L'analyseur de rétention par cohorte : Trouvez où les utilisateurs décrochent et pourquoi
Pourquoi ce prompt est important
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.
À quoi nous l'utilisons
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
Résultat
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.
Les tableaux de bord de rétention sont omniprésents dans les outils d'analytique produit, mais un tableau de bord vous montre seulement qu'un chiffre a bougé — il ne vous dit jamais pourquoi. La plupart des équipes réagissent à une mauvaise courbe de rétention en extrayant les données dans un tableur, en les fixant, et en spéculant à voix haute en réunion. Ce processus est lent, non structuré, et fortement biaisé en faveur de la théorie que la personne la plus senior dans la pièce a tendance à favoriser en premier.
Ce prompt est conçu pour remplacer cet exercice de devinette par une analyse causale structurée, en utilisant les mêmes étapes de raisonnement qu'un analyste de croissance expérimenté suivrait — mais compressées en une seule requête.
Pourquoi le prompt est construit ainsi
L'instruction de Rôle — « senior product analytics consultant » — est plus importante qu'il n'y paraît. Sans cela, les modèles généralistes ont tendance à se contenter de décrire les données (« La cohorte A a mieux retenu que la cohorte B ») plutôt que de les diagnostiquer. Cadrer le modèle comme un consultant qui doit justifier des recommandations à un client le pousse vers un raisonnement causal plutôt que de répéter des chiffres que vous avez déjà sous les yeux.
La section Contexte demande délibérément plus que les simples chiffres de rétention. Inclure les changements produits connus, les refontes d'onboarding et les campagnes marketing durant la même fenêtre est ce qui transforme cet exercice de description de données en un véritable diagnostic — le modèle ne peut proposer des hypothèses fondées que s'il a quelque chose sur quoi les fonder. Un prompt de rétention alimenté uniquement par des chiffres produira des explications génériques (« les utilisateurs perdent peut-être de l'intérêt ») qui sont vraies pour chaque produit SaaS et inutiles pour passer à l'action.
Le bloc Contraintes remplit trois tâches spécifiques. Premièrement, il force un classement par impact business plutôt que par ordre alphabétique ou de confiance, ce qui est important car l'hypothèse la plus fiable n'est pas toujours celle à corriger qui a le plus d'impact. Deuxièmement, il limite la liste d'hypothèses à cinq — sans cela, les modèles ont tendance à générer trop de suppositions de faible valeur pour paraître complets, ce qui enterre la ou les deux idées qui méritent vraiment d'être mises en œuvre. Troisièmement, l'instruction explicite de signaler les problèmes de qualité des données capture un mode de défaillance spécifique aux données de rétention : les courbes non-monotones (où la rétention de la semaine 4 est plus élevée que celle de la semaine 1, ce qui est mathématiquement impossible pour une courbe de rétention correcte) indiquent presque toujours un bug de suivi plutôt qu'un véritable comportement, et un analyste qui ne vérifie pas cela construira tout un récit sur des données erronées.
À quoi ressemble un bon résultat
Une exécution utile de ce prompt devrait produire quelque chose que vous pourriez coller directement dans un message Slack avant une réunion de direction : un constat principal formulé comme une affirmation (pas une description), un petit tableau comparatif, le point spécifique où la courbe se brise, et — de manière cruciale — une action suivante plutôt que simplement plus d'analyse. Si la sortie du modèle ressemble à une version plus longue des données d'entrée, le prompt a échoué et a probablement besoin d'une contrainte plus forte pour éviter la répétition.
Où ce modèle s'étend au-delà de la rétention
La même structure Rôle + Contexte ancré + Contraintes d'hypothèses classées fonctionne pour tout problème du type « pourquoi cette métrique a-t-elle bougé » — pics de churn, baisses du taux de conversion, hausses du volume de tickets de support. Les champs spécifiques changent, mais la forme — forcer le raisonnement causal, l'ancrer dans des événements connus, limiter le nombre d'hypothèses, signaler la qualité des données — est réutilisable chaque fois que vous donnez une série temporelle à un modèle et demandez « pourquoi ».