เครื่องคำนวณอัตราการรักษาผู้ใช้แบบแบ่งกลุ่ม

เครื่องคำนวณอัตราการรักษาผู้ใช้ตามกลุ่มประชากร (Retention Rate Cohort Calculator) จะเปลี่ยนขนาดกลุ่มประชากรและรายการจำนวนผู้ใช้ที่ยังคงใช้งานอยู่ให้กลายเป็นภาพรวมการรักษาผู้ใช้ที่สมบูรณ์: อัตราการรักษาผู้ใช้ในทุก ๆ จุดตรวจ, เส้นโค้งการรักษาผู้ใช้แบบเคลื่อนไหว, แผนภูมิความร้อนแสดงอัตราการลดลงแบบช่วงต่อช่วงด้วยรหัสสี, ครึ่งชีวิตของกลุ่มผู้ใช้, ตัวตรวจจับเส้นโค้งรูปยิ้ม / การปรับตัวสู่ระดับคงที่ของ Product-Market Fit, การประมาณค่าตามกฎกำลังพร้อมการคาดคะเนข้อมูลสภาวะคงตัว และการจัดหมวดหมู่ควอไทล์เปรียบเทียบกับเกณฑ์ในอุตสาหกรรมที่มีการเผยแพร่สำหรับกลุ่มผู้ใช้ SaaS, มือถือ, การสมัครสมาชิกของผู้บริโภค, อีคอมเมิร์ซ และฟินเทค ซึ่งแตกต่างจากเครื่องคำนวณอัตราการเลิกใช้บริการ (Churn rate) แบบตัวเลขเดี่ยว เนื่องจากเส้นโค้งการรักษาผู้ใช้ตามกลุ่มประชากรจะบันทึก รูปทรง ของการลดลง — และรูปทรงนี้เอง ไม่ใช่ตัวเลขเดี่ยว ๆ ที่จะเป็นตัวบ่งบอกว่าผลิตภัณฑ์ของคุณสามารถมัดใจผู้ใช้ได้จริงหรือไม่

วิธีใช้งาน

1. ป้อนขนาดของกลุ่มผู้ใช้ — จำนวนผู้ใช้ที่ได้มาในช่วงเวลาเดียวกัน (เช่น สัปดาห์ที่สมัครใช้งาน, เดือนที่เปลี่ยนเป็นผู้ใช้แบบชำระเงิน, วันที่ติดตั้งแอปพลิเคชัน เป็นต้น)
2. เลือกหน่วยการวัด โดยทั่วไปแอปพลิเคชันมือถือจะวัดเป็นวัน การสมัครสมาชิกแบบ B2C วัดเป็นสัปดาห์ และ B2B SaaS วัดเป็นเดือน
3. ป้อนช่วงเวลาของจุดตรวจเป็นรายการที่คั่นด้วยเครื่องหมายจุลภาค ค่าเริ่มต้น 1, 7, 14, 30, 60, 90 คือตารางเวลาคลาสสิกสำหรับแอปพลิเคชันมือถือ สำหรับ B2B SaaS แนะนำให้ลองใช้ 1, 2, 3, 6, 9, 12 เดือน
4. ป้อนจำนวนผู้ใช้ที่ยังใช้งานอยู่ในแต่ละจุดตรวจตามลำดับเดียวกัน แต่ละค่าคือจำนวนผู้ใช้จากกลุ่ม เริ่มต้น ที่ยังคงใช้งานอยู่ ณ จุดตรวจนั้น ๆ — ห้ามเปลี่ยนค่าฐานของตัวหารเด็ดขาด
5. เลือกเกณฑ์เปรียบเทียบอุตสาหกรรมที่ใกล้เคียงที่สุด — B2B SaaS, SMB SaaS, การสมัครสมาชิกของผู้บริโภค, แอปพลิเคชันมือถือ, อีคอมเมิร์ซ หรือฟินเทค
6. คลิก สร้างเส้นโค้งการรักษาผู้ใช้ เพื่อดูอัตราการรักษาผู้ใช้ในแต่ละจุดตรวจ, เส้นโค้งแบบเคลื่อนไหว, แผนภูมิความร้อนแสดงการลดลง, ครึ่งชีวิต, ผลสรุปเส้นโค้งรูปยิ้ม, การประมาณค่าตามกฎกำลัง และการจัดหมวดหมู่ควอไทล์

