5.2 फ़ीचर अपनाना और उपयोग मेट्रिक्स

अवलोकन और प्रेरणा

फ़ीचर अपनाना मापता है कि क्या जिन लोगों के लिए एक विशेषता बनाई गई थी वे वास्तव में इसका उपयोग करते हैं, किस दर पर, और क्या वह उपयोग समय के साथ बना रहता है। यह, एक बहुत प्रत्यक्ष अर्थ में, इस पुस्तक के भाग 2 से 4 जो कुछ भी मापते हैं उसकी वास्तविकता जाँच है: एक संगठन बार-बार डिप्लॉय कर सकता है, उत्कृष्ट डेवलपर अनुभव बनाए रख सकता है, और बेदाग परीक्षित कोड शिप कर सकता है, और फिर भी ऐसी चीज़ें बना सकता है जिन्हें कोई नहीं चाहता। अपनाना डेटा वह है जहाँ एक इंजीनियरिंग संगठन खोजता है कि क्या इसका आउटपुट बिल्कुल किसी वास्तविक परिणाम से जुड़ा, जो ठीक विषय 1.3 द्वारा पेश किया गया इनपुट-आउटपुट-परिणाम भेद है जो इस पुस्तक के सबसे ठोस मामले पर लागू होता है: एक विशिष्ट, शिप की गई विशेषता।

इस विषय की केंद्रीय चिंता यह है कि अपनाना डेटा, इस पुस्तक के लगभग किसी भी अन्य मेट्रिक परिवार से अधिक, ऐसे तरीक़े से मापना आसान है जो सूचित करने की बजाय बेहतर दिखाता है। एक विशेषता विशुद्ध रूप से जिज्ञासा या मजबूर उजागरता (एक मोडल जो दिखाई देता है चाहे एक उपयोगकर्ता इसे चाहे या नहीं) से प्रभावशाली प्रारंभिक अपनाना दिखा सकती है जबकि वास्तविक, निरंतर मूल्य डिलीवरी, इससे मापी गई कि क्या लोग नवीनता ख़त्म होने के बाद भी इसका उपयोग करते रहते हैं, एक पूरी तरह अलग कहानी बताती है। एक अस्थायी उछाल से वास्तविक अपनाना अलग करना इस विषय की मूल तकनीकी चुनौती है, और इसे ग़लत करना नियमित रूप से संगठनों को ऐसी विशेषताओं का जश्न मनाने की ओर ले जाता है जो चुपचाप विफल होती हैं और ऐसी विशेषताओं को छोड़ने की ओर जो अभी अपने दर्शक खोजना शुरू ही कर रही थीं।

बड़ी टीमों के लिए, फ़ीचर अपनाना डेटा वह है जो रोडमैप प्राथमिकता को प्रमाण-आधारित बनाता है, जो भी अपनी टीम के काम की सबसे प्रेरक रूप से पैरवी करता है उसके द्वारा संचालित होने की बजाय। बड़े उत्पाद पोर्टफ़ोलियो प्रबंधित करने वाले एंटरप्राइज़ संगठनों को यह पहचानने के लिए अपनाना डेटा की आवश्यकता है कि कौन-से निवेश अपनी क़ीमत कमा रहे हैं; नागरिक-सामना करने वाली डिजिटल सेवाएँ बनाने वाले सरकारी संगठनों को यह प्रदर्शित करने के लिए इसकी आवश्यकता है कि सार्वजनिक निवेश ने ऐसी सेवाएँ उत्पन्न कीं जिनका लोग वास्तव में उपयोग करते हैं, केवल ऐसी सेवाएँ नहीं जो तकनीकी रूप से मौजूद हैं।

