1. Retention ที่แย่ แก้ได้ยากในระดับ 'โครงสร้าง'
- “ต่อให้เพิ่มการแจ้งเตือนมากแค่ไหน ก็แก้กราฟ retention ให้ดีขึ้นไม่ได้ทันที และการทำ A/B test เพียงอย่างเดียวก็สร้าง retention ที่ดีไม่ได้”
- หาก D1 (วันแรก) retention อยู่ที่ 40% ก็อาจดันขึ้นไปถึง 50% ได้ แต่ถ้า D1 มีแค่ 10% ก็จำเป็นต้องเปลี่ยนครั้งใหญ่ระดับ 'pivot' (เปลี่ยนโครงสร้างหน้าโฮม/สลับคอนเซปต์หลักทั้งหมด)
- อย่ายึดติดกับ sunk cost ที่จ่ายไปแล้วมากเกินไป แต่ควรกล้าท้าทายด้วยการออกแบบใหม่จากรากฐานให้มากขึ้น
- “ยิ่งเป็นการเปลี่ยนแปลงที่ใหญ่และกล้าเท่าไร โอกาสสำเร็จก็ยิ่งเพิ่มขึ้น”
2. กราฟ retention ลดลง และไม่มีวันกลับขึ้นมาอีก
- กราฟ retention จะลดลงแบบเอ็กซ์โปเนนเชียลอย่างคาดเดาได้ คล้าย 'half-life' ในช่วง D1→D7→D30
- ถ้ากราฟช่วงต้นต่ำ ช่วงหลังก็จะไม่มีวันดีดกลับขึ้นมา
- ข้อยกเว้นคือบริการ 'hardcore' ขั้นสุดอย่าง online poker หรือบางกรณีที่มี network effect ขนาดใหญ่มาก จนบางส่วนของกราฟเด้งกลับได้แบบพบได้น้อยมาก
3. 'usage retention' อาจลดลง แต่ 'revenue retention' อาจเพิ่มขึ้นได้
- “เกิดปรากฏการณ์ที่ผู้ใช้ที่ยังอยู่ค่อยๆ ใช้เงินมากขึ้น จนตัวเลขกลับเพิ่มขึ้นแทน”
- ใน B2B SaaS แม้จำนวนผู้ใช้จะลดลง แต่รายได้ต่อผู้ใช้ของกลุ่มที่ยังอยู่เพิ่มขึ้นได้ ทำให้กราฟ revenue retention สูงขึ้น
- Amazon, Uber เป็นต้น ก็แสดงปรากฏการณ์เดียวกันในโครงสร้างที่ 'customer lifetime value (LTV)' เติบโตต่อเนื่อง
4. แต่ละ 'หมวดหมู่' ก็มีเพดานของ retention กำหนดไว้
- มีสินค้าจำนวนมากที่ความถี่การใช้งานถูกกำหนดโดยธรรมชาติอยู่แล้ว (เช่น โรงแรม ท่องเที่ยว การแจ้งเตือนบั๊ก ใช้ถี่มากตั้งแต่แรกไม่ได้)
- ถ้าเป็นหมวดหมู่ที่ retention สูงเป็นไปไม่ได้โดยธรรมชาติ ก็ต้องออกแบบโมเดลรายได้หรือเป้าหมายการใช้งานใหม่ตั้งแต่ต้น
- “ถ้าอยากสร้างแอปที่ retention สูงและมีความถี่การใช้งานสูงจริงๆ ก็ต้องลงแข่งในหมวดหมู่หลักที่ผู้คนใช้อยู่ทุกวันในชีวิตประจำวันอยู่แล้ว”
5. ยิ่งผู้ใช้เพิ่มขึ้น average retention ยิ่งแย่ลง
- โดยปกติแล้ว 'ผู้ใช้ที่มีมูลค่าสูงที่สุด' จะเข้ามาตั้งแต่ช่วงแรก
- หลังจากนั้น ผู้ใช้ที่เข้ามาจากการขยายตลาด (ต่างประเทศ โฆษณา Android ฯลฯ) มักมี retention ต่ำกว่า
- ประเด็นสำคัญคือจะรักษาคุณลักษณะของ “Golden Cohort” — ผู้ใช้แกนหลักยุคแรก — ไว้ได้หรือไม่
6. Churn มีความไม่สมมาตร: ผู้ใช้ที่จากไปแล้วแทบไม่กลับมา
- บริการส่วนใหญ่สูญเสียผู้ใช้ 90% ภายใน 30 วันหลังเปิดตัว
- ส่วนลด/สิทธิประโยชน์ หรือ lifecycle marketing ให้ประสิทธิภาพต่ำ มีเพียง network effect เท่านั้นที่เป็นวิธีที่แน่นอนที่สุดในการดึงผู้ที่หลุดไปกลับเข้ามาอย่างเป็นธรรมชาติ
7. การวัด retention เองก็ยากมาก
