Sua análise mostra que usuários de uma feature retêm o dobro. Você pode dizer ao time de produto para empurrar todo mundo para ela?

Não, não a partir dessa comparação. Usuários que adotam uma feature se autosselecionam: eles já eram mais engajados, o que impulsiona tanto a adoção quanto a retenção, então a maior parte da diferença é confundida. Para afirmar causalidade você precisa de um experimento aleatorizado, ou de um desenho quase experimental crível, como diferenças em diferenças, uma variável instrumental ou uma regressão de descontinuidade em torno de algum corte de elegibilidade.

Eu discordaria, com educação. As pessoas que ligaram aquela feature não são uma amostra aleatória; são as pessoas que já estavam fundo o bastante no produto para encontrá-la. O engajamento anterior impulsiona tanto a adoção quanto a retenção, então a maior parte daquele 2x provavelmente são os usuários, não a feature. A resposta limpa é um rollout aleatorizado: segure uma fatia, ligue a feature para o grupo de tratamento ou pelo menos os incentive, e meça a retenção. Isso leva algumas semanas, então enquanto isso eu faria algo mais útil do que dar de ombros. Eu faria pareamento pelo comportamento do período anterior, comparando adotantes com não adotantes que pareciam idênticos no mês antes da adoção, e veria quanto da diferença sobrevive. Em um projeto assim, a diferença bruta era de cerca de 2x e o pareamento cortou para mais ou menos 1.2x, o que ainda vale alguma coisa, mas é um caso de negócio completamente diferente. Eu daria os dois números e deixaria explícito que o pareado é um teto para o efeito causal, não uma medição dele.