محلل احتفاظ المجموعات: اكتشف أين يتسرب المستخدمون ولماذا
Why this prompt matters
Diagnosing a retention dip the ad-hoc way — pulling SQL, building a slide, guessing at causes in a meeting — typically takes a product team 2-3 weeks. By the time the root cause surfaces, the cohort that triggered the alarm has often already fully churned, and the next 2-3 cohorts have gone through the same broken experience unnoticed. A structured retention prompt compresses that diagnostic cycle from weeks to minutes, catching a broken onboarding flow or a bad acquisition channel before it silently degrades the next several thousand signups.
What we use it for
You're a growth PM at a 40-person B2B SaaS company. In Monday's leadership meeting, your CEO asks why the April cohort of new signups is retaining 12 percentage points worse than March's cohort at the Week 4 mark, and you have 20 minutes before your next meeting to come back with an answer that isn't 'we're not sure yet.'
Prompt
Act as a senior product analytics consultant who specializes in retention and cohort analysis for SaaS and consumer products. CONTEXT: [PASTE YOUR COHORT RETENTION DATA HERE — a table of cohort start month/week vs. % of users retained at Week 1, Week 4, and Week 12 or equivalent intervals] Product name: [YOUR PRODUCT NAME] Target user segment: [E.G., SMB FINANCE TEAMS, INDIVIDUAL DEVELOPERS, ENTERPRISE IT ADMINS] Known changes during this period: [LIST ANY PRODUCT CHANGES, ONBOARDING REDESIGNS, PRICING CHANGES, OR MARKETING CAMPAIGNS THAT OVERLAP WITH THE COHORT WINDOWS] TASK: Analyze the retention curves across cohorts to identify: 1. Which cohorts retain significantly better or worse than the others, and by how many percentage points 2. The specific week or month where drop-off accelerates most sharply across cohorts 3. Plausible causes tied to the product changes, onboarding friction, seasonality, or marketing source quality provided above 4. A ranked list of hypotheses for the single biggest retention risk, each with a confidence level and a concrete way to validate it CONSTRAINTS: - Do not just describe the data back to me — provide causal hypotheses grounded specifically in the product changes and context I gave you - Rank hypotheses by likely business impact, not alphabetically or by how confident you are - Flag any data quality issues you notice (e.g., sample size too small to trust, non-monotonic retention that suggests a tracking bug, or missing cohorts) - Limit the ranked hypotheses list to a maximum of 5 — do not pad with low-confidence guesses just to fill space - If the data doesn't support a strong conclusion, say so explicitly rather than forcing a narrative OUTPUT FORMAT: 1. Headline Finding — one to two sentences stating the single most important retention insight 2. Cohort Comparison Table — cohorts ranked best-to-worst with retention % at each measured interval 3. Drop-off Point — where retention falls off most sharply, and by how many percentage points 4. Ranked Hypotheses (up to 5) — cause, confidence level (High/Medium/Low), and how to validate it 5. Recommended Next Action — the single most valuable thing to test or fix first, and why it's the highest-leverage move
Result
Headline Finding
The April cohort's Week 4 retention (58%) is 12 points below March's (70%), and nearly the entire gap opens in the first 7 days — this looks like an onboarding regression, not a slow organic decline.
Cohort Comparison Table
| Cohort | Week 1 | Week 4 | Week 12 |
|---|---|---|---|
| February | 81% | 68% | 52% |
| March | 84% | 70% | 54% |
| April | 69% | 58% | — |
April's Week 1 retention alone is 12-15 points below both prior cohorts, and that gap persists rather than narrowing by Week 4 — the damage is happening immediately after signup, not accumulating gradually.
Drop-off Point
The steepest break is Days 1-3 post-signup. February and March cohorts lose about 6-8 points of retention in this window; April loses 19 points. Every cohort loses users in the first three days — April is losing roughly three times as many.
Ranked Hypotheses
1. Onboarding flow change shipped March 28 (Confidence: High). The new 5-step guided setup replaced a 2-step quick-start exactly 3 days before the April cohort's signup window opens. Early-days drop-off cliffs immediately after an onboarding redesign are one of the most common and well-documented causes of this exact pattern. Validate by: pulling funnel completion rates for the new 5-step flow — if completion rate is below 60%, this is very likely the primary cause.
2. Paid channel mix shift (Confidence: Medium). Marketing notes indicate an increased spend shift toward a new paid social channel starting April 2. Lower-intent traffic from a new acquisition channel commonly produces exactly this kind of front-loaded drop-off. Validate by: segmenting April's Week 1 retention by acquisition source — if the new channel's cohort retains dramatically worse than organic/existing channels, this compounds with hypothesis 1 rather than replacing it.
3. Pricing page A/B test bleed-through (Confidence: Low). A pricing experiment launched April 10 for a different user segment; possible but unlikely cross-contamination into this cohort given the targeting rules described. Validate by: confirming experiment targeting logs excluded new signups during this window.