สูตรคำนวณที่ใช้

สิ่งที่ทำให้เครื่องคำนวณกลุ่มประชากรนี้แตกต่างออกไป

• ดูที่เส้นโค้ง ไม่ใช่ตัวเลขเดี่ยว ๆ เครื่องคำนวณอัตราการรักษาผู้ใช้ส่วนใหญ่มักจะคำนวณหาค่าเพียงค่าเดียว แต่เครื่องมือนี้จะสร้างเส้นโค้งการรักษาผู้ใช้แบบเต็มรูปแบบสูงสุดถึง 10 จุดตรวจที่ผู้ใช้กำหนดเอง — รูปทรงของเส้นโค้งนี้เองที่จะเผยให้เห็นว่ากลุ่มผู้ใช้ของคุณอยู่ตัวแล้วหรือกำลังรั่วไหลออกไปเรื่อย ๆ
• ตัวตรวจจับเส้นโค้งรูปยิ้ม / สัญญาณการคงที่ของ PMF ระบบการทดสอบในตัวสำหรับจุดตรวจ 3 จุดสุดท้ายจะจำแนกกลุ่มผู้ใช้ว่าเป็นแบบ คงที่อย่างแข็งแกร่ง (สัญญาณคลาสสิกของ PMF ตามทฤษฎี Sean Ellis), คงที่เล็กน้อย หรือ ยังคงดิ่งลงต่อเนื่อง
• ครึ่งชีวิตของกลุ่มผู้ใช้ผ่านการประมาณค่าเชิงเส้น การประมาณค่าเชิงเส้นระหว่างจุดตรวจช่วยให้ได้ค่าประมาณที่แม่นยำของช่วงเวลาที่ผู้ใช้ 50% ของกลุ่มได้เลิกใช้งานไป — ไม่ใช่แค่บอกว่าคุณผ่านจุดนั้นมาแล้วหรือยัง
• การประมาณค่าตามกฎกำลังและการคาดการณ์สภาวะคงตัว OLS บนการแปลงรูป log-log จะปรับค่าให้เข้ากับสูตร R(t) = a · t^(−k) รายงานค่า R² และทำการพยากรณ์อัตราการรักษาผู้ใช้ออกไปประมาณ 3 เท่าของช่วงเวลาล่าสุดที่สังเกตได้เมื่อค่าการปรับเกณฑ์อยู่ในเกณฑ์ดี
• แผนภูมิความร้อนแสดงการลดลงของผู้ใช้ การลดลงแบบช่วงต่อช่วงจะใช้รหัสสีตั้งแต่สีเขียว (≤2 pp) ไปจนถึงสีแดงเข้ม (>50 pp) ทำให้เห็นจุดรั่วไหลที่มีผลกระทบสูงสุดได้อย่างชัดเจนในพริบตา
• เกณฑ์เปรียบเทียบควอไทล์อุตสาหกรรม เกณฑ์อ้างอิงเฉพาะสำหรับ 6 เซกเมนต์ (B2B SaaS, SMB SaaS, การสมัครสมาชิกของผู้บริโภค, แอปพลิเคชันมือถือ, อีคอมเมิร์ซ, ฟินเทค) จะจัดหมวดหมู่ค่าเทียบเท่าวันแทนค่า วันที่ 1, วันที่ 7 และ วันที่ 30 ของคุณเปรียบเทียบกับแถบข้อมูล P25 / P50 / P75 ที่มีการเผยแพร่
• เส้นโค้ง SVG แบบเคลื่อนไหว แอนิเมชันการวาดเส้น การระบายสีเติมเต็มพื้นที่ และการปรากฏขึ้นตามลำดับของป้ายกำกับค่า จะช่วยทำให้เห็นภาพรวมการลดลงได้อย่างชัดเจนทางสายตา ไม่ใช่แค่พล็อตแผนภูมิแบบนิ่ง ๆ
• หน่วยวัด วัน สัปดาห์ หรือ เดือน เลือกสเกลเวลาที่ตรงกับวงจรธรรมชาติของผลิตภัณฑ์ของคุณมากที่สุด แอปพลิเคชันมือถือมักจะนับเป็นวัน ส่วน B2B มักนับเป็นเดือน
• แสดงตัวอย่างสดก่อนส่งข้อมูล เพียงพิมพ์ตัวเลขใด ๆ แถบแสดงตัวอย่างย่อ เปอร์เซ็นต์ และป้ายกำกับ PMF จะอัปเดตให้เห็นในทันที — ไม่จำเป็นต้องโหลดหน้าเว็บใหม่ทั้งหมด
• คณิตศาสตร์แบบทีละขั้นตอน ทุก ๆ การคำนวณจะถูกจำแนกแจกแจงออกมาทีละบรรทัด เพื่อให้คุณสามารถนำไปตรวจสอบ จัดทำเอกสาร หรือเรียนรู้จากผลลัพธ์ที่ได้

กลุ่มประชากร (Cohort) คืออะไรกันแน่?