प्रमुख सिद्धांत

प्रारंभिक अपनाना और निरंतर अपनाना अलग-अलग संकेत हैं। जिज्ञासा या मजबूर उजागरता से एक उछाल वास्तविक, टिकाऊ मूल्य डिलीवरी के समान नहीं है।
अपनाना उस दर्शक वर्ग के विरुद्ध मापा जाना चाहिए जिसके लिए इसे बनाया गया था, बिना भेदभाव के आपके पूरे उपयोगकर्ता आधार के विरुद्ध नहीं।
कम अपनाने वाली एक विशेषता स्वचालित रूप से एक विफलता नहीं है। यह ख़राब रूप से खोजी गई, ख़राब रूप से लक्षित, या बस नई हो सकती है; निष्कर्ष निकालने से पहले जाँच करें।
उपयोग की अवधारण एक एकल अपनाना स्नैपशॉट से अधिक मायने रखती है। ट्रैक करें कि क्या जिन लोगों ने एक विशेषता आज़माई वे इसमें वापस आते रहते हैं।
अपनाना डेटा मजबूर उजागरता या डार्क पैटर्नों के माध्यम से चालाकी के प्रति उजागर है। एक विशेषता को टालना कठिन बनाकर बढ़ाई गई एक संख्या एक वास्तविक संकेत नहीं है।

सिफ़ारिशें

प्रारंभिक परीक्षण को निरंतर अवधारण से अलग करें

दो अलग-अलग संख्याएँ ट्रैक करें: आपके लक्षित दर्शक वर्ग का वह प्रतिशत जो कम से कम एक बार एक विशेषता आज़माते हैं (प्रारंभिक अपनाना), और वह प्रतिशत जो एक सार्थक अवधि के बाद, जैसे चार या आठ सप्ताह, अभी भी इसका उपयोग कर रहे हैं (अवधारित अपनाना)। उच्च प्रारंभिक परीक्षण और कम अवधारण वाली एक विशेषता सुझाव देती है कि खोजने-योग्यता ने काम किया लेकिन विशेषता ने स्वयं लोगों को वापस आते रहने के लिए पर्याप्त मूल्य नहीं पहुँचाया, एक बहुत अलग निदान, और एक बहुत अलग समाधान, उच्च अवधारण के साथ कम प्रारंभिक परीक्षण से, जो एक वास्तव में मूल्यवान विशेषता का सुझाव देता है जिसके बारे में पर्याप्त लोग नहीं जानते।

अपनाना मापने से पहले लक्षित दर्शक वर्ग को सटीक रूप से परिभाषित करें

आपके पूरे उपयोगकर्ता आधार के विरुद्ध मापा गया अपनाना भ्रामक हो सकता है यदि एक विशेषता केवल एक विशिष्ट खंड के लिए बनाई गई थी: एंटरप्राइज़ प्रशासकों के लिए एक विशेषता जो अधिकांशतः व्यक्तिगत-उपयोगकर्ता आधार के विरुद्ध मापी जाती है वह हमेशा भयानक अपनाने वाली दिखेगी, चाहे यह उन लोगों की कितनी भी अच्छी तरह सेवा करे जिनके लिए इसे बनाया गया था। लॉन्च से पहले इच्छित दर्शक वर्ग को स्पष्ट रूप से परिभाषित करें, और अपने कुल उपयोगकर्ता गिनती नहीं, उस विशिष्ट भाजक के विरुद्ध अपनाना मापें।

एक विशेषता के विफल होने का निष्कर्ष निकालने से पहले कम अपनाने की जाँच करें

एक कम अपनाना संख्या के कई संभावित कारण हैं जो बहुत अलग प्रतिक्रियाओं की माँग करते हैं: विशेषता वास्तव में मूल्यवान नहीं है, विशेषता मूल्यवान है लेकिन ख़राब रूप से खोजने योग्य है (उपयोगकर्ता नहीं जानते कि यह मौजूद है), विशेषता मूल्यवान है लेकिन ख़राब रूप से समझाई गई है (उपयोगकर्ता इसे देखते हैं लेकिन इसका उद्देश्य नहीं समझते), या माप विंडो एक धीमी-अपनाने वाली विशेषता के अभी तक अपने दर्शक खोजने के लिए बस बहुत छोटी है। और आगे निवेश करने, फिर से डिज़ाइन करने, या हटाने का निर्णय लेने से पहले यह जाँचें कि इनमें से कौन-सा लागू होता है।

