Retention Rate ในแอปมือถือ: คืออะไร ประเภทของการคงผู้ใช้ และวิธีการคำนวณ

Retention Rate ในแอปมือถือคืออะไร?

Retention Rate (RR) คือตัวชี้วัดที่แสดงว่าเปอร์เซ็นต์ของผู้ใช้ที่กลับมาใช้แอปภายในเวลาที่กำหนดหลังจากการเยี่ยมชมครั้งแรก ซึ่งแตกต่างจาก MAU หรือ DAU ที่วัดจำนวนสัมบูรณ์ของผู้ใช้ที่ใช้งานอยู่ Retention Rate จะวัด คุณภาพของผู้ชม: ผลิตภัณฑ์สามารถคงผู้ใช้ไว้ได้ดีเพียงใดเมื่อเวลาผ่านไป Retention Rate ที่สูงเป็นตัวบ่งชี้ถึงความเหมาะสมระหว่างผลิตภัณฑ์กับตลาด (product-market fit) และเป็นกุญแจสำคัญสู่การเติบโตอย่างยั่งยืน

ทำไม Retention Rate ถึงสำคัญกว่าการติดตั้ง

สตาร์ทอัพจำนวนมาก มุ่งเน้นไปที่การเพิ่มการติดตั้งโดยมองข้ามการคงผู้ใช้ ผลลัพธ์: การดาวน์โหลดจำนวนมาก กิจกรรมเป็นศูนย์ Retention Rate แสดงให้เห็นถึงคุณค่าที่แท้จริงของผลิตภัณฑ์ต่อผู้ใช้ หากหลังจากสัปดาห์แรกเหลือผู้ใช้น้อยกว่า 10% แสดงว่าผลิตภัณฑ์ไม่ได้แก้ปัญหาของกลุ่มเป้าหมาย ตามข้อมูลของ Andrew Chen (อดีตหุ้นส่วนของ a16z) สตาร์ทอัพที่มี Day 7 retention > 30% มีโอกาสประสบความสำเร็จในรอบ Series A มากกว่า 3 เท่า

Retention Rate และ Lifetime Value

LTV (Lifetime Value) ขึ้นอยู่กับ Retention Rate โดยตรง ยิ่งผู้ใช้อยู่ในผลิตภัณฑ์นานเท่าใด พวกเขาก็ยิ่งจ่ายเงินหรือสร้างรายได้จากโฆษณามากขึ้นเท่านั้น สูตร: LTV = ARPU * อายุการใช้งานเฉลี่ย การเพิ่มอายุการใช้งานเฉลี่ยผ่านการปรับปรุงการคงผู้ใช้เป็นวิธีที่มีประสิทธิภาพที่สุดในการเพิ่ม LTV โดยไม่ต้องเพิ่ม CAC ตามข้อมูลของ Localytics การเพิ่มการคงผู้ใช้ขึ้น 5% จะเพิ่ม LTV ในเกมมือถือ 30-50% และในอีคอมเมิร์ซ 25-40%

ประเภทของ Retention Rate: Day 1, Day 7, Day 30

จุดเวลา หลักสามจุดสำหรับการวัดการคงผู้ใช้ได้กลายเป็นมาตรฐานอุตสาหกรรม: Day 1, Day 7 และ Day 30 แต่ละจุดตอบคำถามที่แตกต่างกันเกี่ยวกับพฤติกรรมผู้ใช้และชี้ไปที่แง่มุมต่างๆ ของผลิตภัณฑ์ที่ต้องการความสนใจจากทีม นอกจากนี้ ยังมีการคงผู้ใช้แบบไม่จำกัด (Unbounded Retention) — การกลับมาในวันใดก็ได้หลังจาก N ไม่จำเป็นต้องเป็นวันที่ N พอดี

Day 1 Retention: ความประทับใจแรก

Day 1 retention — ผู้ใช้กลับมาในวันถัดจากการติดตั้งหรือไม่ นี่เป็นตัวชี้วัดที่สำคัญที่สุด: หากแอปไม่ดึงดูดผู้ใช้ในวันแรก โอกาสที่พวกเขาจะกลับมาจะลดลงอย่างรวดเร็ว เกณฑ์ปกติ สำหรับแอปมือถือคือ 25-40% ค่าที่ต่ำกว่า 20% บ่งชี้ถึงปัญหากับการเริ่มต้นใช้งาน การโหลดช้า หรือความไม่สอดคล้องกับความคาดหวังที่เกิดจากโฆษณา 24 ชั่วโมงแรกเป็นหน้าต่างแห่งโอกาสสำหรับการสร้างนิสัย