กลุ่มประชากร (Cohort) คือกลุ่มของผู้ใช้ที่มีประสบการณ์ร่วมในเหตุการณ์ที่ได้มาในช่วงเวลาเดียวกัน — ส่วนใหญ่มักจะเป็น สัปดาห์, วัน หรือ เดือน ที่พวกเขาได้ทำการลงชื่อเข้าใช้งาน ติดตั้งแอปพลิเคชัน หรือทำการซื้อสินค้าครั้งแรก การวิเคราะห์กลุ่มประชากรจะติดตามกลุ่มคนกลุ่มเดิมที่คงที่นี้ตลอดช่วงเวลาถัด ๆ มา ดังนั้นตัวหารจึงไม่มีวันเปลี่ยนแปลง สิ่งนี้ทำให้การวิเคราะห์การรักษาผู้ใช้ตามกลุ่มประชากรมีความซื่อสัตย์และตรงไปตรงมามากกว่าการคำนวณแบบ "จำนวนผู้ใช้ที่ใช้งานรายเดือนหารด้วยผู้ใช้ทั้งหมด" ซึ่งอาจบดบังปัญหาการเลิกใช้งานที่เร่งตัวขึ้นด้วยตัวเลขการเติบโตของผู้ใช้ใหม่

อัตราการรักษาผู้ใช้ (Retention Rate) vs อัตราการเลิกใช้บริการ (Churn Rate)

อัตราการรักษาผู้ใช้และอัตราการเลิกใช้บริการเป็นส่วนกลับของกันและกันสำหรับช่วงเวลาใด ๆ ที่กำหนด: retention = 1 − churn เหตุผลที่ทีมงานต่าง ๆ เลือกใช้คำใดคำหนึ่งนั้นเป็นเรื่องทางจิตวิทยามากกว่าทางคณิตศาสตร์ — การวางกรอบตัวเลขเป็น "รักษาผู้ใช้ไว้ได้ 95%" แทนที่จะเป็น "เลิกใช้บริการ 5%" มักจะช่วยเปลี่ยนความสนใจจากการคอยปกป้องความสูญเสียไปสู่การเฉลิมฉลองผลสำเร็จที่รักษาผู้ใช้ไว้ได้ การรักษาผู้ใช้ในรูปแบบกลุ่มประชากรให้ข้อมูลที่เป็นประโยชน์มากกว่าอัตราการเลิกใช้บริการรายงวด เพราะมันจะติดตามผู้ใช้ กลุ่มเดิม เมื่อเวลาผ่านไป ซึ่งช่วยเผยให้เห็นว่าจุดรั่วไหลอยู่ที่ใด: กลุ่มผู้ใช้ที่มีอัตราการเลิกใช้งาน 50% ในวันที่ 1 แล้วหลังจากนั้นมีอัตราการรักษาผู้ใช้ที่แบนราบคงที่อย่างสมบูรณ์ ถือเป็นกลุ่มผู้ใช้ที่มีลักษณะพื้นฐานที่แตกต่างอย่างสิ้นเชิง (และดีกว่ามาก) เมื่อเทียบกับกลุ่มผู้ใช้ที่มีการลดลงทีละน้อยอย่างต่อเนื่องยาวนาน