मजबूर उजागरता या डार्क पैटर्नों द्वारा बढ़ाए गए अपनाने के लिए देखें

एक अपनाना संख्या जो एक विशेषता को टालना कठिन बनाने से चलती है, एक दख़लंदाज़ ऑनबोर्डिंग फ़्लो, एक मोडल जिसे उपयोगकर्ता को ख़ारिज करना पड़ता है, एक डिफ़ॉल्ट जिसे बदलना कठिन है, वास्तविक मूल्य डिलीवरी नहीं माप रही है, और इसे ऐसे मनाना जैसे यह हो उत्पाद रूप में विषय 1.2 के प्रतिस्थापन-चालाकी पैटर्न को दोहराता है। जहाँ व्यवहार्य हो वहाँ विशिष्ट विशेषता के लिए कच्ची अपनाना संख्याओं को एक संतुष्टि या नेट प्रमोटर-शैली संकेत के साथ जोड़ें, ताकि मजबूर उजागरता जो वास्तविक संतुष्टि में तब्दील नहीं होती उसे मनाने की बजाय पकड़ा जाए।

अपनाना प्रवृत्तियों को वापस विशिष्ट उत्पाद और इंजीनियरिंग निर्णयों से जोड़ें

जब अपनाना अप्रत्याशित रूप से बढ़ता या गिरता है, तो गति को एक अनसमझाए रहस्य के रूप में मानने की बजाय इसे वापस एक विशिष्ट निर्णय तक ट्रेस करें, एक UI परिवर्तन, डिफ़ॉल्ट सेटिंग्स में एक बदलाव, एक मार्केटिंग धक्का, एक प्रदर्शन सुधार या गिरावट। यह अपनाना डेटा को कार्रवाई योग्य उत्पाद और इंजीनियरिंग सीखने से जोड़ता है, एक विशिष्ट परिवर्तन और वास्तविक उपयोग पर इसके मापे गए प्रभाव के बीच लूप को बंद करते हुए।

समझौते: लाभ और हानि

दृष्टिकोण	लाभ	हानि
कुल उपयोगकर्ता आधार के विरुद्ध मापना	सरल, एकल भाजक	एक विशिष्ट खंड के लिए लक्षित विशेषताओं के लिए भ्रामक
परिभाषित लक्षित दर्शक वर्ग के विरुद्ध मापना	इच्छित पहुँच का निष्पक्ष, सटीक प्रतिबिंब	लॉन्च से पहले जान-बूझकर दर्शक परिभाषा की आवश्यकता
केवल प्रारंभिक परीक्षण	तेज़ संकेत, लॉन्च के तुरंत बाद उपलब्ध	यह चूकता है कि क्या विशेषता स्थायी मूल्य पहुँचाती है
प्रारंभिक परीक्षण के साथ अवधारण	जिज्ञासा को वास्तविक मूल्य से अलग करता है	पूरी तस्वीर उभरने से पहले अधिक समय (हफ़्ते) प्रतीक्षा करने की आवश्यकता

केंद्रीय तनाव है गति बनाम ईमानदारी। प्रारंभिक परीक्षण डेटा लॉन्च के लगभग तुरंत बाद उपलब्ध है और शुरुआती परिणामों की रिपोर्ट करने के संगठनात्मक दबाव को संतुष्ट करता है, लेकिन यह अकेले जिज्ञासा या मजबूर उजागरता को वास्तविक, स्थायी मूल्य से अलग नहीं कर सकता। तनाव को शुरुआती परीक्षण डेटा को जल्दी और स्पष्ट रूप से प्रारंभिक के रूप में लेबल करके रिपोर्ट करके हल करें, जबकि एक निश्चित, पूर्व-निर्धारित अंतराल पर एक अनुवर्ती अवधारण रीड के लिए सार्वजनिक रूप से प्रतिबद्ध होते हुए, ताकि वास्तविक संकेत के उभरने का समय मिलने से पहले शुरुआती उत्साह एक अनजाँची सफलता कहानी में जम न जाए।

