Retention and cohort analysis in product

Acquisire utenti è solo il primo passo. La sfida vera è farli tornare perché trovano valore nel prodotto. La retention e l’analisi di coorte servono a leggere ritorno, frequenza e valore degli utenti nel tempo, senza farsi distrarre dalla crescita in ingresso che spesso nasconde più di quanto riveli.

Il problema da risolvere

Il problema, nel product analytics, è capire dove il prodotto crea valore reale e dove invece genera solo attività apparente. Senza questa distinzione si finisce per decidere su segnali fuorvianti. La retention non è una metrica unica e immutabile: cambia per coorte, segmento, caso d’uso e fase del ciclo di vita dell’utente. Il lavoro consiste nel trasformare dati grezzi in indicazioni che guidano scelte operative precise.

Il modello concettuale

Phase	What to clarify	Output
Question	Which real choice needs improvement?	Decision to make
Measure	Which observable signal represents the problem?	Metric or source data
Control	Which baseline makes the result interpretable?	Credible comparison
Action	What changes after the analysis?	Next operational step

Lo schema serve a tenere il focus. Ogni analisi deve rafforzare almeno uno di questi punti, altrimenti rischia di perdersi in dettagli tecnici senza scopo.

La formalizzazione

Per analizzare retention e coorti conviene definire con precisione l’unità di lavoro, il segnale che osservi e la decisione che ti aspetti di prendere. La tabella raccoglie gli elementi che vanno fissati prima di toccare i dati.

Element	Requested specification
Unit of analysis	user, cohort, product event, feature, or journey
Primary signal	activation, retention, frequenza, conversione, churn, valore per coorte
Baseline	periodo precedente, gruppo comparabile, benchmark o scenario controfattuale
Decision	diagnosi prodotto, esperimento, prioritizzazione, intervento UX
Risk	scambiare un numero disponibile per una prova sufficiente

La formalizzazione è buona quando resta trasparente e riproducibile, così un altro analista può verificare assunzioni e risultati senza dover ricostruire il tuo ragionamento da zero.

I tre modi di misurare la retention

Misurare la retention senza definire il metodo è come parlare di velocità senza specificare l’unità di misura. Ci sono tre approcci principali.

La retention a punto fisso, o Day N retention, misura se l’utente è tornato esattamente nel giorno N dopo l’iscrizione. Funziona per prodotti con cicli d’uso rigidi, ma è sensibile al rumore. La retention progressiva, o unbounded retention, verifica se l’utente è tornato almeno una volta entro il giorno N: è più stabile e si presta a comunicare la salute del prodotto a livello strategico. La retention a finestra mobile, o bounded retention, guarda l’attività in intervalli specifici come la seconda o la terza settimana, ed è la scelta giusta per prodotti con cicli regolari ma non quotidiani.

Quale usare dipende dalla domanda di business e dalla natura del prodotto, non da una presunta superiorità tecnica di una formula sull’altra.

L’anatomia di una coorte

Un’analisi di coorte raggruppa gli utenti per data di iscrizione e isola l’impatto di una modifica di prodotto o di strategia. La visualizzazione classica è una matrice triangolare in cui ogni riga è una coorte e ogni colonna un periodo trascorso dall’acquisizione.

Una query SQL che calcola la retention settimanale per coorte parte dalle tabelle di utenti ed eventi e procede per passi. Prima si definiscono le coorti settimanali in base alla data di iscrizione. Poi si associa ogni evento alla sua coorte e si calcola la settimana relativa all’attività. Quindi si conta il numero di utenti attivi per coorte e settimana. Infine si calcola la percentuale di retention rispetto alla dimensione iniziale della coorte. Il risultato è una tabella pronta da visualizzare come heatmap, che rivela dove il prodotto migliora e dove perde colpi.

La curva di retention e il sorriso di Netflix

La curva di retention tipica mostra un calo iniziale rapido seguito da una stabilizzazione: gli utenti fedeli restano costanti nel tempo. Il livello a cui si stabilizza è un indicatore diretto del product-market fit.

Alcuni prodotti mostrano però un fenomeno particolare, il sorriso della retention: dopo il calo iniziale la curva risale. Netflix è l’esempio più noto. Con il tempo l’algoritmo di raccomandazione e l’investimento personale dell’utente aumentano il valore percepito e riducono il churn anche nel lungo periodo. Questo segnala forti effetti di rete e costi di switching che non sono solo monetari, ma anche funzionali e psicologici.

Esempio: la media che inganna

Una retention aggregata può nascondere realtà opposte. Una media stabile al 40% può nascere da un segmento di power user con retention alta e in crescita affiancato a un segmento casual con retention bassa e in calo. I due si compensano e la media non dice nulla.

Segmentare per canale di acquisizione, geografia, piattaforma o comportamento iniziale fa emergere opportunità e rischi che restavano invisibili. Revolut ha usato proprio questo approccio per trasformare un prodotto percepito come monouso, il cambio valuta in viaggio, in una super-app finanziaria, aumentando la retention attraverso nuovi casi d’uso e segmenti di utenti più coinvolti.

Lab ed esercizio

Al livello base scrivi una scheda sintetica per retention e analisi di coorte: decisione da supportare, metrica primaria, baseline, rischio principale e azione da prendere se il segnale è confermato.

Al livello intermedio costruisci una tabella con tre segmenti o scenari. Per ciascuno indica cosa cambia, una spiegazione alternativa plausibile e quale controllo useresti prima di raccomandare un’azione.

Al livello research-grade prepara un decision memo con ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio dopo la decisione.

Per i dati usa eventi prodotto, funnel, sessioni, survey, CRM, ticket di supporto ed esperimenti. Se non hai dati reali, crea un dataset sintetico con almeno 200 righe, una dimensione temporale, una dimensione segmento e una metrica di outcome.

L’errore tipico da evitare

L’errore più comune è usare retention e analisi di coorte come etichetta invece che come processo. Succede quando si mostra un grafico senza una decisione collegata, una metrica senza baseline o una conclusione senza dire quale assunzione potrebbe invalidarla.

La domanda di controllo da porsi è semplice: se questo risultato fosse instabile, quale scelta sbaglierei? Se non c’è una risposta concreta, manca il collegamento tra analisi e azione.

Quiz e checkpoint

1. Quale decisione concreta dovrebbe migliorare questa analisi?
2. Which unit of analysis makes the problem measurable?
3. Which baseline would you use to avoid a naive reading?
4. Which typical mistake could change the conclusion?
5. Which output would you deliver to a non-technical stakeholder?

Summary

Retention e analisi di coorte diventano utili quando producono decisioni più chiare, non quando aggiungono terminologia. Il percorso problema, modello, formalizzazione, esempio, lab e checkpoint trasforma la lezione in una pratica verificabile. È così che la capacità di decidere sotto incertezza si rafforza: con dati, assunzioni esplicite e controlli rigorosi.