การอ่านรูปทรงของเส้นโค้งการรักษาผู้ใช้

• ดิ่งลงอย่างรวดเร็วในช่วงแรก แล้วส่วนปลายราบคงที่ (ลักษณะ "รูปยิ้ม") ผู้ใช้ส่วนใหญ่ที่ได้มาในช่วงแรกอาจจะยังไม่ใช่กลุ่มที่ใช่ แต่แกนหลักที่มั่นคงรู้สึกว่าผลิตภัณฑ์นี้ขาดไม่ได้จริง ๆ นี่คือรูปทรงตามตำราของ Product-Market Fit — และระดับฐานที่คงที่นั้นก็คือขนาดของตลาดที่ตอบโจทย์คุณได้อย่างแท้จริง (True Addressable Market) ภายในเซกเมนต์ที่ได้มา
• ลดลงอย่างค่อยเป็นค่อยไปเป็นเส้นตรงคงที่ เป็นรูปทรงที่คุ้นตาสำหรับผลิตภัณฑ์ที่มีความถี่ในการใช้งานต่ำ (สินค้าที่ซื้อรายปี, เครื่องมือจัดการภาษี, แอปพลิเคชันวางแผนงานแต่งงาน) สิ่งนี้ไม่ได้แย่เสมอไป — แต่เศรษฐศาสตร์ต่อหน่วย (Unit Economics) จะขึ้นอยู่กับความชัน ไม่ใช่ระดับของเส้นโค้ง
• ช่วงแรกราบคงที่แล้วดิ่งลงอย่างกะทันหัน มักเกิดขึ้นจากเหตุการณ์บังคับให้ยกเลิกบริการ — เช่น การสิ้นสุดระยะเวลาทดลองใช้งาน, การตัดเงินผ่านบัตรเครดิตล้มเหลว หรือสัญญาจ้างรายปีไม่มีการต่ออายุ ให้มองหาข้อบกพร่องเชิงโครงสร้างระบบ มากกว่าสาเหตุจากพฤติกรรมของผู้ใช้
• ยังคงตกลงเรื่อย ๆ ณ จุดตรวจสุดท้าย ยังไม่เห็นวี่แววของระดับฐานที่มั่นคง ซึ่งหมายความว่าคุณอาจต้องการเวลาในการสังเกตการณ์เพิ่มเติม หรือผลิตภัณฑ์ยังไม่สามารถค้นพบกรณีการใช้งานที่เหนียวแน่นสำหรับกลุ่มผู้ใช้นี้ได้
• เส้นโค้งงอนหัวขึ้น มักจะเป็นข้อผิดพลาดจากการวัดผล (Measurement artefact) เช่น การนับผู้ใช้ที่กลับมาใช้งานใหม่ (Re-activations) รวมเข้าเป็นสมาชิกในกลุ่ม หรือคำนิยามของการมีส่วนร่วมถูกขยายขอบเขตขึ้นจากฟีเจอร์ใหม่ ควรตรวจสอบให้แน่ชัดก่อนที่จะดีใจ

เกณฑ์เปรียบเทียบการรักษาผู้ใช้แยกตามหมวดหมู่

ค่าควอไทล์ต่าง ๆ นำมาจากข้อมูลโดยอนุมานจากรายงานสาธารณะของ AppsFlyer, Mixpanel, Amplitude, OpenView, RJMetrics โปรดใช้เป็นเกณฑ์อ้างอิงคร่าว ๆ ไม่ใช่มาตรฐานตายตัวของอุตสาหกรรม

