Startup Glossary

Ανάπτυξη & Analytics

Network Effect
Φαινόμενο Δικτύου
ΕΠΕΞΗΓΗΣΗ

Το φαινόμενο όπου η αξία ενός προϊόντος αυξάνεται όσο περισσότεροι το χρησιμοποιούν (π.χ. social networks).

ΠΑΡΑΔΕΙΓΜΑ

Το WhatsApp:

  • 1 user: άχρηστο
  • 100 φίλοι στο app: πολύ χρήσιμο
  • 1B users: essential

Value grows exponentially with users.

Hockey Stick Growth
Καμπύλη Χόκεϊ
ΕΠΕΞΗΓΗΣΗ

Καμπύλη ανάπτυξης που παραμένει χαμηλή για κάποιο διάστημα και στη συνέχεια εκτοξεύεται απότομα προς τα πάνω.

ΠΑΡΑΔΕΙΓΜΑ

Το Instagram:

  • Month 1: 25K users
  • Month 6: 5M
  • Month 18: 30M
  • Εξαγορά από Facebook (2012): ~30M users, $1B
MoM Growth
Μηνιαία Ανάπτυξη
ΕΠΕΞΗΓΗΣΗ

Month-over-Month — η ποσοστιαία μεταβολή μιας μετρικής από τον έναν μήνα στον επόμενο.

ΠΑΡΑΔΕΙΓΜΑ

MRR δεδομένα:

  • Jan: 10K
  • Feb: 12K
  • MoM = (12-10)/10 = 20%

SaaS "good" MoM: 15-20% early stage.

YoY Growth
Ετήσια Ανάπτυξη
ΕΠΕΞΗΓΗΣΗ

Year-over-Year - το ποσοστό αύξησης σε σχέση με τον ίδιο μήνα (ή περίοδο) του προηγούμενου έτους.

ΠΑΡΑΔΕΙΓΜΑ

Revenue:

  • 2024: 100K
  • 2025: 300K
  • YoY = 200% growth

Καλύτερο metric από MoM σε mature businesses (αποφεύγει seasonality).

DAU
Ημερήσιοι Ενεργοί Χρήστες
ΕΠΕΞΗΓΗΣΗ

Daily Active Users - μοναδικοί χρήστες που χρησιμοποιούν το προϊόν κάθε ημέρα.

ΠΑΡΑΔΕΙΓΜΑ

Slack team με 500 total users.

  • Κάθε μέρα ανοίγουν το app: 350
  • DAU = 350

DAU/MAU ratio > 50% = sticky product.

MAU
Μηνιαίοι Ενεργοί Χρήστες
ΕΠΕΞΗΓΗΣΗ

Monthly Active Users - μοναδικοί χρήστες που χρησιμοποιούν το προϊόν σε διάστημα ενός μήνα.

ΠΑΡΑΔΕΙΓΜΑ

App με:

  • MAU: 10.000
  • DAU: 4.000
  • DAU/MAU: 40% = decent stickiness

Μηνιαίοι Ενεργοί Χρήστες

Stickiness
Πιστότητα Χρήσης
ΕΠΕΞΗΓΗΣΗ

Ο λόγος DAU/MAU - δείχνει πόσο συχνά επιστρέφουν οι χρήστες στο προϊόν.

ΠΑΡΑΔΕΙΓΜΑ

Stickiness = DAU / MAU.

  • WhatsApp: >70% (super sticky)
  • Facebook: 65%
  • Twitter: 50%
  • Fitness app: 15% (challenging)
Cohort Analysis
Ανάλυση Cohort
ΕΠΕΞΗΓΗΣΗ

Ανάλυση συμπεριφοράς ομάδας χρηστών με κοινά χαρακτηριστικά (π.χ., που εγγράφηκαν τον ίδιο μήνα) σε βάθος χρόνου.

ΠΑΡΑΔΕΙΓΜΑ

Δεδομένα: users που εγγράφηκαν τον Ιανουάριο.

  • Month 0: 100% active
  • Month 1: 60%
  • Month 3: 40%
  • Month 6: 30%

Καλύτερα από average — βλέπεις πραγματικό retention over time.