- ตัวชี้วัดผันผวนจากปัจจัยผสมหลายอย่าง เช่น seasonality, บั๊ก, การทดลอง ทำให้คนหมกมุ่นกับตัวเลขระยะสั้น (D1, D7, D30)
- ตัวชี้วัดระยะยาว (เช่น D365) ก็สำคัญ แต่หลายกรณีต้องรอนานเกินไปกว่าจะใช้ได้ และตอบสนองแบบเรียลไทม์ได้ยาก
- “เมื่อเมตริกเปลี่ยนช้าแบบนี้ การหาสาเหตุที่แท้จริงให้แม่นยำเป็นเรื่องยากมากจริงๆ”
8. ถ้ามีแค่ viral แต่ retention ต่ำ ก็ล้มเหลวอย่างหลีกเลี่ยงไม่ได้
- การเปิดตัวที่หวือหวาหรือทราฟฟิกไหลเข้าอย่างเดียวอาจสร้างการเติบโตสูงระยะสั้นได้ แต่ถ้าการใช้งานจริงและอัตราการหลุดไม่รองรับ ก็พังอย่างรวดเร็ว
- มีเพียงผลิตภัณฑ์อย่าง Facebook, mobile app ต่างๆ ที่ 'คว้าได้ทั้ง viral และ retention พร้อมกัน' เท่านั้นที่เปลี่ยนภูมิทัศน์ของอุตสาหกรรม
- “เพราะหลายคนคิดว่าแค่กราฟการเติบโตพุ่งขึ้นขวาบนเร็วๆ ก็ระดมทุนได้ แล้วค่อยไปคิดเรื่อง retention ทีหลัง... แต่ถ้าสร้างประสบการณ์ผลิตภัณฑ์ที่ดีจริงไม่ได้ สุดท้ายก็หายไปอย่างรวดเร็ว”
วิธีที่สามารถช่วย retention ได้จริง
- เลือกหมวดหมู่และตลาดที่มี 'high retention'
- ต้องกล้าลองทำสินค้าที่ปะทะกับผลิตภัณฑ์เดิมโดยตรง
- “ในความเป็นจริง วิธีที่เป็นไปได้มากกว่าคือไม่กลับด้านประสบการณ์หลักเดิมเกิน 80% แต่เติมความแตกต่างใหม่ๆ ราว 20%”
- ผู้ใช้ต้องสัมผัสความแตกต่างและเสน่ห์ของผลิตภัณฑ์นี้ได้อย่างเป็นสัญชาตญาณตั้งแต่ 60 วินาทีแรก
- ต้องลงมืออย่างหนักแน่นในจังหวะที่ 'timing' มาถูกเวลา (Why Now?) เช่น LLM หรือเทรนด์สังคม
การบุกเบิกตลาดใหม่ทั้งหมดนั้นยากแค่ไหน?
- ผลิตภัณฑ์นวัตกรรมแบบใหม่หมดจริงๆ มีเพียงส่วนน้อย ส่วนที่เหลือส่วนใหญ่คือ 'ผู้ชนะที่มาทีหลังบนสายวิวัฒนาการที่คล้ายกัน'
- ตัวอย่างความสำเร็จจริง: ก่อน Instagram มี Hipstamatic, ก่อน Google มี Lycos, Tesla และ iPhone ก็ไม่ใช่ first mover
- ส่วน Uber, ChatGPT เป็นต้น คือกรณีที่สร้างตลาดใหม่จริงทั้งหมด ซึ่งแม้ความเสี่ยงสูง แต่ก็เขย่าอุตสาหกรรมทั้งระบบ
- “บ่อยครั้งสิ่งที่สำคัญจริงๆ คือความสำเร็จของผลิตภัณฑ์ลำดับที่สิบ ผู้ตามที่มาทีหลังแต่ขัดเกลามาจนลงตัวในที่สุด (last mover advantage)”
สิ่งที่ต้องจำสำหรับแอป AI และสตาร์ตอัปเทคล่าสุด
- retention แก้ไม่ได้ด้วยการปรับฟีเจอร์เล็กๆ น้อยๆ แต่แก่นแท้อยู่ที่โครงสร้างพื้นฐานหรือการเลือกหมวดหมู่
- ถ้าเชื่อใน viral growth อย่างเดียว สุดท้ายต้องชนเพดานแน่นอน
- อย่ามองข้ามคุณลักษณะของ 'Golden Cohort' และยิ่งขยายมากเท่าไร ก็ยิ่งต้องโฟกัสการรักษา retention มากขึ้น
- สำหรับการเติบโตระยะยาว revenue retention สำคัญยิ่งกว่า!
- สิ่งที่สำคัญที่สุดคือการผสานกันของ 4 องค์ประกอบ ได้แก่ 'ความแตกต่าง' 'จังหวะเวลา' 'ความต้องการจริง' และ 'หมวดหมู่ที่เหมาะสม'
ยังไม่มีความคิดเห็น