Mở đầu — vì sao bài này quan trọng
Nếu chỉ được chọn một chỉ số duy nhất để đánh giá "sức khỏe" thật sự của một sản phẩm số, nhiều PM kỳ cựu sẽ không chọn số lượt tải, cũng không chọn doanh thu tháng đầu — họ chọn retention (tỷ lệ giữ chân người dùng). Lý do rất đơn giản: acquisition (thu hút người dùng mới) cho bạn biết marketing có hiệu quả không, nhưng chỉ retention mới cho bạn biết sản phẩm có thực sự tạo ra giá trị đủ lớn để người ta quay lại hay không.
Một sản phẩm có thể đốt tiền quảng cáo để kéo 100.000 lượt cài đặt trong một tháng. Nhưng nếu sau 30 ngày chỉ còn 2.000 người dùng, thì bạn đang đổ nước vào một cái xô thủng. Càng đổ nhiều, càng lỗ nhiều. Ngược lại, một sản phẩm giữ được 40% người dùng sau 30 ngày là một sản phẩm có nền móng — mỗi đồng bỏ ra thu hút người dùng đều được "tích lũy" thay vì bốc hơi.
Trong bài này, chúng ta sẽ tập trung sâu vào hai công cụ đọc vị retention quan trọng nhất mà mọi công cụ analytics (Mixpanel, Amplitude, PostHog...) đều cung cấp: retention curve (đường cong giữ chân) và cohort retention (bảng giữ chân theo nhóm). Đây là bài học về cách đọc, diễn giải và hành động dựa trên retention — chứ không phải về cách tối ưu chiến thuật (phần đó thuộc Bài 38). Hết bài, bạn sẽ nhìn một biểu đồ retention và biết ngay sản phẩm đang khỏe hay đang bệnh, bệnh ở đâu.
Khái niệm cốt lõi
Retention là gì và đo như thế nào
Retention đo tỷ lệ phần trăm người dùng còn "active" (hoạt động) sau một khoảng thời gian kể từ một mốc khởi đầu — thường là ngày đăng ký (signup) hoặc ngày dùng lần đầu (first use). Ba con số kinh điển bạn sẽ nghe đi nghe lại:
- D1 retention: % người dùng quay lại vào ngày thứ 1 sau khi đăng ký.
- D7 retention: % quay lại vào ngày thứ 7.
- D30 retention: % quay lại vào ngày thứ 30.
"Active" nghĩa là gì — định nghĩa sự kiện quay lại
Trước khi đo retention, bạn phải trả lời câu hỏi: người dùng làm gì thì được tính là "quay lại"? Đây là quyết định sản phẩm, không phải quyết định kỹ thuật.
- Với một app đọc báo, "active" có thể là "mở app".
- Với Spotify, "active" nên là "nghe ít nhất một bài hát" — chứ không phải chỉ mở app rồi tắt.
- Với một app ngân hàng như MB Bank, "active" hợp lý là "thực hiện một giao dịch hoặc kiểm tra số dư", không tính lần mở app chỉ để tắt thông báo.
Retention curve — đường cong giữ chân
Retention curve là biểu đồ đường:
- Trục X: số ngày (hoặc tuần/tháng) kể từ mốc khởi đầu — Day 0, Day 1, Day 2...
- Trục Y: % người dùng còn active tại thời điểm đó.
Hình dạng đường cong khỏe mạnh (healthy curve shape)
Đây là phần cốt lõi nhất của bài. Có ba hình dạng bạn cần phân biệt:
- Đường "cười xuống dốc" (declining to zero) — rơi liên tục và cuối cùng chạm 0. Đây là sản phẩm chết: không ai ở lại lâu dài. Dù bạn có kéo bao nhiêu người mới, tất cả rồi cũng rời đi.
