım 1：Veri Ön İşleme
Sistem aşağıdaki veri işlemeyi gerçekleştirir：
- Tarih Ayrıştırma：Kayıt tarihi ve olay tarihi dizelerini tarih nesnelerine ayrıştırır
- Geçersiz Verileri Filtreleme：Kullanıcı ID'si, kayıt tarihi veya olay tarihi eksik olan kayıtları hariç tutar
- Kullanıcı Gruplandırma：Kullanıcı ID'sine göre gruplandırır, her kullanıcı için kayıt tarihi ve tüm olay tarihlerini toplar
Adım 2：Yeni Müşterileri Kayıt Tarihine Göre Gruplandırma
Sistem tüm yeni kullanıcıları kayıt tarihine göre gruplandırır：
- Her kullanıcının kayıt tarihini toplar (her kullanıcı yalnızca bir kez kaydedilir)
- Her kullanıcı için tüm olay tarihlerini (sipariş tarihi veya davranış tarihi) toplar
- Kayıt tarihine göre gruplandırır, farklı kohortlar oluşturur
Adım 3：Kayıt Gününde Aktiviteyi Hesaplama
Her kullanıcı için：
- Kullanıcının kayıt tarihine eşit bir olay tarihi olup olmadığını kontrol eder
- Varsa, kullanıcı "Kayıt Gününde Aktif" kullanıcılara aittir
Adım 4：Her Kilometre Taşı İçin Tutma Kullanıcılarını Hesaplama
Her kullanıcı ve her kilometre taşı (1 gün, 3 gün, 7 gün, 15 gün, 30 gün, 60 gün) için：
- Zaman penceresini hesaplar：kayıttan sonra 2. günden (kayıt + 1 gün) kayıttan sonra N. güne (kayıt + N gün) kadar
- Kullanıcının bu zaman penceresine düşen bir olay tarihi olup olmadığını kontrol eder
- Varsa, kullanıcı bu kilometre taşının tutma kullanıcılarına aittir
Örnek：
- Kullanıcı A 2024-01-01'de kayıt oldu ve 2024-01-03'te sipariş verdi → 3 günlük tutma kullanıcılarına aittir (çünkü 2024-01-03, kayıt + 1 gün ile kayıt + 3 gün aralığına düşer)
- Kullanıcı B 2024-01-01'de kayıt oldu ve 2024-01-05'te sipariş verdi → 7 günlük tutma kullanıcılarına aittir (çünkü 2024-01-05, kayıt + 1 gün ile kayıt + 7 gün aralığına düşer)
Adım 5：Monotonluk Doğrulama ve Düzeltme
Sistem tutma sayılarının monotonluğunu sağlar：
- 60 günlük tutma kullanıcıları ≥ 30 günlük tutma kullanıcıları ≥ 15 günlük tutma kullanıcıları ≥ 7 günlük tutma kullanıcıları ≥ 3 günlük tutma kullanıcıları ≥ ertesi gün tutma kullanıcıları
- Bir kilometre taşının tutma sayısı bir sonraki kilometre taşından büyükse, sistem bunu otomatik olarak bir sonraki kilometre taşının değerine düzeltir
- Bu, tutma dönüşüm merdiveninin rasyonelliğini sağlar (daha uzun zaman pencereleri daha büyük veya eşit tutma sayısına sahip olmalıdır)
Adım 6：Aylık Veri Toplama
Sistem günlük gruplandırılmış verileri aylık gruplandırılmış verilere toplar：
- Tüm kayıt tarihlerini aya göre gruplandırır (YYYY-MM formatı)
- Her ay için, o ayda kayıt olan tüm kullanıcıların verilerini özetler
- Her kilometre taşı için tutma sayılarını ve tutma oranlarını hesaplar
- Yalnızca son 12 takvim ayının verilerini tutar
Adım 7：Genel Tutma Oranlarını Hesaplama
Sistem genel tutma oranlarını hesaplar：
- Genel Kayıt Gününde Aktivite Oranı = Kayıt gününde aktif toplam kullanıcı sayısı / Toplam yeni kullanıcı sayısı
