Alejandro Rigatuso on de: n perustaja Postcron.com , helppo työkalu odottaa Facebookissa ja Twitterissä. Voit ottaa häneen yhteyttä: [sähköposti suojattu] .

Kohortin analyysi , säilyttäminen ja korko asiakkaiden peruuttaminen on yksi avainindikaattorit suorituskyky yrityksen kehittämiseksi.

Tämä ei ole vain yksi kohorttianalyysiartikkeli. Jos olet datatieteilijä ihastunut aiheesta ja sinulla on jo tieto sen tärkeydestä, voit ohittaa johdannon. Aloita simulaattori , jossa opit tekemään kohorttianalyysin ja simuloimaan käynnistyksen kasvua säilyttämisen, asiakkaiden vaihtumisnopeuden ja monien muiden tekijöiden perusteella. Voit jopa oppia analysoimaan omaa PayPal-lokit ohjelmiston kanssa Avoin lähdekoodi .

Jos et ole vielä tajunnut, että nämä ovat tärkeimpiä indikaattoreita, jatka lukemista.

Johdanto kohorttianalyysiin:

Ensinnäkin meidän on ymmärrettävä, mistä puhumme täällä, kohorttianalyysin avulla. Lyhyesti sanottuna kohortti on ryhmä aiheita, joilla on yhteiset piirteet . Ehkä se on ikäsi, kansalaisuutesi, ehkä se on syntymäkaupunkisi jne.

Ikä on erityisen hyvä esimerkki. Usein me kutsumme 1960-luvun ja 1980-luvun välillä syntyneitä X-sukupolven jäseniksi ja 1980- ja 1990-luvulla syntyneitä Y-sukupolven jäseniksi. Jokaisella kohortilla, jokaisella sukupolvella on omat ominaisuutensa .

Samoin kuka tahansa yritys voi ryhmittää ja analysoida asiakkaitaan kohorttien kautta. Yleinen ja varsin hyödyllinen tapa analysoida asiakkaita on ryhmitellä heidät palvelun alkamispäivän mukaan.

Entä jos kysyisin sinulta: 'Kuinka suuri osa tuloistasi viime kuussa tuli asiakkailta, jotka alkoivat työskennellä kanssasi vuosi sitten?' Ei yhtäkään? Uudet käyttäjät voivat näyttää hyvältä, mutta pelkät tilaukset eivät ole yhtä suuria kuin tulot. Tiedät vastauksen? Jos et tiedä sitä, on hyödyllistä oppia kohortin analyysistä.

Kohortin analyysi, säilyttäminen ja asiakkaan peruutusaste:

Jos analysoit tulosi kohorttien mukaan, Voit päätellä (kuukausittain), kuinka suuri osa tuloistasi tulee uusilta käyttäjiltä ja mikä osa vanhoilta käyttäjiltä. Plus, mene askeleen pidemmälle ja ennusta korkeammalla tarkkuudella asiakkaiden säilyttämiseen ja vaihtumisasteeseen liittyvät tulot.

Joten olemme todenneet, että kohortti on ihmisryhmä, jolla on yhteiset piirteet. Tästä eteenpäin jatkamme esimerkiksi tutkimalla pilvipalvelujen käynnistyksen mittareita. Aloitetaan tarkastelemalla yhtä kohorttia. Tässä tapauksessa keskitymme asiakkaisiin, jotka alkoivat työskennellä kanssamme tammikuussa 2012.

Ensimmäinen tärkeä laskettava mittari on säilyttäminen: Kuinka monta uutta käyttäjää tammikuussa asui luonamme helmikuussa? Oletetaan, että meillä oli 100 käyttäjää tammikuussa, ja vain 20 päätti peruuttaa tilauksensa, jolloin 80 käyttäjää jäi jäljelle helmikuussa. Perussiirtymisanalyysi kertoo meille, että tämä on 80%: n retentioaste. Oletetaan, että 8 asiakasta päätti peruuttaa helmikuussa. Joten maaliskuussa meillä on 80-8 = 72 käyttäjää. Koska 72/80 = 90%, meillä on 90%: n retentio kahden kuukauden kuluttua tammikuun 2012 kohortistamme.

Jotkut ihmiset laskevat retention alkuperäisen kohortin koon perusteella, mutta mieluummin lasken retention kunkin kohortin edellisen kuukauden perusteella.

Asiakkaan peruutusaste on toinen olennainen mittari . Se voidaan määritellä pidättämisenä: Asiakkaan peruutusaste = 1 - pidättäminen. Siksi 80%: n retentio tarkoittaa 20%: n keskeyttämistä. Toisin sanoen se on nopeus, jolla asiakkaat poistuvat palvelustasi.

Palataksemme pilvipalvelujen alkuun, analysoimme a ihanteellinen (lue: epätodellinen) tapaus : 100% retentioasteesta. Tämä tarkoittaa, että kukaan asiakkaistamme ei luopu palvelusta. Oletetaan, että yrityksemme saa 1000 uutta asiakasta kuukaudessa. 24 kuukauden kuluttua tällä yrityksellä on 24 000 aktiivista asiakasta, mikä ei ole huono asia. Valitettavasti tämä skenaario on periaatteessa mahdoton, koska 100%: n säilyttäminen on olemassa vain käynnistysparatiisissa.