Day 7 Retention: การสร้างนิสัย

Day 7 retention แสดงให้เห็นว่าผลิตภัณฑ์ได้กลายเป็นส่วนหนึ่งของกิจวัตรประจำสัปดาห์ของผู้ใช้หรือไม่ หากผู้ใช้กลับมาหลังจากหนึ่งสัปดาห์ แสดงว่าผลิตภัณฑ์กำลังกลายเป็นส่วนหนึ่งของพฤติกรรมประจำของพวกเขา ค่ามัธยฐาน ของ Day 7 retention คือ 15-25% สำหรับโซเชียลมีเดีย และ 10-15% สำหรับอีคอมเมิร์ซ Day 7 คือจุดที่การคงผู้ใช้เริ่มคงที่ การลดลงของ Day 7 เมื่อเทียบกับ Day 1 บ่งชี้ถึงตะขอสร้างนิสัยที่อ่อนแอซึ่งไม่จูงใจให้ผู้ใช้กลับมา

Day 30 Retention: มูลค่าระยะยาว

Day 30 retention เป็นตัวบ่งชี้มูลค่าระยะยาวของผลิตภัณฑ์ ค่ามัธยฐานคือ 5-15% ขึ้นอยู่กับประเภท หาก Day 30 retention สูงกว่า 20% ผลิตภัณฑ์แสดงให้เห็นถึงการคงผู้ใช้ที่ยอดเยี่ยม Day 30 มีความสำคัญสำหรับการคำนวณ LTV: ผู้ใช้ที่รอดชีวิตจนถึงวันที่ 30 มีแนวโน้มสูงที่จะอยู่ต่อ 90+ วัน ตัวชี้วัดนี้เป็นพื้นฐานสำหรับการพยากรณ์รายได้และการวางแผนงบประมาณการได้มาซึ่งผู้ใช้

Retention Rate คำนวณอย่างไร?

การคำนวณ Retention Rate ทำได้สองวิธีหลัก: ตารางกลุ่มผู้ใช้แบบคลาสสิกและวิธี bucket (การกลับมาแบบไม่ต่อเนื่อง) การเลือกวิธีขึ้นอยู่กับตรรกะทางธุรกิจของผลิตภัณฑ์ กลุ่มผู้ใช้แบบคลาสสิก ตอบคำถาม “มีผู้ใช้กี่คนที่กลับมาในวันที่ N พอดี” ในขณะที่วิธี bucket ตอบ “มีผู้ใช้กี่คนที่กลับมาในวันใดก็ได้หลังจาก N” สำหรับทีมผลิตภัณฑ์ส่วนใหญ่ ทั้งสองวิธีให้ภาพที่คล้ายคลึงกัน แต่วิธี bucket ถือว่าให้อภัยมากกว่า

การวิเคราะห์กลุ่มผู้ใช้: แนวทางคลาสสิก

รวบรวมผู้ใช้ใหม่ทั้งหมดในช่วงเวลาที่กำหนด (เช่น หนึ่งสัปดาห์) — นี่คือกลุ่มผู้ใช้ของคุณ จากนั้นในแต่ละวันหลังจากการติดตั้ง ให้นับว่ามีผู้ใช้กี่คนจากกลุ่มนี้ที่ดำเนินการตามเป้าหมาย ตัวอย่าง: จากการติดตั้ง 1,000 ครั้งในวันที่ 26 มกราคม มี 250 คนกลับมาในวันที่ 27 มกราคม — Day 1 retention = 25% ตารางกลุ่มผู้ใช้ช่วยให้คุณเห็นพลวัตของการคงผู้ใช้ตามสัปดาห์ที่เปิดตัว และระบุผลกระทบจากการเปลี่ยนแปลงผลิตภัณฑ์

วิธี bucket (การกลับมาแบบไม่ต่อเนื่อง)

Bucket retention ถือว่าผู้ใช้ “ถูกคงไว้” หากพวกเขากลับมาในวันใดก็ได้หลังจากเกณฑ์ที่กำหนด ตัวอย่างเช่น bucket Day 7: ผู้ใช้กลับมาในช่วงวันที่ 7-13 หลังการติดตั้งหรือไม่? วิธีนี้ให้ค่าที่สูงกว่าแนวทางคลาสสิก และเหมาะสมกว่าสำหรับแอปที่มีรูปแบบการใช้งานไม่สม่ำเสมอ แพลตฟอร์ม การวิเคราะห์ส่วนใหญ่ (Amplitude, Mixpanel) ใช้วิธี bucket เป็นค่าเริ่มต้น