अपनी टीम के साथ चर्चा करने के प्रश्न

हमारी सबसे हाल ही में शिप की गई विशेषता के लिए, क्या हम प्रारंभिक परीक्षण और अवधारित उपयोग को अलग-अलग जानते हैं, या केवल एक एकल संयुक्त संख्या? यदि केवल एक संयुक्त संख्या मौजूद है, तो वह अंतर ठीक जिज्ञासा-बनाम-मूल्य भेद को छुपाता है जिसे यह विषय केंद्रीय मानता है।
क्या इस विशेषता के लिए हमारा लक्षित दर्शक वर्ग लॉन्च से पहले स्पष्ट रूप से परिभाषित किया गया था, और क्या हम उस विशिष्ट समूह के विरुद्ध अपनाना माप रहे हैं? जाँचें कि क्या आपका वर्तमान अपनाना भाजक इससे मेल खाता है कि विशेषता वास्तव में किसके लिए बनाई गई थी, या क्या यह एक असंबद्ध व्यापक जनसंख्या के विरुद्ध मापे जाने से पतला हो गया है।
कम अपनाने वाली एक विशेषता के लिए, क्या हमने जाँच की है कि कई संभावित कारणों में से कौन-सा, कम मूल्य, ख़राब खोजने-योग्यता, ख़राब व्याख्या, अपर्याप्त समय, वास्तव में लागू होता है? यह मानने की बजाय कि “यह मूल्यवान नहीं होगी,” एक वास्तविक, वर्तमान कम-अपनाना विशेषता के लिए इस विशिष्ट निदानात्मक सूची से गुज़रें।
क्या हमारी रिपोर्ट की गई अपनाना संख्या का कोई हिस्सा मजबूर उजागरता, एक दख़लंदाज़ डिफ़ॉल्ट, या एक ख़ारिज-आवश्यक मोडल से बढ़ा हुआ है, वास्तविक, स्वैच्छिक उपयोग से नहीं? यहाँ ईमानदार रहें; यह एक सामान्य और गिरने में आसान पैटर्न है, विशेष रूप से शुरुआती सकारात्मक परिणाम दिखाने के दबाव में।
जब एक विशेषता के लिए अपनाना काफ़ी हद तक बदला, तो क्या हम उस गति को वापस एक विशिष्ट परिवर्तन तक ट्रेस कर सकते हैं जो हमने किया? यदि उत्तर आमतौर पर “हमें यक़ीन नहीं है” है, तो वह अंतर सीमित करता है कि आपका संगठन समय के साथ अपने स्वयं के अपनाना डेटा से वास्तव में कितना सीख सकता है।
क्या हम अपनाना संख्याओं को उसी विशेषता के लिए किसी संतुष्टि संकेत के साथ जोड़ते हैं, या क्या हम केवल कच्चा उपयोग ट्रैक करते हैं? कम संतुष्टि के साथ जोड़ी गई एक उच्च अपनाना संख्या एक चेतावनी संकेत है जिसे अकेला कच्चा उपयोग पूरी तरह चूक जाएगा।

क्षेत्र दृष्टिकोण

स्टार्टअप। फ़ीचर अपनाना अक्सर एक युवा कंपनी के पास मौजूद एकल सबसे महत्वपूर्ण संकेत है, जो उत्पाद-बाज़ार फिट से ही निकटता से जुड़ा हुआ है। बिल्कुल पहले फ़ीचर लॉन्च से विशेष रूप से अवधारण ट्रैक करें, केवल प्रारंभिक परीक्षण नहीं, क्योंकि वास्तविक मूल्य को शुरुआती जिज्ञासा से अलग करना महत्वपूर्ण है जब कंपनी का अस्तित्व इस निदान को सही करने पर निर्भर हो सकता है।

