موضوع 82 از 91· صارف صحت ایپس اور آلات
برقراری اور چھوڑنا
برقراری ناپتی ہے کہ ایک صارف کوہورٹ کا کتنا حصہ شروع کرنے کے N دن بعد بھی فعال ہے (D1/D7/D30 منحنی خطوط)؛ چھوڑنا اس کا تکملہ ہے۔ بے رحم ڈیجیٹل-صحت بنیادی خط: تقریباً 90% صحت-ایپ صارفین 30 دنوں کے اندر ترک کر دیتے ہیں — ڈیجیٹل صحت D30 برقراری ~6% کی تمام-ایپ اوسط کے خلاف ~3–4% چلتی ہے۔
یہ کیوں اہم ہے
Eysenbach نے اسے 2005 میں نام دیا: ٹوٹ پھوٹ کا قانون — بلند شرحوں پر صارفین کو کھونا eHealth مداخلتوں کی ایک اندرونی، ساختی خاصیت ہے، ایک عمل درآمد کی خرابی نہیں، eHealth آزمائشوں میں ٹوٹ پھوٹ معمول کے طور پر 50% سے تجاوز کرتی ہے۔ معاشی نتیجہ مکمل ہے: برقراری وہ علاج کی ونڈو متعین کرتی ہے جس کے اندر کوئی بھی فائدہ فراہم کیا جا سکتا ہے، اور یونٹ اقتصادیات — CAC فی صارف ادا کیا گیا جو 12 دن رہتا ہے نہ LTV دیتا ہے نہ QALYs۔ کوئی بھی صارف صحت پروڈکٹ کا معاشی ماڈل جو برقراری کے منحنی کے لحاظ سے فوائد کا وزن نہیں کرتا ایک ایسے پروڈکٹ کو بیان کر رہا ہے جو موجود نہیں ہے۔
حساب
برقراری_Dn = دن n پر فعال صارفین / کوہورٹ کا سائز × 100
چھوڑنے کی شرح = دور میں کھوئے گئے صارفین / دور کے آغاز پر صارفین × 100
فائدے کا وزن (صحت-اقتصادیات کی چال):
فی حاصل شدہ صارف متوقع فائدہ = Σ_t برقراری(t) × فائدے کی شرح(t)
≈ برقراری کے منحنی کے نیچے کا علاقہ × فی-وقت فائدہ
— نہیں آزمائش کا فائدہ × 100% حاصل شدہ صارفین کا
فی برقرار-D30-پر صارف لاگت = CAC / D30 برقراری
(4% D30 پر، ایک £5 CAC اصل میں £125 فی برقرار صارف ہے)
حل شدہ مثال
ایک ذہنی-صحت ایپ: آزمائش نے 8 ہفتے مکمل کرنے والے فی صارف 0.02 QALYs حاصل شدہ دکھایا۔ 100,000 ڈاؤن لوڈز کا تعیناتی کوہورٹ، برقراری D7 25%، D30 8%، ہفتہ-8 4%:
مکمل کرنے والے = 100,000 × 0.04 = 4,000
فراہم شدہ QALYs = 4,000 × 0.02 = 80 (100,000 × 0.02 = 2,000 نہیں)
£20,000/QALY پر = £1.6M صحت کی قدر (£40M نہیں)
فی-ڈاؤن لوڈ صحت کی قدر = £16 — وہ نمبر جو طے کرنا چاہیے کہ ایک
ادائیگی کنندہ فی ڈاؤن لوڈ کیا ادا کرے گا، اور یہ سادہ لوح دعوے کا 4% ہے۔
برقراری بہتری کا کیس: ہفتہ-8 تکمیل کو 4% → 6% منتقل کرنا
40 QALYs/سال ≈ £800k شامل کرتا ہے — برقراری انجینئرنگ صحت کی پیداوار ہے۔
سافٹ ویئر انجینئرنگ سے تعلق
برقراری وہ میٹرک ہے جہاں پروڈکٹ انجینئرنگ سب سے براہ راست صحت کی قدر تیار کرتی ہے، اوپر کی ریاضی کے مطابق۔ وہ طریقے جو اسے حرکت دیتے ہیں معمولی ہیں: آن بورڈنگ ٹائم-ٹو-فرسٹ-ویلیو، دوبارہ-مشغولیت کا ڈیزائن، کارکردگی، اور اہم طور پر منصوبہ بند خوراک کی تکمیل — ایک وضاحت شدہ اختتام والا پروگرام (8 ہفتے، پھر گریجویشن) کو تکمیل ناپنی چاہیے، مستقل DAU نہیں، میٹرک کو اشتہار-فنڈ شدہ توجہ ماڈل کے بجائے طبی ماڈل کے ساتھ ہم آہنگ کرتے ہوئے۔ بقا کا تجزیہ صحیح ٹول کٹ ہے (وہی Kaplan-Meier ریاضی جیسے حاصل شدہ زندگی کے سال)؛ حصولیابی چینل کے لحاظ سے منحنی خطوط کو تقسیم کریں، کیونکہ چینل مکس زیادہ تر خصوصیات سے زیادہ برقراری کو تبدیل کرتا ہے۔
نقصانات
- الٹا ارادہ-سے-علاج دھلائی: آزمائشیں مکمل کرنے والوں کی رپورٹ کرتی ہیں؛ تعیناتی اقتصادیات کو ہر حاصل شدہ شخص کا شمار کرنا چاہیے (Eysenbach کا بنیادی انتباہ)۔
- برقراری کا تماشا: اطلاع-چلائے گئے "فعال" صارفین جو کبھی علاجی عمل نہیں کرتے (مشغولیت میٹرکس دیکھیں)۔
- تعریفوں کے پار منحنی خطوط کا موازنہ کرنا: بامعنی عمل بمقابلہ کھلا کے طور پر متعین "فعال" D30 کو کئی گنا منتقل کرتا ہے۔
- کون چھوڑتا ہے اسے نظر انداز کرنا: اگر سب سے بیمار سب سے تیز چھوڑتے ہیں، فی-صارف فوائد کم ہوتے ہیں جیسے صحت مند لوگوں میں برقراری بہتر ہوتی ہے — کیس-مکس کے ساتھ منحنی خطوط کو جوڑیں (رسائی اور مساوات دیکھیں)۔
ذرائع
- Eysenbach G. "The law of attrition." JMIR 2005;7(1):e11. https://www.jmir.org/2005/1/e11/
- Mobile app retention benchmarks. https://uxcam.com/blog/mobile-app-retention-benchmarks/
- Healthcare product benchmarks. https://userpilot.com/blog/healthcare-product-metrics-benchmark-report/