หลุมพรางที่พบบ่อยในการวิเคราะห์กลุ่มประชากร

• การเปลี่ยนค่าฐานของตัวหาร (Re-baselining) ต้องหารด้วยขนาดกลุ่มผู้ใช้ เริ่มต้น เสมอในทุก ๆ จุดตรวจ การหารด้วย "ผู้ใช้ที่ยังคงใช้งานอยู่ในช่วงเวลาก่อนหน้า" จะทำให้สัดส่วนการรักษาผู้ใช้ดูสูงเกินจริงในทุก ๆ ขั้น และบดบังปัญหาการรั่วไหลที่แท้จริง
• การผสมปนเปคำนิยามของคำว่า "ยังใช้งานอยู่" การรักษาผู้ใช้ในวันที่ 30 วัดจากการเข้าสู่ระบบ (Login) การกระทำที่มีความหมาย (Meaningful action) หรือสถานะการชำระเงิน? แต่ละแบบจะให้เส้นโค้งที่แตกต่างกันอย่างสิ้นเชิง ควรเลือกแบบใดแบบหนึ่งและรายงานผลอย่างสม่ำเสมอ
• การสับสนระหว่างการรักษาผู้ใช้กับการรักษาเนื้อรายได้ (Revenue retention) การรักษาผู้ใช้ตามกลุ่มประชากรจะให้ความสำคัญกับผู้ใช้ทุกคนอย่างเท่าเทียมกัน แต่อัตราการรักษาเนื้อรายได้สุทธิ (Net revenue retention) จะถ่วงน้ำหนักด้วยตัวเงิน ซึ่งค่าทั้งสองนี้จะแยกออกจากกันอย่างชัดเจนสำหรับผลิตภัณฑ์ที่มีระดับราคาต่างกันมาก
• ขนาดของกลุ่มผู้ใช้น้อยเกินไป กลุ่มผู้ใช้ที่มีขนาดเล็กกว่า ~500 รายมักจะมีช่วงความเชื่อมั่น (Confidence intervals) ที่กว้างมากในทุก ๆ จุดตรวจ แนะนำให้รวมช่วงสัปดาห์ที่ได้ผู้ใช้มาที่อยู่ติดกันเข้าด้วยกัน ดีกว่าการตีความข้อมูลจากกลุ่มผู้ใช้ขนาดเล็กจนเกินไป
• การอ่านส่วนปลายของเส้นโค้งที่ยังตกลงเรื่อย ๆ ว่าเป็นระดับฐานคงที่ จุดที่เกือบราบเรียบติดต่อกันอย่างน้อยสามจุดเป็นสัญญาณขั้นต่ำสุดสำหรับการเกิดการคงที่ของ PMF จุดที่ราบเรียบเพียงจุดเดียวอาจเป็นแค่สัญญาณรบกวน (Noise)
• การเพิกเฉยต่อรูปทรงของเส้นโค้ง อัตราการรักษาผู้ใช้ในวันที่ 30 ที่ 30% ซึ่งเกิดจากการดิ่งลงอย่างรวดเร็วแล้วปลายราบคงที่ มีความหมายแตกต่างกันอย่างสิ้นเชิงกับค่า 30% ที่เกิดจากการลดลงทีละน้อยอย่างต่อเนื่อง ตัวเลขเท่ากันแต่ผลลัพธ์ตรงกันข้าม
• ผลกระทบจากเหตุการณ์บังคับเลิกใช้ การสิ้นสุดช่วงทดลองใช้งาน ความล้มเหลวในการชำระเงิน และการต่ออายุสัญญารายปี จะสร้างการดิ่งลงแบบประดิษฐ์ขึ้นตามกรอบเวลาที่คาดเดาได้ ควรใส่คำอธิบายประกอบเหตุการณ์เหล่านั้นไว้ และอย่าตีความว่าเป็นผลมาจากพฤติกรรมการใช้งานผลิตภัณฑ์เพียงอย่างเดียว

การรักษาผู้ใช้ขับเคลื่อนมูลค่าช่วงชีวิตของลูกค้า (CLV) อย่างไร

การรักษาผู้ใช้ที่สูงขึ้นหมายถึงระยะเวลาช่วงชีวิตของลูกค้าที่ยาวนานขึ้น ซึ่งส่งผลโดยตรงต่อการเพิ่มขึ้นของมูลค่าช่วงชีวิตของลูกค้า (Customer Lifetime Value - CLV) สูตรคำนวณ CLV อย่างง่ายคือ CLV = (ARPU รายเดือน × อัตรากำไรขั้นต้น) ÷ อัตราการเลิกใช้บริการรายเดือน หรือเทียบเท่ากับ CLV = (ARPU รายเดือน × อัตรากำไรขั้นต้น) × อายุเฉลี่ยของลูกค้าในหน่วยเดือน เนื่องจากระยะเวลาช่วงชีวิตเป็นส่วนกลับของอัตราการเลิกใช้งาน การปรับปรุงอัตราการรักษาผู้ใช้เพียง 1 เปอร์เซ็นต์เทจพอยต์ บนฐานอัตราการเลิกใช้งานรายเดือน 5% จะช่วยขยายอายุเฉลี่ยจาก 20 เดือนไปเป็น 25 เดือน — ส่งผลให้ CLV เพิ่มขึ้นถึง 25% ภายใต้ค่า ARPU ที่เท่าเดิม นี่คือเหตุผลว่าการลงทุนเพื่อรักษาผู้ใช้มักจะให้ผลตอบแทนที่ดีกว่าการลงทุนเพื่อจัดหาผู้ใช้ใหม่ภายใต้จำนวนเงินทุนที่เท่ากัน เมื่อผลิตภัณฑ์เติบโตขึ้นถึงระดับที่เหมาะสมแล้ว