छोटा व्यवसाय। अधिकांश एनालिटिक्स प्लेटफ़ॉर्म न्यूनतम सेटअप के साथ बुनियादी उपयोग डेटा रिपोर्ट करते हैं; मुख्य अनुशासन यह है कि मापने से पहले अपने लक्षित दर्शक वर्ग को स्पष्ट रूप से परिभाषित करें, एक विशिष्ट विशेषता वास्तव में किसके लिए बनाई गई थी इसकी परवाह किए बिना अपने पूरे ग्राहक आधार के विरुद्ध अपनाना रिपोर्ट करने की बजाय।

एंटरप्राइज़। इस पैमाने पर एक बड़े उत्पाद पोर्टफ़ोलियो में निष्पक्ष, प्रमाण-आधारित रोडमैप प्राथमिकता के लिए अपनाना डेटा आवश्यक है, और प्रारंभिक परीक्षण को निरंतर अवधारण से अलग करने का अनुशासन यहाँ और भी अधिक मायने रखता है, क्योंकि एक पर्याप्त बड़ा उपयोगकर्ता आधार वास्तविक मूल्य की परवाह किए बिना लगभग किसी भी लॉन्च के लिए एक प्रभावशाली दिखने वाला प्रारंभिक उछाल उत्पन्न कर सकता है।

सरकार। एक नागरिक-सामना करने वाली डिजिटल सेवा का अपनाना एक प्रत्यक्ष, ठोस माप है कि क्या सार्वजनिक निवेश वास्तविक सार्वजनिक लाभ में तब्दील हुआ, और यह अक्सर एक निगरानी निकाय के लिए एक डिलीवरी या गतिविधि गिनती से कहीं अधिक प्रेरक मेट्रिक है। उस जनसंख्या के विरुद्ध अपनाना मापें जिसकी सेवा के लिए सेवा वास्तव में बनाई गई थी, और उन बाधाओं (डिजिटल साक्षरता, पहुँच, जागरूकता) के बारे में ईमानदार रहें जो सेवा के अपने डिज़ाइन से परे कम अपनाने की व्याख्या कर सकती हैं।

उदाहरण

एंटरप्राइज़। एक प्रोजेक्ट प्रबंधन सॉफ़्टवेयर कंपनी ने एक नई सहयोगी-संपादन विशेषता लॉन्च की और पहले दो हफ़्तों के भीतर एक प्रभावशाली 60% प्रारंभिक परीक्षण दर मनाई। आठ हफ़्तों पर एक अनुवर्ती अवधारण रीड ने दिखाया कि उन प्रारंभिक परीक्षकों में से केवल 8% अभी भी नियमित रूप से विशेषता का उपयोग कर रहे थे, यह उजागर करते हुए कि उच्च परीक्षण दर लगभग पूरी तरह एक प्रमुख, ख़ारिज करने में कठिन ऑनबोर्डिंग टूलटिप द्वारा चलाई गई थी, वास्तविक, निरंतर रुचि से नहीं। विशेषता का उपयोग बंद कर चुके शुरुआती परीक्षकों से गुणात्मक फ़ीडबैक की जाँच ने एक विशिष्ट, ठीक करने योग्य उपयोगिता समस्या उजागर की, एक असहज इंटरैक्शन पैटर्न, जिसे एक लक्षित पुनर्डिज़ाइन ने संबोधित किया, और समाधान के बाद अवधारित उपयोग लगभग तिगुना हो गया, हालाँकि यह कभी भ्रामक रूप से उच्च प्रारंभिक परीक्षण संख्या के क़रीब नहीं पहुँचा।

सरकार। एक राष्ट्रीय रोज़गार सेवा ने एक नया ऑनलाइन नौकरी-मिलान उपकरण लॉन्च किया, शुरू में एजेंसी के पूरे पंजीकृत उपयोगकर्ता आधार के विरुद्ध अपनाना रिपोर्ट करते हुए, एक निराशाजनक रूप से कम प्रतिशत उत्पन्न करते हुए जिसने कार्यक्रम की निरंतर वित्तपोषण को ख़तरे में डाल दिया। उपकरण के लक्षित उद्योगों में सक्रिय रूप से काम खोज रहे पंजीकृत उपयोगकर्ताओं के उपसमूह के विरुद्ध विशेष रूप से मापने वाले एक संशोधित विश्लेषण, वास्तविक इच्छित दर्शक वर्ग, ने काफ़ी अधिक और अधिक सटीक अपनाना दर दिखाई। उस परिभाषित दर्शक वर्ग के लिए विशेष रूप से एक लक्षित आउटरीच अभियान के साथ संयुक्त, और एक बाद की अवधारण रीड जो अपनाने वालों के बीच मज़बूत निरंतर उपयोग दिखाती है, कार्यक्रम ने सुधारे गए, ईमानदारी से लक्षित मेट्रिक के आधार पर निरंतर वित्तपोषण सुरक्षित किया, भ्रामक रूप से पतले मूल आँकड़े की बजाय।