- Genel 7 Günlük Tutma Oranı = 7 günlük tutma toplam kullanıcı sayısı / Toplam yeni kullanıcı sayısı
- Diğer kilometre taşlarının tutma oranları aynı şekilde hesaplanır
Adım 8：Sonuç Görselleştirme
- Genel Metrikler：
- Genel 7 Günlük Tutma Oranı：Tüm yeni kullanıcılar arasında 7 günlük tutma kullanıcılarının oranı
- Tutma Yolu Detay Tablosu：
- Kayıt ayına göre gruplandırılmış, her zaman penceresindeki tutma sayılarını ve tutma oranlarını gösterir
- Kayıt Gününde Aktivite, Ertesi Gün, 1-3 Gün, 1-7 Gün, 1-15 Gün, 1-30 Gün, 1-60 Gün gibi sütunlar içerir
- Yalnızca son 12 ayın verilerini gösterir
- Tutma Dönüşüm Merdiveni Grafiği：
- Kayıt Gününde Aktiviteden 60 Günlük Tutmaya kadar dönüşüm yolunu merdiven formatında gösterir
- Her adım tutma sayılarını ve tutma oranlarını gösterir
- Anahtar kullanıcı kaybı noktalarını gözlemlemeyi kolaylaştırır
2.3 Veri Filtreleme Kuralları
- Veri Bütünlüğü：Anahtar alanlar (kullanıcı ID'si, kayıt tarihi, olay tarihi) eksik olan kayıtlar otomatik olarak hariç tutulur
- Tarih Ayrıştırma：Sistem yaygın tarih formatlarını otomatik olarak tanır, ayrıştırılamayan tarihler hariç tutulur
- Zaman Aralığı：Aylık detay tablosu yalnızca son 12 takvim ayının verilerini gösterir, ancak genel tutma oranı hesaplaması tüm verilere dayanır
- Kullanıcı Tekilleştirme：Her kullanıcı aynı kilometre taşında yalnızca bir kez sayılır, birden fazla olay tarihi o zaman penceresine düşse bile
III. Kullanım Talimatları ve Notlar
3.1 Veri Hazırlığı
Gerekli Alanlar
Veri içe aktarmadan önce, veri dosyanızın aşağıdaki üç alanı içerdiğinden emin olun：
- Kullanıcı ID'si (
user_id)
- Açıklama：Kullanıcıları benzersiz olarak tanımlayan alan (kullanıcı ID'si veya telefon numarası kabul edilir)
- Format Gereksinimleri：Metin veya sayılar kabul edilir
- Örnekler：
U001、12345、13800138000
- Olay Tarihi (
event_date)
- Açıklama：Kullanıcı davranışının meydana geldiği tarih (sipariş tarihi veya davranış tarihi)
- Format Gereksinimleri：Birden fazla tarih formatını destekler (
YYYY-MM-DD、YYYY/MM/DD、MM/DD/YYYY, vb. gibi)
- Notlar：Sistem yaygın tarih formatlarını otomatik olarak tanır. Doğru ayrıştırma sağlamak için standart tarih formatlarının kullanılması önerilir
- Kayıt Tarihi (
register_date)
- Açıklama：Kullanıcının kayıt olduğu tarih (kohort başlangıç noktasını tanımlamak için kullanılır), format 2025-01-01 veya 2025/1/1 gibi
- Format Gereksinimleri：Birden fazla tarih formatını destekler (
YYYY-MM-DD、YYYY/MM/DD、MM/DD/YYYY, vb. gibi)
- Notlar：Sistem yaygın tarih formatlarını otomatik olarak tanır. Doğru ayrıştırma sağlamak için standart tarih formatlarının kullanılması önerilir
Veri Format Gereksinimleri
- Dosya Formatı：CSV ve Excel (.xlsx) formatlarını destekler
- Kodlama：UTF-8 kodlamasının kullanılması önerilir