จุดแรกที่ควรเข้าไปตรวจสอบเพื่อปรับปรุงการรักษาผู้ใช้

1. การเปิดใช้งานในงวดแรก (First-period activation) จุดที่ดิ่งลงชันที่สุดบนเส้นโค้งส่วนใหญ่มักอยู่ระหว่าง วันที่ 0 ถึง วันที่ 1 (หรือ สัปดาห์ 0 → สัปดาห์ 1) ความชัดเจนในขั้นตอนเริ่มต้นใช้งาน (Onboarding) ระยะเวลากว่าจะได้รับคุณค่าแรกเริ่ม (Time-to-first-value) และการเข้าถึงเพื่อกระตุ้นผู้ใช้ล่วงหน้า มักจะเป็นจุดที่มีอิทธิพลต่อผลลัพธ์สูงสุด
2. ช่วงเวลาที่เกิดการบังคับยกเลิก การสิ้นสุดระยะเวลาทดลองใช้งานและช่วงเวลาการต่ออายุจะรวมตัวกันทำให้เกิดอัตราการเลิกใช้งานสูงสุดในช่วงเวลาที่คาดเดาได้ ควรจับคู่จุดที่ดิ่งลงของกลุ่มผู้ใช้ของคุณเปรียบเทียบกับช่วงเวลาเชิงโครงสร้างระบบเหล่านี้ ก่อนที่จะไปโทษเรื่องระดับการมีส่วนร่วมในผลิตภัณฑ์
3. การกู้คืนการชำระเงินที่ล้มเหลว สัดส่วนที่น่าประหลาดใจของการเลิกใช้งานมักเกิดจากเพียงแค่บัตรเครดิตหมดอายุ เครื่องมืออัปเดตบัตรและการส่งข้อความแจ้งเตือนหนี้ที่ค้างชำระ (Dunning sequences) สามารถกู้คืนสัดส่วนการเลิกใช้งานรายเดือนได้ 5–15% สำหรับ B2C SaaS ส่วนใหญ่
4. การระบุกลุ่มผู้ใช้ระดับสูง (Power-user) สมาชิกกลุ่มผู้ใช้ที่ยังคงใช้งานอยู่ ณ จุดตรวจสุดท้ายคือเซกเมนต์ที่เหนียวแน่นที่สุดของคุณ ไปย้อนดูพฤติกรรมหรือลักษณะร่วมของพวกเขา — ฟีเจอร์ที่ใช้งาน, การเชื่อมต่อระบบภายนอกที่เลือกใช้, ขนาดของทีม — และกำหนดเป้าหมายการจัดหาผู้ใช้ใหม่ไปยังกลุ่มคนที่มีลักษณะคล้ายคลึงกัน (Look-alikes)
5. การจัดแบ่งเซกเมนต์ย่อยของกลุ่มผู้ใช้ หากภาพรวมของกลุ่มผู้ใช้ไม่เคยเกิดการปรับตัวราบคงที่เลย ให้ลองจำแนกย่อยออกเป็นเซกเมนต์ บ่อยครั้งที่คุณจะพบว่าแหล่งที่มาของผู้ใช้รายใหม่หรือตัวตนลูกค้าบางกลุ่ม (Persona) สามารถบรรลุ PMF ได้ ภายใต้เส้นโค้งภาพรวมที่ดูธรรมดาปานกลาง

คำถามที่พบบ่อย (FAQ)

อัตราการรักษาผู้ใช้ตามกลุ่มประชากรคืออะไร?

อัตราการรักษาผู้ใช้ตามกลุ่มประชากร คือเปอร์เซ็นต์ของผู้ใช้จากกลุ่มประชากรเริ่มต้นกลุ่มเดียวกันที่ยังคงใช้งานอยู่เมื่อเวลาผ่านไป ค่านี้เท่ากับจำนวนผู้ใช้ที่ยังคงใช้งานอยู่ ณ จุดตรวจ หารด้วยขนาดของกลุ่มผู้ใช้เริ่มต้น แล้วแสดงผลเป็นเปอร์เซ็นต์ เนื่องจากตัวหารของกลุ่มประชากรถูกกำหนดไว้คงที่ อัตราการรักษาผู้ใช้จึงมีลักษณะลดลงทางเดียว (Monotonically) — ทุก ๆ การเลิกใช้งานจะทำให้ค่าลดลง และการกลับมาใช้งานใหม่ไม่สามารถทำให้ตัวเลขสูงเกินจริงไปจากจุดตั้งต้นได้

การรักษาผู้ใช้ตามกลุ่มประชากรแตกต่างจากการรักษาผู้ใช้รายเดือนอย่างไร?