व्यावसायिक तर्क: प्रेरणाएँ, ROI, और TCO

कठोर फ़ीचर अपनाना माप का प्रतिफल प्रमाण-आधारित रोडमैप निवेश है: एक संगठन जो वास्तविक, अवधारित मूल्य को जिज्ञासा-प्रेरित प्रारंभिक परीक्षण से अलग कर सकता है वह उन विशेषताओं में आगे आत्मविश्वास से निवेश कर सकता है जो वास्तव में काम कर रही हैं और प्रयास को उनसे दूर पुनर्निर्देशित कर सकता है जो नहीं हैं, एक भ्रामक प्रारंभिक उछाल का पीछा करने या समय से पहले एक वास्तव में मूल्यवान लेकिन धीमी-खोज वाली विशेषता को छोड़ने की बजाय।

कुल स्वामित्व लागत अधिकांशतः एनालिटिक्स इंस्ट्रूमेंटेशन है, आमतौर पर अधिकांश आधुनिक उत्पाद एनालिटिक्स प्लेटफ़ॉर्म में पहले से उपलब्ध, साथ ही लक्षित दर्शकों को स्पष्ट रूप से परिभाषित करने और एक शुरुआती, अधूरे संकेत पर रुकने की बजाय अनुवर्ती अवधारण रीड के लिए प्रतिबद्ध होने का अनुशासन। वह अनुशासन कम लागत लेता है और एक झूठी सफलता या एक झूठी विफलता को ग़लत पढ़ने की कहीं अधिक महंगी ग़लती को रोकता है।

विरोधी-पैटर्न और नुक़सान

केवल प्रारंभिक परीक्षण की रिपोर्ट करना, कभी अवधारण नहीं: जिज्ञासा या मजबूर उजागरता को वास्तविक, स्थायी मूल्य से अलग नहीं कर सकता।
ग़लत भाजक के विरुद्ध अपनाना मापना: एक विशिष्ट दर्शक खंड के लिए लक्षित विशेषताओं के लिए संकेत को पतला या बढ़ा देता है।
कम अपनाने के विशिष्ट कारण की जाँच किए बिना यह निष्कर्ष निकालना कि एक विशेषता विफल हुई: एक वास्तव में मूल्यवान लेकिन ख़राब रूप से खोजी गई या ख़राब समय पर की गई विशेषता को छोड़ने का जोखिम रखता है।
मजबूर उजागरता या डार्क पैटर्नों से बढ़ाए गए अपनाने का जश्न मनाना: उत्पाद-पक्ष में विषय 1.2 की प्रतिस्थापन चालाकी का एक उदाहरण।
कभी अपनाना गति को वापस विशिष्ट निर्णयों से न जोड़ना: संगठन के अपने डेटा से संगठनात्मक सीखने को सीमित करता है।
बिना किसी जोड़े गए संतुष्टि संकेत के उपयोग ट्रैक करना: उस मामले को चूकता है जहाँ उच्च उपयोग कम वास्तविक मूल्य या संतुष्टि के साथ सह-अस्तित्व में रहता है।

