Nel libro Growth Engineering la crescita è un lavoro di sistema, che mette insieme prodotto, dati, codice, esperimenti e responsabilità operativa. Qui riprendo quella visione senza ridurla a teoria astratta. La retention è la prova che il valore promesso da un prodotto sopravvive oltre il primo entusiasmo.
Le metriche di lancio premiano la curiosità e la novità. Ma un prodotto cresce davvero solo quando le persone tornano.
La tesi
L’acquisizione è il primo appuntamento. La retention è capire se da quell’appuntamento nasce una relazione. Il punto non è aggiungere un altro tool al marketing o l’ennesima dashboard al prodotto, ma costruire un meccanismo che renda più veloce il passaggio dal segnale alla decisione. Un buon sistema di growth non promette certezze, riduce il costo dell’incertezza.
Nel lavoro di tutti i giorni questo cambia anche il modo di scrivere codice. Una modifica non è completa quando passa in produzione, ma quando puoi osservarla, confrontarla con un’ipotesi e usarla per scegliere: rilasciare, iterare, fermare o approfondire.
Schema operativo
- Coorte di ingresso
- Evento di ritorno
- Frequenza attesa
- Segmenti
- Interventi ricevuti
- Confronto con baseline
Lo schema è volutamente semplice. La complessità arriva dopo, quando crescono traffico, segmenti, canali e automazioni. Se il flusso base non si tiene in cinque o sei passaggi chiari, probabilmente il team sta automatizzando un processo che non ha ancora capito.
Esempio pratico
Un nuovo agente AI può far salire l’uso nella prima settimana. Ma se la qualità non regge, la coorte torna ai vecchi comportamenti dopo un mese. La parte che conta non è il singolo intervento, è il collegamento tra intervento e apprendimento. Se il risultato migliora, il team sa cosa scalare. Se non migliora, sa quale convinzione correggere. In entrambi i casi il sistema diventa più intelligente.
Metriche da guardare
- Retention a 7 e 30 giorni
- Account che ritornano
- Frequenza di utilizzo
- Curva di sopravvivenza
Queste metriche non servono come decorazione. Devono entrare in una scorecard breve, letta con regolarità, con una decisione associata a ciascuna. Se una metrica non guida nessuna scelta, è solo una metrica di conforto.
Errore tipico da evitare
Definire “ritorno” come una qualsiasi visita. Serve un comportamento che rappresenti valore reale. L’errore è comune perché sembra produttivo: genera attività, riunioni, grafici e spesso entusiasmo. Ma il growth engineering non misura il valore dal numero di cose fatte, bensì dalla qualità del ciclo di apprendimento che resta.
Checklist per il team
- Quale decisione deve diventare più chiara?
- Quale evento o fonte dati rende osservabile il comportamento?
- Quale rischio non vogliamo peggiorare mentre ottimizziamo?
- Chi può cambiare davvero il processo dopo aver letto il risultato?
Se almeno una risposta resta vaga, conviene fermarsi prima di implementare. La vera velocità non è partire subito, è non dover rifare il lavoro perché ipotesi, dati o criteri erano confusi.
Lettura pratica
In un mondo guidato dall’AI il growth debole diventerà ancora più rumoroso. Generare idee, testi, segmenti e automazioni sarà facile. Costruire sistemi che separano il segnale dal rumore resterà molto più raro.
Per questo il growth engineer del prossimo ciclo non sarà solo una figura tecnica. Sarà qualcuno capace di progettare prove, mettere limiti, raccogliere feedback e tenere memoria operativa. Chi sa farlo non insegue l’AI, la integra in un processo che può controllare.
Cosa fare adesso
Scegli un evento di retention che un utente soddisfatto farebbe in modo naturale, non uno facile da generare. Portare questa domanda nella prossima review è già un piccolo atto di growth engineering: sposta la conversazione dalle opinioni generiche a un sistema che può imparare.