- Đường "phẳng dần" (flattening curve) — rơi nhanh trong vài ngày/tuần đầu rồi đi ngang, tạo thành một đường nằm ngang ổn định. Cái đuôi phẳng đó chính là retention floor (đáy giữ chân) — nhóm người dùng trung thành cốt lõi sẽ ở lại mãi. Đây là dấu hiệu của một sản phẩm khỏe mạnh, có product-market fit. Một đường phẳng ở mức 30% tốt hơn nhiều so với một đường bắt đầu ở 60% nhưng trôi dần về 5%.
- Đường "cười lên" (smile curve / upward retention) — rất hiếm và cực kỳ đáng mơ ước: retention giảm rồi tăng trở lại. Điển hình ở các sản phẩm như Facebook thời đầu, khi người dùng rời đi rồi bị kéo lại nhờ hiệu ứng mạng lưới (bạn bè tag, nhắn tin). Đây là dấu hiệu của một sản phẩm gây nghiện theo hướng tích cực.
Cohort retention — bảng giữ chân theo nhóm
Retention curve gộp tất cả người dùng lại thành một đường. Nhưng nó che giấu một câu hỏi sống còn: sản phẩm của tôi đang tốt lên hay tệ đi theo thời gian? Đó là lúc cần cohort retention table — một bảng tam giác (triangle chart).
Mỗi hàng là một cohort — nhóm người dùng đăng ký trong cùng một khoảng thời gian (ví dụ tất cả người đăng ký trong Tuần 1 tháng 6). Mỗi cột là "Week 0, Week 1, Week 2..." kể từ khi họ đăng ký. Ô giao nhau là % còn active.
Bằng cách đọc theo cột dọc, bạn so sánh cohort tháng này với cohort tháng trước ở cùng độ tuổi. Nếu cohort mới có D7 cao hơn cohort cũ, nghĩa là các thay đổi sản phẩm gần đây đang cải thiện retention. Đây là cách duy nhất để biết một tính năng mới hay chương trình onboarding mới có thực sự hiệu quả hay không.
Tình huống thực tế
Ví dụ 1 — App gọi xe (bối cảnh Đông Nam Á): retention curve phẳng cứu ngân sách
Một startup gọi xe giả định tên "GoNhanh" ở TP.HCM chi 2 tỷ đồng quảng cáo trong quý, kéo được 300.000 lượt cài đặt. Đội marketing ăn mừng vì chi phí cài đặt (CPI) chỉ 6.600đ — rất rẻ.
Nhưng PM dựng retention curve trong Amplitude với returning event là "Hoàn tất một chuyến đi". Kết quả: D1 = 22%, D7 = 8%, D30 = 1,5%, và đường cong vẫn dốc thẳng về 0, không hề phẳng ra. Trong khi đó, đối thủ Grab có đường phẳng ở khoảng 18% từ D14 trở đi.
Diễn giải: GoNhanh không có retention floor. Người dùng cài vì mã khuyến mãi, đi một chuyến giá rẻ rồi biến mất. Sản phẩm chưa có lý do để ở lại (mạng lưới tài xế mỏng, thời gian chờ lâu). Kéo thêm người mới chỉ là đổ tiền vào xô thủng.
Bài học: Con số CPI rẻ đánh lừa. Đường cong không phẳng = chưa có product-market fit. GoNhanh cần dừng đốt tiền acquisition và tập trung sửa trải nghiệm lõi cho tới khi curve phẳng ra, rồi mới scale.
Ví dụ 2 — Sàn TMĐT kiểu Tiki: cohort table lộ ra hiệu quả của onboarding mới
Một sàn thương mại điện tử giả định "ShopViet" nghi ngờ luồng onboarding cũ quá rối. Tháng 3, họ tung luồng onboarding mới: gợi ý sản phẩm cá nhân hóa ngay màn hình đầu. Câu hỏi: nó có hiệu quả không?
