¿Cómo calcula la rotación mensual de una aplicación gratuita para iPhone?

Veo algunas buenas respuestas para calcular el abandono. También quiero agregar mis dos centavos sobre el tema del abandono y la predicción (no solo el cálculo).

Churn, en pocas palabras, está perdiendo usuarios. Ahora, perder usuarios es un término amplio; En el mejor de los casos, el usuario “perdido” conserva su aplicación y no desactiva la recepción de notificaciones push de usted, y en el peor de los casos, el usuario “perdido” borrará su aplicación.

Mientras la aplicación esté en el teléfono del usuario y aún pueda contactarlos a través de notificaciones push o tenga su dirección de correo electrónico, técnicamente aún existe la posibilidad de recuperarlos. Sin embargo, enviar el mensaje equivocado en el momento equivocado podría ser la gota que colmó el vaso y perderá al cliente o la oportunidad de contactarlo para siempre.

Para predecir el abandono, o la probabilidad de que un cliente sea un goner, los gerentes usan reglas generales. Por ejemplo, dicen que si han pasado 10 días desde la última vez que el usuario usó la aplicación, están destituidos.

Esta heurística de gestión no es necesariamente incorrecta, pero, como puede imaginar, es muy simplista y no tiene en cuenta factores importantes como la intensidad de uso normal del usuario o la etapa del ciclo de vida del cliente.

Con el uso de modelos de marketing estocásticos o aprendizaje automático, puede tener en cuenta las características del usuario y predecir en cada momento quién está en riesgo de abandono. La intuición detrás de los modelos de marketing es bastante sencilla, simplemente calculan la probabilidad de que el usuario esté activo dado el patrón promedio de uso (en términos de frecuencia e intensidad) para todos los usuarios de la aplicación y para ese usuario en particular.

Existen algoritmos de aprendizaje automático que pueden usarse para construir un modelo de comportamiento del usuario (entrenado) que luego podrían usarse para predecir la probabilidad de un usuario específico de estar activo. Esencialmente, lo que hacen estos algoritmos es tratar de descubrir un patrón entre la información dada (propiedades y actividades del usuario) y la información requerida (la probabilidad de abandono).

Aquí hay un buen documento sobre cómo construir un modelo de predicción de abandono. Por lo general, lleva mucho tiempo diseñar y ajustar un modelo para lograr un nivel de precisión aceptable. Es mejor usar modelos prefabricados / capacitados de servicios que funcionan en su dominio particular, ya que generalmente superan lo que podrá construir usted mismo.

En DataEagle nos hemos centrado en usar notificaciones push para volver a involucrar a los usuarios de la aplicación. Segmentamos a los clientes y encontramos el mejor tiempo de contacto para cada segmento de modo que se minimice la pérdida de usuarios.