- Veri Hacmi：Hesaplama verimliliğini sağlamak için tek bir analiz için veri hacminin 1 milyon kaydı aşmaması önerilir
- Veri Aralığı：Yeni kullanıcı tutma yollarını doğru bir şekilde hesaplamak için yeterli tarihsel veri dahil edilmesi önerilir. Aylık tutma eğilimlerini gözlemlemek için en az son 12 ayın verileri dahil edilmelidir
3.2 Alan Eşleme
Veri yüklendikten sonra, sistem veri dosyanızdaki sütunları aşağıdaki alanlara eşlemenizi isteyecektir：
- Kullanıcı ID Sütunu → Kullanıcıların benzersiz tanımlayıcılarını içeren sütunu seçin
- Olay Tarihi Sütunu → Kullanıcı davranış tarihlerini (sipariş tarihleri) içeren sütunu seçin
- Kayıt Tarihi Sütunu → Kullanıcı kayıt tarihlerini içeren sütunu seçin
3.3 Veri Filtreleme (İsteğe Bağlı)
Sistem olay tarihine göre filtrelemeyi destekler：
- Tarih Aralığına Göre Filtreleme：Analiz için zaman aralığını belirtebilirsiniz, yalnızca belirtilen zaman dilimindeki verileri analiz eder
- Kullanım Önerisi：Veri hacmi büyükse, hesaplama hızını artırmak için önce son 1-2 yılın verilerini filtrelemeniz önerilir
3.4 Sonuç Yorumlama
Metrik Açıklaması
- Genel 7 Günlük Tutma Oranı：Yeni kullanıcı gruplarının genel tutma etkinliğini yansıtır, yeni kullanıcı aktivasyon ve tutma stratejilerinin etkinliğini ölçmek için önemli bir metrik. 7 günlük tutma oranı ne kadar yüksekse, yeni kullanıcıların ürün veya hizmetlerden memnuniyeti o kadar yüksek ve kullanıcı aktivasyon stratejisi o kadar etkilidir
- Kayıt Gününde Aktivite Oranı：Kayıt gününde yeni kullanıcı dönüşümünün etkinliğini yansıtır, yeni kullanıcı onboarding süreçlerini ve kayıt gününde dönüşüm stratejilerini değerlendirmek için önemli bir metrik. Kayıt gününde aktivite oranı ne kadar yüksekse, yeni kullanıcı onboarding süreci o kadar etkilidir
- Tutma Dönüşüm Merdiveni：Kayıt Gününde Aktiviteden 60 Günlük Tutmaya kadar dönüşüm yolunu gösterir, anahtar kullanıcı kaybı noktalarını belirlemeye yardımcı olur. Merdivenin düşüşü ne kadar yumuşaksa, kullanıcı tutma etkinliği o kadar iyidir
Tutma Yolu Analizi
- Kayıt Gününde Aktivite：Bu, tutma dönüşümünün başlangıç noktasıdır. Kayıt gününde aktivite oranı düşükse, yeni kullanıcı onboarding süreçlerini ve kayıt gününde dönüşüm stratejilerini optimize etmek gerekir
- Ertesi Gün Tutma：Kayıttan sonra ikinci günde yeni kullanıcı aktivitesini yansıtır. Ertesi gün tutma oranı önemli ölçüde düşerse, bu yeni kullanıcı onboarding sürecinde sorunlar olduğunu gösterebilir
- 3 Günlük ve 7 Günlük Tutma：Bunlar yeni kullanıcı tutma için anahtar pencerelerdir. Bu aşamalardaki tutma oranları düşükse, yeni kullanıcı aktivasyon stratejilerini güçlendirmek gerekir
- 15 Günlük, 30 Günlük, 60 Günlük Tutma：Yeni kullanıcıların uzun vadeli tutma etkinliğini yansıtır. Bu aşamalardaki tutma oranları düşmeye devam ederse, ürün deneyimini ve hizmet kalitesini optimize etmek gerekir
Aylık Eğilim Analizi