परिपक्वता मॉडल

स्तर 1, आरंभ: अपनाना नहीं मापा जाता, या केवल एक एकल, शुरुआती, अनवधारित परीक्षण संख्या रिपोर्ट की जाती है।
स्तर 2, विकास: कुछ अपनाना ट्रैकिंग मौजूद है, लेकिन लक्षित दर्शक सटीक रूप से परिभाषित नहीं हैं और अवधारण असंगत रूप से मापी जाती है।
स्तर 3, मानकीकरण: हर प्रमुख विशेषता के लिए एक सटीक रूप से परिभाषित लक्षित दर्शक वर्ग के विरुद्ध प्रारंभिक परीक्षण और अवधारित अपनाना दोनों लगातार ट्रैक किए जाते हैं।
स्तर 4, प्रबंधन: फिर से डिज़ाइन करने या हटाने के निर्णय से पहले कम-अपनाना विशेषताओं की व्यवस्थित रूप से विशिष्ट मूल कारण के लिए जाँच की जाती है; अपनाने को संतुष्टि डेटा के साथ जोड़ा जाता है।
स्तर 5, संयोजन: अपनाना डेटा सीधे और नियमित रूप से रोडमैप प्राथमिकता और निवेश निर्णयों को सूचित करता है, और संगठन आत्मविश्वास से विशिष्ट अपनाना गतियों को वापस विशिष्ट उत्पाद और इंजीनियरिंग निर्णयों तक ट्रेस कर सकता है।

चर्चा के लिए विचार

हाल की कौन-सी विशेषता है जहाँ हमारे प्रारंभिक परीक्षण और अवधारित अपनाने ने बहुत अलग कहानियाँ बताईं?
क्या हमारी पिछली विशेषता का लक्षित दर्शक वर्ग लॉन्च से पहले सटीक रूप से परिभाषित किया गया था, या केवल बाद में?
कौन-सी कम-अपनाना विशेषता एक ईमानदार मूल-कारण जाँच की हक़दार है इससे पहले कि हम इसका भाग्य तय करें?
क्या हमारी वर्तमान अपनाना रिपोर्टिंग का कोई हिस्सा मजबूर उजागरता से बढ़ा हुआ है?
अपनाना डेटा को संतुष्टि डेटा के साथ जोड़ना हमारी सबसे अधिक उपयोग की जाने वाली विशेषता के बारे में क्या उजागर करेगा?

मुख्य निष्कर्ष

प्रारंभिक परीक्षण को निरंतर अवधारण से अलग करें; जिज्ञासा या मजबूर उजागरता से एक उछाल वास्तविक, स्थायी मूल्य नहीं है।
एक असंबद्ध व्यापक उपयोगकर्ता आधार नहीं, एक सटीक रूप से परिभाषित लक्षित दर्शक वर्ग के विरुद्ध अपनाना मापें।
एक विशेषता के विफल होने का निष्कर्ष निकालने से पहले विशिष्ट कारण की जाँच करें; कई बहुत अलग कारण बहुत अलग प्रतिक्रियाओं की माँग करते हैं।
मजबूर उजागरता या डार्क पैटर्नों से बढ़ाए गए अपनाने के लिए देखें, और इसे पकड़ने के लिए अपनाने को एक संतुष्टि संकेत के साथ जोड़ें।
डेटा को वास्तविक संगठनात्मक सीखने में बदलने के लिए अपनाना गति को वापस विशिष्ट निर्णयों से जोड़ें।

संदर्भ और आगे पढ़ने के लिए

Lean Analytics, by Alistair Croll and Benjamin Yoskovitz (उत्पाद उपयोग डेटा पर लागू कार्रवाई योग्य बनाम वैनिटी मेट्रिक्स)।
Continuous Discovery Habits, by Teresa Torres (उत्पाद निर्णयों को ग्राहक परिणाम प्रमाण से जोड़ना, जिसमें अपनाना डेटा शामिल है)।
Hooked: How to Build Habit-Forming Products, by Nir Eyal (अवधारण और आदत निर्माण, और वास्तविक मूल्य और डार्क पैटर्नों के बीच नैतिक रेखा)।
Measure What Matters, by John Doerr (अपनाना लक्ष्य-निर्धारण पर लागू परिणाम-उन्मुख लक्ष्य निर्धारण)।