Nhìn retention curve tổng thì khó thấy, vì nó trộn lẫn người cũ và người mới. Nên PM mở cohort retention table trong Mixpanel, chia theo tháng đăng ký, returning event là "Xem chi tiết sản phẩm":
| Cohort | Week 0 | Week 1 | Week 2 | Week 4 |
|---|---|---|---|---|
| Tháng 1 | 100% | 26% | 19% | 14% |
| Tháng 2 | 100% | 27% | 20% | 15% |
| Tháng 3 (onboarding mới) | 100% | 38% | 29% | 23% |
Bài học: Cohort table là công cụ chứng minh nhân quả gần đúng cho thay đổi sản phẩm. Nếu chỉ nhìn đường cong gộp, cải thiện này bị pha loãng và có thể bị bỏ sót.
Ví dụ 3 — App học tiếng Anh: chọn sai returning event làm đẹp giả
Một app học tiếng Anh giả định "EngGo" báo cáo D7 retention 45% — nghe rất ấn tượng, gọi vốn thuận lợi. Nhưng nhà đầu tư yêu cầu định nghĩa lại "active".
Hóa ra returning event họ dùng là "Mở app". Khi PM đổi sang returning event có ý nghĩa hơn — "Hoàn thành ít nhất một bài học" — D7 retention rơi xuống chỉ còn 12%.
Diễn giải: 45% người "quay lại" thực chất chỉ mở app vì thông báo đẩy rồi tắt ngay, chẳng học gì. Retention "mở app" không phản ánh giá trị thật.
Bài học: Returning event phải gắn với khoảnh khắc giá trị cốt lõi. Một retention đẹp dựa trên hành động rỗng là tự lừa dối và sẽ vỡ khi nhà đầu tư (hoặc thực tế doanh thu) soi kỹ.
Hướng dẫn từng bước
Đây là quy trình dựng và đọc retention trong bất kỳ công cụ nào (Mixpanel, Amplitude, PostHog):
- Xác định starting event. Thường là "Sign Up" hoặc "First App Open". Đây là mốc Day 0 của mỗi người dùng.
- Xác định returning event phản ánh giá trị cốt lõi. Tự hỏi: "Hành động nào chứng tỏ người dùng nhận được giá trị?" Với app nội dung là "đọc/xem/nghe", với app giao dịch là "hoàn tất giao dịch". Tránh dùng "mở app".
- Chọn định nghĩa retention. Với hầu hết sản phẩm dùng hằng ngày (app), chọn Day N (unbounded) để đường cong mượt. Với sản phẩm dùng theo tuần (SaaS, TMĐT), chuyển trục sang Week N thay vì Day N — nếu không đường cong sẽ dốc giả tạo vì bản chất người ta không dùng mỗi ngày.
- Dựng retention curve trước. Nhìn tổng thể: nó có phẳng ra không? Phẳng ở mức bao nhiêu %? Đó là câu hỏi product-market fit đầu tiên.
- Dựng cohort retention table. Chia cohort theo tuần hoặc tháng đăng ký. Đọc dọc theo cột để so sánh cohort mới với cũ ở cùng độ tuổi — trả lời "sản phẩm đang tốt lên hay tệ đi?".
- Segment (phân khúc) khi cần. Tách retention theo kênh acquisition, nền tảng (iOS vs Android), hoặc theo việc người dùng có làm một hành động then chốt trong ngày đầu hay không. Đây là cầu nối sang phân tích activation và aha moment.
- Chốt một mốc benchmark nội bộ. Ghi lại D1/D7/D30 (hoặc W1/W4/W12) hiện tại làm mốc, để mọi thay đổi sản phẩm sau này đều so được.
Lỗi thường gặp & mẹo
- Nhầm bounded và unbounded retention. Đây là lỗi phổ biến nhất khiến hai người nhìn cùng dữ liệu ra hai con số khác nhau. Luôn thống nhất định nghĩa trước khi tranh luận.
- Dùng Day N cho sản phẩm bản chất dùng theo tuần. Một app đặt vé máy bay không ai mở mỗi ngày. Đo Day retention sẽ ra đường gần chạm 0 và làm bạn hoảng loạn vô cớ. Hãy khớp đơn vị thời gian với nhịp sử dụng tự nhiên của sản phẩm.