- Yükselen Eğilim：Tutma oranları yükselen bir eğilim gösterir, yeni kullanıcı aktivasyon ve tutma stratejilerinin etkili olduğunu ve işin sağlıklı geliştiğini gösterir
- Düşen Eğilim：Tutma oranları düşen bir eğilim gösterir, yeni kullanıcı onboarding süreçlerine, ürün deneyimine veya operasyonel stratejilere dikkat edilmesini ve zamanında ayarlamalar yapılmasını gerektirir
- Yüksek Volatilite：Mevsimsel faktörler, pazarlama faaliyetlerinin etkileri veya dış çevredeki değişiklikler olabilir, iş durumuyla birlikte analiz gerektirir
3.5 Notlar
⚠️ Önemli Notlar
- Zaman Penceresi Hesaplama Kuralları：
- Tüm tutma zaman pencereleri kayıttan sonra 2. günden itibaren hesaplanır, kayıt günü dahil değildir
- Örneğin：Kullanıcı A 2024-01-01'de kayıt oldu, ertesi gün tutma 2024-01-02'de sipariş vermek anlamına gelir, 3 günlük tutma 2024-01-02 ile 2024-01-03 arasında sipariş vermek anlamına gelir
- Kayıt günündeki davranış ayrı olarak "Kayıt Gününde Aktivite" olarak sayılır
- Öneri：Bu mantığı anlamak, analiz sonuçlarını doğru yorumlamaya yardımcı olur
- Tutma Tanımı：
- Tutma, belirtilen zaman penceresinde kullanıcıların en az bir sipariş veya davranış kaydı olduğu anlamına gelir
- Bir kullanıcı aynı zaman penceresinde birden fazla davranışa sahip olsa bile, yalnızca bir kez sayılır
- Örneğin：Kullanıcı A 2024-01-02, 2024-01-03 ve 2024-01-04'te sipariş verdi, yine de yalnızca 3 günlük tutma kullanıcısı olarak sayılır (7 günlük tutma kullanıcısı değil, çünkü 7 günlük tutma kayıt + 1 gün ile kayıt + 7 gün arasını kontrol etmeyi gerektirir)
- Öneri：Bu mantığı anlamak, analiz sonuçlarını doğru yorumlamaya yardımcı olur
- Monotonluk Düzeltmesi：
- Sistem tutma sayılarının monotonluğunu otomatik olarak sağlar：60 günlük tutma kullanıcıları ≥ 30 günlük tutma kullanıcıları ≥ ... ≥ ertesi gün tutma kullanıcıları
- Bir kilometre taşının tutma sayısı bir sonraki kilometre taşından büyükse, sistem bunu otomatik olarak bir sonraki kilometre taşının değerine düzeltir
- Bu, tutma dönüşüm merdiveninin rasyonelliğini sağlar ancak bazı veri anormalliklerini gizleyebilir
- Öneri：Veri anormallikleri bulunursa, doğrulama için orijinal verilere bakabilirsiniz
- Veri Bütünlüğü：
- Kullanıcı ID'si, kayıt tarihi veya olay tarihi eksik olan kayıtlar otomatik olarak hariç tutulur
- Ayrıştırılamayan tarihler hariç tutulur, bu da tutma hesaplamasının doğruluğunu etkileyebilir
- Öneri：Veri hazırlama sırasında, anahtar alanların tam olduğundan ve formatların doğru olduğundan emin olun
- Aylık Veri Sınırlamaları：
- Aylık detay tablosu yalnızca son 12 takvim ayının verilerini gösterir
- Ancak, genel tutma oranı hesaplaması tüm verilere dayanır ve 12 ay ile sınırlı değildir
- Öneri：Önceki verileri görüntülemeniz gerekiyorsa, veri filtreleme aralığını ayarlayabilirsiniz
💡 Kullanım Önerileri
- Veri Kalitesi Doğrulama：