การรักษาผู้ใช้รายเดือนมักจะคำนวณจาก จำนวนผู้ใช้ที่ใช้งานรายเดือนหารด้วยจำนวนผู้ใช้ที่ลงทะเบียนทั้งหมด — ตัวเลขนี้อาจจะคงที่หรือเติบโตขึ้นได้แม้ว่ากลุ่มผู้ใช้เดิมกำลังรั่วไหลออกไป เพราะมีการจัดหาผู้ใช้รายใหม่เข้ามาแทนที่ส่วนที่ขาดหายไป แต่การรักษาผู้ใช้ตามกลุ่มประชากรจะติดตามกลุ่มคนคงที่กลุ่มเดิมเมื่อเวลาผ่านไป ดังนั้นจึงไม่สามารถถูกบดบังได้ด้วยยอดการเติบโตของผู้ใช้ใหม่ รูปแบบกลุ่มประชากรจึงมีความตรงไปตรงมาและน่าเชื่อถือมากกว่าในการประเมินความเหนียวแน่นของผลิตภัณฑ์ ในขณะที่การรักษาผู้ใช้รายเดือนจะมีประโยชน์มากกว่าสำหรับรายงานการเติบโตของยอดรวมในระดับบน

ฉันควรใช้จุดตรวจช่วงเวลาใดบ้าง?

ตารางเวลาคลาสสิกสำหรับแอปพลิเคชันมือถือคือ วันที่ 1, วันที่ 7, วันที่ 14, วันที่ 30, วันที่ 60, วันที่ 90 — ซึ่งสั้นพอที่จะจับข้อมูลการลดลงในช่วงแรก และยาวนานพอที่จะเห็นการฟอร์มตัวของฐานผู้ใช้คงที่ สำหรับการสมัครสมาชิกแบบ B2C แนะนำให้ลองใช้จุดตรวจรายสัปดาห์ สำหรับ B2B SaaS แนะนำให้ลองใช้รายเดือน โดยเครื่องคำนวณนี้รองรับค่าจำนวนเต็มใด ๆ จำนวน 2–10 ค่าที่เรียงลำดับจากน้อยไปมากอย่างเข้มงวด

เส้นโค้งรูปยิ้มในการวิเคราะห์กลุ่มประชากรคืออะไร?

เส้นโค้งรูปยิ้ม คือเส้นโค้งการรักษาผู้ใช้ที่มีลักษณะดิ่งลงอย่างรวดเร็วในช่วงแรก จากนั้นจึงค่อย ๆ ปรับตัวราบคงที่เข้าสู่ระดับฐานที่มั่นคง การราบคงที่นี้เป็นสัญญาณคลาสสิกของ Product-Market Fit ตามทฤษฎีของ Sean Ellis: สัดส่วนผู้ใช้ที่คงที่สะท้อนว่ามีผู้ใช้กลุ่มหนึ่งรู้สึกว่าผลิตภัณฑ์ของคุณขาดไม่ได้จริง ๆ ส่วนเส้นโค้งที่ดิ่งลงเรื่อย ๆ โดยไม่มีลักษณะงอนหัวขึ้นหรือราบคงที่ แสดงว่าผลิตภัณฑ์ยังไม่สามารถค้นพบกรณีการใช้งานที่มัดใจผู้ใช้สำหรับเซกเมนต์นั้นได้

อัตราการรักษาผู้ใช้ในวันที่ 30 ระดับใดที่ถือว่าดี?

ระดับที่ดีจะขึ้นอยู่กับหมวดหมู่ผลิตภัณฑ์เป็นอย่างมาก กลุ่มผู้ใช้ในระดับท็อปควอไทล์ของ B2B SaaS สามารถรักษาผู้ใช้ได้ 65% ขึ้นไปในวันที่ 30 ส่วนท็อปควอไทล์ของ SMB SaaS อยู่ที่ประมาณ 45% สำหรับการสมัครสมาชิกของผู้บริโภคทั่วไปจะอยู่ที่ 20% ณ ค่ากลาง (Median) สำหรับแอปพลิเคชันมือถือทั่วไปจะอยู่ที่ 9% ณ ค่ากลาง และ 18% ในระดับท็อปควอไทล์ เครื่องคำนวณนี้จะวางตำแหน่งวันที่ 30 ของคุณเปรียบเทียบกับเกณฑ์ที่ถูกต้องตามหมวดหมู่ที่คุณเลือก

การคำนวณครึ่งชีวิต (Half-life) มีหลักการทำงานอย่างไร?