-- การรักษาผู้ใช้แบบโคฮอร์ตคลาสสิก Day 1
WITH first_visit AS (
    SELECT user_id, MIN(event_date) AS first_day
    FROM user_events
    GROUP BY user_id
)
SELECT
    COUNT(DISTINCT fv.user_id) AS cohort_size,
    COUNT(DISTINCT e.user_id) AS returned_day1,
    ROUND(COUNT(DISTINCT e.user_id) * 100.0 / COUNT(DISTINCT fv.user_id), 1) AS retention_day1
FROM first_visit fv
LEFT JOIN user_events e
    ON fv.user_id = e.user_id
    AND e.event_date = fv.first_day + INTERVAL '1 day'
WHERE fv.first_day >= CURRENT_DATE - INTERVAL '30 days';

ข้อผิดพลาดทั่วไปในการคำนวณ Retention Rate

ข้อผิดพลาดแรก คือการคำนวณการคงผู้ใช้จากวันที่ติดตั้งแทนที่จะเป็นวันที่ทำกิจกรรมครั้งแรก หากผู้ใช้ติดตั้งแอปแต่เปิดใช้เพียง 3 วันต่อมา Day 1 retention จะไม่ถูกต้อง ข้อผิดพลาดที่สอง คือไม่นับการถอนการติดตั้ง: ผู้ใช้ที่ลบแอปแล้วไม่สามารถกลับมาได้ แต่ควรอยู่ในตัวส่วน ข้อผิดพลาดที่สามคือการผสมกลุ่มผู้ใช้ที่มีช่วงเวลาต่างกัน: การเปรียบเทียบการคงผู้ใช้ของเดือนมกราคมและกุมภาพันธ์นั้นใช้ได้เฉพาะกับวิธีการที่เหมือนกันเท่านั้น

import pandas as pd

def cohort_retention(df):
    # กำหนดวันแรกสำหรับผู้ใช้แต่ละคน
    first = df.groupby('user_id')['event_date'].min().reset_index()
    first.columns = ['user_id', 'first_day']
    # เชื่อมต่อและคำนวณความแตกต่างของวัน
    merged = df.merge(first, on='user_id')
    merged['day'] = (merged['event_date'] - merged['first_day']).dt.days
    # ตารางสรุปการคงผู้ใช้
    cohort = merged.groupby(['first_day', 'day'])['user_id'].nunique()
    cohort = cohort.unstack(level='day')
    return cohort.div(cohort[0], axis=0)

เกณฑ์มาตรฐานของ Retention Rate ตามประเภท

เกณฑ์มาตรฐาน ของ Retention Rate แตกต่างกันไปตามประเภทของแอป ขึ้นอยู่กับความถี่ในการใช้งานและวงจรการมีส่วนร่วม แอปโซเชียลมีเดีย มีอัตราการคงผู้ใช้สูงที่สุดเนื่องจากรูปแบบการใช้งานประจำวัน แอปประเภทเครื่องมือ (เครื่องคิดเลข ไฟฉาย) มีอัตราต่ำที่สุด: ผู้ใช้แก้ไขงานและไม่กลับมาอีก

เกณฑ์มาตรฐานของ Retention Rate ตามประเภท

ตาม รายงาน Statista Mobile Benchmarks 2025 ค่ามัธยฐานของ Day 1 retention: โซเชียลมีเดีย — 42%, เกม — 30%, ฟินเทค — 28%, อีคอมเมิร์ซ — 22%, สุขภาพและการออกกำลังกาย — 20% Day 7 retention: โซเชียลมีเดีย — 25%, เกม — 15%, ฟินเทค — 18%, อีคอมเมิร์ซ — 10%, สุขภาพและการออกกำลังกาย — 12% Day 30 retention: โซเชียลมีเดีย — 15%, เกม — 5%, ฟินเทค — 10%, อีคอมเมิร์ซ — 5%, สุขภาพและการออกกำลังกาย — 7%

