Isı haritasını sütun sütun oku. Soldaki satır bir kayıt dönemidir, sağa gittikçe kullanıcıların yaşı artar. İlk sütundaki düşüş genellikle en serttir, kendi matrisinde de önce ona bak; asıl soru, bu düşüşten sonra eğrinin düzleşip düzleşmediğidir. Her hücrede sayı yazılıdır, renk yalnızca gözü yönlendirir.

Ortak eğri, farklı büyüklükteki cohortları tek çizgide birleştirir. Her dönemde yalnızca o dönemi gözlemlemiş cohortlar sayıldığı için, yeni ve henüz kısa olan satırlar eğriyi bozmaz. Düzleşme, kaybın bu pencerede yavaşladığını söyler; kalıcı bir sadık kitle bulunduğunu söylemez. Bunu ancak daha uzun bir gözlem gösterir.

Desen ipuçları teşhis değildir. İlk dönemde yoğunlaşan kayıp onboarding ve ilk değer anıyla ilgili olabilir; düzleşmeyen orta dönem aşınması ürünün alışkanlık yaratıp yaratmadığını sorgulatır; dalgalanma tanım ya da veri sorununa da işaret edebilir. Cohortlar arası fark, satırların eskiden yeniye dizildiğini varsayar. Segment farkı tek matrisle görünmez: kanal ya da plan bazında ikinci bir matris yapıştırıp aynı grafikte karşılaştır. İpuçlarının eşikleri aracın kuralıdır, ölçüt değildir (örneğin en yeni üç cohort'un M1 ortalamasının öncekilerden en az 5 puan ayrışması).

LTV'deki gözlenmemiş payı ayrıca oku. Matris yalnızca birkaç dönem gösteriyor ve ufuk bunun çok ötesindeyse, sonucun önemli bir kısmı henüz görmediğin dönemlerin varsayımı olabilir. Pay kayıp hızına bağlıdır: kayıp hızlı sürüyorsa küçük, eğri düzleşmişse büyük çıkar. Pay yüzde 50'yi aşınca kutu uyarı tonuna geçer (aracın eşiği); o rakamla bütçe kararı vermeden önce eğriyi bir süre daha gözlemlemek mantıklıdır.

Senaryo bloğu, M1 retention'ı birkaç puan artırmanın LTV'ye etkisini gösterir. Sonuç sezgiden küçük çıkabilir: cohort büyüklüğü değişmez, yalnızca ilk dönemden sonra kalan oran büyür. Bu bir duyarlılık hesabıdır; iyileştirmenin gerçekleşip gerçekleşmeyeceğini yalnızca bir deneme gösterir.

Başlangıç ayı seçeneği retention'ı ve CAC'yi M0 yerine sonraki bir aydan başlatır. a16z'nin "Retention Is All You Need" yazısı (2025), yapay zekâ ürünlerinde bu hesabı M3'ten başlatmayı öneriyor; kayıt olup birkaç ay içinde ayrılan "turistlerin" M3'e kadar çoğunlukla gittiğini, eğrilerin ise çoğunlukla M3 civarında düzleşmeye başladığını yazıyor. Yazı, yazarların gördüğü, ARR'si 1 milyon doları aşan düzinelerce yapay zekâ şirketinden oluşan bir veri setine dayanıyor. Yazarlar ayrıca, eğri sonunda düzleştiği sürece tam zamanlamanın uzun vadeli dolar retention'ı için daha az önemli olduğunu belirtiyor. M3, a16z'nin önerdiği aydır; bu araç onu sabit bir eşik saymaz: ayı matrisinin düzleşme noktasından alabilir ya da elle seçebilirsin. Araç kimin turist olduğunu ayıklamaz ya da tahmin etmez; yalnızca seçilen aydan başlayarak hesaplar. Kalan müşteri başına CAC, CAC ÷ S[k], bir yeniden tabanlamadır ve tüm edinim harcamasının o ayda hâlâ aktif olanlara yazıldığını varsayar; ölçülmüş bir CAC sayılmaz. Koşullu LTV/CAC, k öncesi geliri saymadığı ve CAC'nin tamamını koruduğu için k > 0 iken M0 tabanlı orandan küçük çıkar; iki oranı farklı soruların cevabı olarak oku.