- Yüklemeden önce veri bütünlüğünü kontrol edin, kullanıcı ID'si, kayıt tarihi ve olay tarihi alanlarının eksik olmadığından emin olun
- Tarih ayrıştırma hatalarını önlemek için tarih formatlarının doğru olduğunu kontrol edin
- Anormal veriler olup olmadığını kontrol edin (gelecek tarihler, açıkça yanlış tarihler gibi)
- Kayıt tarihi ile olay tarihi arasındaki mantıksal ilişkinin doğru olduğundan emin olun (olay tarihi kayıt tarihinden önce olmamalıdır)
- Analiz Zaman Aralığı：
- Aylık tutma eğilimlerini gözlemlemek için yeterli tarihsel veri (en az 12 ay) dahil edilmesi önerilir
- Veri hacmi büyükse, kısa vadeli eğilimleri gözlemlemek için önce son 1-2 yılın verilerini analiz edebilirsiniz
- Ardından uzun vadeli eğilimleri ve mevsimsel modelleri gözlemlemek için daha uzun tarihsel verilere genişletebilirsiniz
- Sonuç Doğrulama：
- Anormal değişiklikleri belirlemek için farklı dönemlerdeki tutma yollarını karşılaştırın
- Tutma oranı değişikliklerinin nedenlerini analiz etmek için iş aktivite zamanlarıyla birleştirin
- Tutma dönüşüm merdiveninin iş beklentilerini karşıladığını kontrol edin. Anormallikler varsa, daha fazla araştırma gerekir
- Monotonluk düzeltmesinin makul olup olmadığını kontrol edin. Şüpheleriniz varsa, orijinal verilere bakabilirsiniz
- Strateji Optimizasyonu：
- Kayıt gününde aktivite oranı düşükse, kayıt gününde dönüşüm oranlarını artırmak için yeni kullanıcı onboarding süreçlerini optimize etmeniz önerilir
- Ertesi gün tutma oranı önemli ölçüde düşerse, yeni kullanıcı yönlendirmesini güçlendirmeniz ve daha iyi ilk deneyimler sağlamanız önerilir
- 7 günlük tutma oranı düşükse, yeni kullanıcı aktivasyon stratejilerini güçlendirmeniz, kupon veya aktivite bilgileri göndermeniz önerilir
- Uzun vadeli tutma oranları (30 gün, 60 gün) düşmeye devam ederse, ürün deneyimini ve hizmet kalitesini optimize etmeniz önerilir
- Aylık tutma eğilimlerine dayalı olarak yeni kullanıcı aktivasyon ve tutma stratejilerini ayarlayın
3.6 Sık Sorulan Sorular
S1：Verilerimdeki bazı kullanıcılar neden sayılmıyor?
C：Olası nedenler şunları içerir：
- Kullanıcılar kullanıcı ID alanlarından yoksundur
- Kullanıcılar kayıt tarihi alanlarından yoksundur
- Kullanıcılar olay tarihi alanlarından yoksundur
- Kullanıcıların kayıt tarihleri veya olay tarihleri ayrıştırılamaz
S2：Tutma zaman pencereleri nasıl hesaplanır?
C：Tüm tutma zaman pencereleri kayıttan sonra 2. günden itibaren hesaplanır, kayıt günü dahil değildir. Örneğin：
- Kullanıcı A 2024-01-01'de kayıt oldu, ertesi gün tutma 2024-01-02'de sipariş vermek anlamına gelir
- Kullanıcı B 2024-01-01'de kayıt oldu, 3 günlük tutma 2024-01-02 ile 2024-01-03 arasında sipariş vermek anlamına gelir
- Kullanıcı C 2024-01-01'de kayıt oldu, 7 günlük tutma 2024-01-02 ile 2024-01-07 arasında sipariş vermek anlamına gelir
Kayıt günündeki davranış ayrı olarak "Kayıt Gününde Aktivite" olarak sayılır.