ครึ่งชีวิตคือช่วงเวลาที่อัตราการรักษาผู้ใช้ตัดผ่านระดับ 50% เครื่องคำนวณจะค้นหาจุดตรวจคู่แรกของคุณที่คร่อมระดับ 50% อยู่ จากนั้นจะใช้วิธีประมาณค่าเชิงเส้นระหว่างสองจุดนั้นเพื่อหาค่า หากการรักษาผู้ใช้ไม่เคยต่ำกว่า 50% ตลอดช่วงเวลาที่สังเกตการณ์ ค่าครึ่งชีวิตจะแสดงผลเป็น "เกินกว่าขอบเขตข้อมูล" — ซึ่งเป็นตัวบ่งชี้ถึงความเหนียวแน่นที่ยอดเยี่ยม

การประมาณค่าตามกฎกำลังบอกอะไรแก่ฉันบ้าง?

เส้นโค้งการรักษาผู้ใช้ตามกลุ่มประชากรส่วนใหญ่จะมีค่าใกล้เคียงกับกฎกำลัง R(t) = a · t^(−k) เครื่องคำนวณจะนำแบบจำลองนี้มาเข้าคู่กับจุดตรวจของคุณด้วยวิธีกำลังสองน้อยที่สุดกับการแปลงรูป log-log และรายงานค่าประสิทธิภาพของการปรับเกณฑ์ (R²) เมื่อค่า R² สูงเกิน 90% กฎกำลังจะสามารถสรุปเส้นโค้งของคุณได้เป็นอย่างดี และการพยากรณ์ข้อมูลออกไปประมาณ 3 เท่าของช่วงเวลาสุดท้ายที่สังเกตการณ์จะถือเป็นภาพรวมที่มีความหมายว่าอัตราการรักษาผู้ใช้กำลังมุ่งหน้าไปในทิศทางใด ส่วนค่า R² ที่ต่ำกว่ามักสะท้อนถึงการหักเหเชิงโครงสร้างระบบ (เช่น การสิ้นสุดช่วงทดลองใช้, เหตุการณ์ต่ออายุสัญญา) ซึ่งแบบจำลองกฎกำลังที่นุ่มนวลไม่สามารถตรวจจับได้

ฉันสามารถใช้เครื่องมือนี้สำหรับอัตราการรักษาเนื้อรายได้ (Revenue retention) แทนการรักษาจำนวนผู้ใช้ได้หรือไม่?

ได้ — โปรดป้อนรายได้รวมของกลุ่มผู้ใช้ ณ ตอนเริ่มต้นให้เป็นขนาดของกลุ่มผู้ใช้ และป้อนจำนวนรายได้ที่ยังคงเก็บรวบรวมได้จากกลุ่มผู้ใช้นั้น ณ แต่ละจุดตรวจ เครื่องคำนวณจะไม่ทราบความแตกต่างว่าข้อมูลที่ใส่เข้ามาเป็นจำนวนผู้ใช้หรือจำนวนเงินดอลลาร์ ดังนั้นกระบวนการทางคณิตศาสตร์จะทำงานเหมือนกันทุกประการ ซึ่งวิธีนี้จะให้ผลลัพธ์เป็น อัตราการรักษาเนื้อรายได้รวม (Gross Revenue Retention - GRR) สำหรับอัตราการรักษาเนื้อรายได้สุทธิ (Net Revenue Retention - NRR) ที่รวมการขยายรายได้ (Expansion) คุณจะต้องเพิ่มรายได้ส่วนขยายเข้าไปในตัวเศษด้วย ซึ่งเครื่องคำนวณนี้ไม่ได้คำนวณส่วนนั้นโดยตรง

ฉันจำเป็นต้องมีสมาชิกกลุ่มประชากรจำนวนเท่าใดเพื่อให้ตัวเลขมีความหมายและเชื่อถือได้?

ตามหลักการคร่าว ๆ กลุ่มผู้ใช้ที่มีขนาดต่ำกว่า 500 รายมักจะให้เส้นโค้งการรักษาผู้ใช้ที่มีสัญญาณรบกวนมากในระยะยาว และการกลับมาใช้งานใหม่ของผู้ใช้เพียงไม่กี่รายก็สามารถทำให้เส้นโค้งเปลี่ยนแปลงไปในระดับที่สังเกตได้ เพื่อความเที่ยงตรงทางสถิติ คุณควรเปิดรับช่วงเวลาการได้มาซึ่งผู้ใช้ที่อยู่ติดกันให้กว้างขึ้น (เช่น รวมยอดผู้ใช้ใหม่จากหลาย ๆ สัปดาห์เข้าเป็นกลุ่มผู้ใช้เดียว) หรือให้มองจุดตรวจการรักษาผู้ใช้แต่ละจุดในลักษณะช่วงความเชื่อมั่น แทนที่จะมองเป็นตัวเลขเดี่ยวเด็ดขาด