Data Quality Note
April's Week 12 figure is missing because the cohort hasn't reached that age yet — do not treat this as a data gap requiring investigation.
Recommended Next Action
Pull the new 5-step onboarding funnel's step-by-step completion data before your next meeting. If there's a specific step with an unusually high abandonment rate, you'll likely have a concrete, fixable culprit — not just a correlation — within the hour.
لوحات الاحتفاظ موجودة في كل مكان ضمن أدوات تحليلات المنتج، لكن اللوحة تُظهر لك فقط أن رقمًا قد تحرك — ولا تخبرك أبدًا لماذا. ترد معظم الفرق على منحنى احتفاظ سيئ بسحب البيانات إلى جدول بيانات، والتحديق فيها، والتكهن بصوت عالٍ في اجتماع. هذه العملية بطيئة، وغير منظمة، ومنحازة بشدة تجاه أي نظرية يفضلها أولاً الشخص الأكبر منصبًا في الغرفة.
صُمم هذا الـ Prompt ليحل محل تمرين التخمين هذا بتحليل سببي منظم، باستخدام خطوات الاستدلال نفسها التي يستخدمها محلل النمو المتمرس — ولكن مضغوطة في طلب واحد.
لماذا صُمم الـ Prompt بهذه الطريقة
تعليمات الدور (Role) — "مستشار أول في تحليلات المنتج" — أهم مما تبدو عليه. بدونها، تميل النماذج العامة إلى وصف البيانات ("المجموعة A احتفظت بالمستخدمين أفضل من المجموعة B") بدلاً من تشخيصها. تأطير النموذج كمستشاريجب أن يبرر التوصيات لعميل يدفعه نحو الاستدلال السببي بدلاً من إعادة ذكر الأرقام التي لديك بالفعل أمامك.
يقسم السياق (Context) عن قصد يطلب أكثر من مجرد أرقام الاحتفاظ. إدراج التغييرات المعروفة في المنتج، وإعادة تصميم عملية الإعداد، والحملات التسويقية خلال الفترة نفسها هو ما يحوّل هذا من تمرين لوصف البيانات إلى تشخيص فعلي — لا يمكن للنموذج اقتراح فرضيات مدعومة إلا إذا كان لديه ما يدعمها به. إن تغذية Prompt بأرقام فقط ستنتج تفسيرات عامة ("قد يفقد المستخدمون اهتمامهم") وهي صحيحة لكل منتج SaaS وغير مجدية لاتخاذ إجراء.
قسم القيود (Constraints) يؤدي ثلاث مهام محددة. أولاً، يُجبر على الترتيب حسب التأثير التجاري بدلاً من الترتيب الأبجدي أو حسب الثقة، وهو أمر مهم لأن الفرضية الأعلى ثقة ليست دائمًا الأعلى تأثيرًا لإصلاحها. ثانيًا، يحد قائمة الفرضيات بخمسة — بدون ذلك، تميل النماذج إلى الإفراط في توليد تخمينات منخفضة القيمة لتبدو شاملة، مما يدفن الفكرة أو الفكرتين الجديرتين بالتنفيذ. ثالثًا، تعليمات صريحة بتحديد مشكلات جودة البيانات تلتقط نمط فشل خاص ببيانات الاحتفاظ: المنحنيات غير الرتيبة (حيث يكون احتفاظ الأسبوع 4 أعلى من الأسبوع 1، وهو مستحيل رياضيًا لمنحنى احتفاظ سليم) تشير دائمًا إلى خطأ تتبع بدلاً من نمط سلوكي حقيقي، والمحلل الذي لا يتحقق من هذا سيبني سردًا كاملاً على بيانات معطلة.
كيف يبدو الناتج الجيد
تشغيل مفيد لهذا الـ Prompt يجب أن ينتج شيئًا يمكنك لصقه مباشرةً في رسالة Slack قبل اجتماع قيادي: نتيجة رئيسية واحدة معروضة كادعاء (وليس وصفًا)، وجدول مقارنة صغير، والنقطة المحددة التي ينكسر عندها المنحنى، والأهم من ذلك — إجراء تالي بدلاً من مجرد تحليل إضافي. إذا كان ناتج النموذج يبدو كنسخة أطول من بيانات الإدخال، فقد فشل الـ Prompt ويحتاج على الأرجح إلى قيد أقوى حول تجنب إعادة الصياغة.
أين يمتد هذا النمط إلى ما بعد الاحتفاظ
هيكل الدور (Role) نفسه + السياق (Context) المدعوم + قائمة الفرضيات المرتبة (Constraints) يعمل لأي مشكلة "لماذا تحرك هذا المؤشر" — ارتفاعات التسرب، انخفاضات معدل التحويل، زيادات حجم تذاكر الدعم. تتغير الحقول المحددة، لكن الشكل — فرض الاستدلال السببي، وتثبيته في أحداث معروفة، وتحديد عدد الفرضيات، وتحديد مشكلات البيانات — قابل لإعادة الاستخدام كلما سلمت نموذجًا سلسلة زمنية وسألته "لماذا".