S3：Bir kullanıcı kayıt gününde sipariş verirse, bu ertesi gün tutma olarak sayılır mı?
C：Hayır. Ertesi gün tutma, kayıttan sonra 2. günde sipariş vermek anlamına gelir (kayıt + 1 gün). Kayıt günündeki davranış ayrı olarak "Kayıt Gününde Aktivite" olarak sayılır.
S4：Tutma oranı nasıl hesaplanır?
C：Tutma Oranı = Zaman penceresinde davranışı olan kullanıcı sayısı / Toplam yeni kullanıcı sayısı. Örneğin：
- 7 Günlük Tutma Oranı = Kayıttan sonra 2-7. günlerde siparişi olan kullanıcı sayısı / Toplam yeni kullanıcı sayısı
- 30 Günlük Tutma Oranı = Kayıttan sonra 2-30. günlerde siparişi olan kullanıcı sayısı / Toplam yeni kullanıcı sayısı
S5：Tutma dönüşüm merdiveninde 60 günlük tutma kullanıcıları neden 30 günlük tutma kullanıcılarına eşit olabilir?
C：Bu normaldir. Bir kullanıcı kayıttan sonra 2-30. günlerde sipariş verirse, bu kullanıcı hem 30 günlük tutma kullanıcılarına hem de 60 günlük tutma kullanıcılarına aittir (çünkü 30 günlük pencere 60 günlük pencerenin içinde yer alır). Sistem tutma sayılarının monotonluğunu sağlar：60 günlük tutma kullanıcıları ≥ 30 günlük tutma kullanıcıları ≥ ... ≥ ertesi gün tutma kullanıcıları.
S6：Yeni kullanıcı tutma oranlarını nasıl artırabilirim?
C：Aşağıdaki yönlerden başlamanız önerilir：
- Kayıt gününde aktivite oranlarını artırmak için yeni kullanıcı onboarding süreçlerini optimize edin
- Kayıttan sonra anahtar zaman pencerelerinde kupon veya aktivite bilgileri göndererek yeni kullanıcı aktivasyon stratejilerini güçlendirin
- Kullanıcı memnuniyetini artırmak için ürün deneyimini ve hizmet kalitesini iyileştirin
- Kullanıcıları kullanmaya devam etmeye teşvik etmek için üyelik seviye sistemleri ve puan ödül mekanizmaları oluşturun
- Anahtar kullanıcı kaybı noktalarını belirlemek ve hedeflenmiş aktivasyon stratejileri geliştirmek için tutma dönüşüm merdivenlerini analiz edin
- Aylık tutma eğilimlerine dayalı olarak yeni kullanıcı aktivasyon ve tutma stratejilerini zamanında ayarlayın
IV. Özet
Yeni Kullanıcı Tutma Yolu Hesap Makinesi, bilimsel algoritmalar ve sezgisel görselleştirmeler aracılığıyla yeni kullanıcı tutma dönüşüm yollarını tam olarak anlamanıza yardımcı olur. Bu aracın doğru kullanımı şunları yapabilir：
- Yeni kullanıcı kaybının anahtar zaman noktalarını hızlı bir şekilde belirlemek ve hedeflenmiş aktivasyon stratejileri geliştirmek
- Yeni kullanıcı aktivasyon ve tutma stratejilerinin etkinliğini değerlendirmek, operasyonel planları optimize etmek
- Farklı dönemlerde yeni kullanıcı tutma performansını gözlemlemek ve operasyonel stratejileri zamanında ayarlamak
- Yeni kullanıcı tutma dönüşüm yollarını analiz etmek, ürün deneyimini ve onboarding süreçlerini optimize etmek
- Yeni kullanıcı aktivasyon ve tutma stratejileri geliştirmek için veri desteği sağlamak
Herhangi bir sorunuz varsa veya teknik destek gerekiyorsa, lütfen sistem yöneticisine başvurun.