ปัจจัยที่ส่งผลต่อ Retention Rate

คุณภาพของการเริ่มต้นใช้งาน เป็นปัจจัยแรกและสำคัญที่สุด ผู้ใช้ต้องเข้าใจคุณค่าของผลิตภัณฑ์ภายใน 3-5 นาทีแรก การแจ้งเตือนแบบ Push เป็นปัจจัยที่สอง: การแจ้งเตือนที่ออกแบบอย่างดีจะเพิ่ม Day 7 retention 15-30% ปัจจัยที่สามคือ ประสิทธิภาพ: แอปที่โหลดนานกว่า 3 วินาทีจะสูญเสียผู้ใช้ 30% ตั้งแต่ Day 1 ปัจจัยที่สี่คือความสอดคล้องกับความคาดหวังที่เกิดจากโฆษณาหรือร้านค้าแอป

วิธีปรับปรุง Retention Rate ในแอปมือถือ

การปรับปรุง Retention Rate คือความพยายามอย่างเป็นระบบที่ต้องการการเปลี่ยนแปลงในผลิตภัณฑ์ การเริ่มต้นใช้งาน และการสื่อสารกับผู้ใช้ มาสำรวจ กลยุทธ์ที่พิสูจน์แล้วซึ่งช่วยให้ทีมมือถือเพิ่มการคงผู้ใช้ในทุกขั้นตอนของวงจรชีวิต

การปรับปรุงการเริ่มต้นใช้งาน: 3 นาทีแรก

การเริ่มต้นใช้งาน ควรแสดงคุณค่าของผลิตภัณฑ์ ไม่ใช่รายการคุณสมบัติ งานวิจัยแสดงให้เห็นว่าผู้ใช้จะผ่านหน้าจอการเริ่มต้นใช้งานไม่เกิน 3-4 หน้าจอ แนวทางปฏิบัติที่ดีที่สุด คือการเริ่มต้นใช้งานแบบโต้ตอบ: ให้ผู้ใช้ดำเนินการหลักทันที (เช่น สร้างโปรเจกต์แรก) แอปที่มีการเริ่มต้นใช้งานแบบโต้ตอบจะมี Day 1 retention สูงกว่า 20-30% เมื่อเทียบกับแอปที่มีหน้าจอคำแนะนำแบบ Passive

การปรับเปลี่ยนในแบบเฉพาะบุคคลและคำแนะนำ

การปรับเปลี่ยนเนื้อหา ในแบบเฉพาะบุคคลตามพฤติกรรมผู้ใช้เป็นหนึ่งในวิธีที่มีประสิทธิภาพที่สุดในการเพิ่มการคงผู้ใช้ Netflix, Spotify และ TikTok สร้างผลิตภัณฑ์ของพวกเขาบนการปรับเปลี่ยนในแบบเฉพาะบุคคล สำหรับแอปมือถือ สิ่งนี้อาจหมายถึง: คำแนะนำผลิตภัณฑ์ตามการดู ฟีดเนื้อหาที่ปรับเปลี่ยนในแบบเฉพาะบุคคล หรือการเลือกคุณสมบัติตามการกระทำของผู้ใช้ การปรับเปลี่ยนในแบบเฉพาะบุคคลจะเพิ่ม Day 7 retention โดยเฉลี่ย 15-25%

กลไกการมีส่วนร่วมแบบก้าวหน้า

สตรีค (Streaks) ระบบตรา และแถบความคืบหน้าสร้างนิสัยในการกลับมา Duolingo ใช้สตรีคเป็นตัวขับเคลื่อนหลักของการคงผู้ใช้: ผู้ใช้ไม่ต้องการเสียสตรีคหลายวันของพวกเขา สำคัญ: กลไกควรเชื่อมโยงกับวงจรหลักของแอป ไม่ใช่สิ่งประดิษฐ์ สำหรับแอปฟิตเนส สตรีคทำงานได้ดีมาก สำหรับแอปธนาคาร อาจดูรบกวน

-- ผู้ใช้ที่มี retention Day 7 สูงกว่าค่ามัธยฐานตามหมวดหมู่
WITH user_retention AS (
    SELECT user_id,
        ROUND(COUNT(DISTINCT CASE
            WHEN event_date >= first_day + 7
            AND event_date < first_day + 14
            THEN 1 END) * 100.0 / 1, 1) AS retention_day7
    FROM user_events
    GROUP BY user_id
)
SELECT COUNT(*) AS high_retention_users
FROM user_retention
WHERE retention_day7 > 30;