- Chỉ nhìn con số điểm, bỏ qua hình dạng đường. D30 = 25% nghe có vẻ tệ hơn D30 = 30%, nhưng nếu đường 25% đang phẳng còn đường 30% vẫn dốc mạnh, thì sản phẩm 25% khỏe hơn về dài hạn. Hình dạng quan trọng hơn điểm số.
- So sánh cohort chưa "chín". Cohort tháng này mới có dữ liệu Week 0–1, bạn không thể so cột Week 4 của nó với cohort cũ (vì nó chưa tồn tại tới Week 4). So sánh cohort phải ở cùng độ tuổi, và lờ đi các ô chưa đủ thời gian.
- Returning event quá lỏng. Như ví dụ EngGo — "mở app" tạo retention ảo. Mẹo: nếu retention đẹp bất thường, hãy nghi ngờ returning event trước tiên.
- Mẹo — luôn xem retention floor. Con số duy nhất đáng để "khoe" là mức mà đường cong đi ngang. Đó là % người dùng bạn giữ được vĩnh viễn. Đây là chỉ số dự báo tăng trưởng dài hạn tốt hơn bất kỳ D1 nào.
- Mẹo — dùng segment "có làm hành động X trong ngày 1 hay không". Nếu nhóm có làm hành động đó retention cao vọt, bạn vừa tìm ra manh mối về aha moment để tối ưu onboarding.
Bài tập thực hành
- Chọn returning event. Lấy một sản phẩm bạn biết rõ (ví dụ ShopeeFood, ZaloPay, hoặc app công ty bạn). Viết ra: starting event là gì, và ba ứng viên returning event. Chọn một cái phản ánh giá trị cốt lõi nhất và giải thích vì sao loại bỏ hai cái kia.
- Đọc hình dạng đường cong. Cho dữ liệu retention curve sau: Day 0 = 100%, Day 1 = 40%, Day 3 = 25%, Day 7 = 20%, Day 14 = 19%, Day 30 = 18,5%. Hãy nhận xét: đây là đường thuộc loại nào (dốc về 0 / phẳng dần / cười lên)? Retention floor ở khoảng bao nhiêu? Sản phẩm này đã có product-market fit chưa? Vì sao?
- Phân tích cohort table. Dựng (hoặc tưởng tượng) một bảng cohort 3 tháng cho một sản phẩm giả định. Trong đó cohort tháng gần nhất có W1 cao hơn hẳn hai tháng trước. Viết một đoạn 3–4 câu diễn giải: điều này chứng minh gì, và một yếu tố nhiễu nào có thể khiến kết luận sai (gợi ý: mùa vụ, chiến dịch marketing đổi kênh).
- Chọn đơn vị thời gian. Với mỗi sản phẩm sau, quyết định nên đo Day N hay Week N retention và giải thích: (a) app nhắn tin, (b) app đặt phòng khách sạn, (c) SaaS quản lý dự án cho doanh nghiệp.
Tóm tắt
Retention là chỉ số phản ánh trung thực nhất việc sản phẩm của bạn có thực sự tạo giá trị hay không — quan trọng hơn cả lượt tải hay doanh thu tháng đầu. Trong bài này, bạn đã học hai công cụ đọc vị retention cốt lõi:
- Retention curve: trục X là thời gian kể từ mốc khởi đầu, trục Y là % còn active. Điều quan trọng nhất không phải con số điểm mà là hình dạng: đường phẳng dần tạo ra retention floor là dấu hiệu của product-market fit; đường dốc về 0 là sản phẩm chưa có nền móng; đường cười lên là mơ ước hiếm có.
- Cohort retention table: bảng tam giác chia người dùng theo nhóm đăng ký, đọc dọc theo cột để biết sản phẩm đang tốt lên hay tệ đi theo thời gian — công cụ duy nhất để chứng minh một thay đổi sản phẩm có thực sự cải thiện retention.