Olkaamme nyt hieman realistisempia ja sanotaan, että yrityksemme retentioaste on 90%. Toisin sanoen kukin kohortti menettää 10% asiakkaistaan ​​kuukaudessa. Oletamme jälleen, että kuukaudessa on 1 000 uutta asiakasta.

Tässä tapauksessa olemme saaneet 1000 uutta käyttäjää tammikuussa 2012, ja olemme menettäneet 100 asiakasta helmikuussa, 90 maaliskuussa, 81 huhtikuussa ja niin edelleen. Katsotaanpa, mitä seuraava kaavio näyttää:

1 000 uutta käyttäjää kuukaudessa, 90%: n säilytysasteella, meillä on noin 9000 aktiivista käyttäjää kuukausittain 24 kuukauden jälkeen. Vertaa tätä 100%: n säilyttämiseen, ja päädymme 37,5%: iin ihanteellisesta tapauksesta (24 000 asiakasta).

Toisin sanoen: 10%: n lasku säilyttämisasteessa vähensi aktiivisten käyttäjien kokonaismäärää 62% 24 kuukauden jälkeen.

Tärkeimmät kohdat tässä: Matala retentioaste rajoittaa kasvua, ja kohorttianalyysiohjelmiston käytöstä on apua retentioasteiden ymmärtämisessä.

Kasvu kasvaa

Tässä vaiheessa saatat ajatella: ”Mutta Alejandro, odota! Jos jokaisella yrityksellä on asiakkaan vaihtumisnopeus ja nämä vaihtoprosentit rajoittavat kasvua, miten jotkut yritykset saavuttavat kasvun käänteinen L-muoto ?

Henkilökohtaisesti vastaisin: 'Koska sen kasvu on kasvussa.'

On useita tapoja lisätä kasvua: lisätä markkinointibudjettiasi, tulosten optimointi ja luominen viittausohjelmat , kaikki nämä tavat voivat liittyä viruksen kasvu . Analysoidaan viraalisesti kasvavaa tapausta, jossa uusien asiakkaiden määrään vaikuttaa yrityksen aktiivisten asiakkaiden kokonaismäärä. Toisin sanoen: enemmän asiakkaita järjestelmässä vastaa enemmän ihmisiä viittaa uusiin asiakkaisiin yhtä paljon uusia asiakkaita.

Sanotaan, että yritys kasvaa viraalisesti vakiotekijällä (K) 0,20 ja että kaava että olemme soveltaneet laskemaan uusien asiakkaiden lukumäärän:

uudet asiakkaat (kuukausi) = k * asiakkaiden kokonaismäärä (kuukausi-1)

Nyt näemme saman esimerkin kuin aiemmin (1000 uutta käyttäjää kuukaudessa 90%: n retentio), mutta tällä kertaa sisällytämme siihen, että jotkut kasvavat viraalisesti (K = 0,20).

Tässä kohorttianalyysikaaviossa on kaksi avainkohtaa: ensinnäkin vakiokerroin 0,20 on aiheuttanut 1 000 prosentin kasvun aktiivisten asiakkaiden kokonaismäärässä (~ 90 000) 24 kuukauden jälkeen; Ja toiseksi, järjestelmä kasvaa edelleen 24 kuukauden jälkeen eikä kyllästymispistettä saavuttanut.

Joten korvaamaan 90%: n retentioasteemme, meidän on luotava mekanismeja kasvun kasvattamiseksi joka kuukausi.

Nyt tässä vaiheessa voit sanoa: 'Vau, Alejandro! Virusten kasvu on selvästi tärkeämpää kuin retentio. Katso, miten se vaikuttaa asiakaskuntaamme! '

Missä vastaisin: 'Ei niin nopeasti'.

Analysoidaan vielä yksi tapaus. Käytämme vanhaa hyvää ystäväämme, pilvipalvelujen käynnistämistä; mutta tällä kertaa 50%: n retentioasteella. Keskitymme 1 000 uuteen käyttäjään kuukaudessa ja viruksen kasvunopeus on K = 0,20. Mutta riippumatta siitä, kuinka viraalinen se on, yrityksemme on toiminut hyvin huonosti, menettää 50% asiakkaistamme kussakin kohortissa ja siten kuukausittain.

24 kuukauden kuluttua yrityksellämme on vain 3 000 aktiivista asiakasta 90 000 sijasta, mikä on 30x ero. Säilyttäminen on todella avain.

Mutta miksi tällaisella säilyttämisellä on niin voimakas vaikutus? Yhteenvetona: koska virusten kasvu riippuu aktiivisten asiakkaiden määrästä, joten jos haluamme pitää käyttäjämme pidempään, meillä on enemmän viitteitä.

Kiteyttää:

• Kaiken kaikkiaan asiakkaan vaihtumisaste rajoittaa kasvua.
• Retentio lisää viruksen kasvua.
• Hyvä retentio ja virusten kasvu ovat edellytyksiä yrityksen laajentamiselle miljoonille tai jopa miljardeille käyttäjille.

Viimeinen sana asiakkaan vaihtumisnopeusindeksin analysointiin

On melko tavallista, että useampi asiakas peruuttaa palvelun ensimmäisen käyttökuukauden aikana kuin myöhemmin. Siksi seuraavassa simulaatiossa tarjoan sinulle kaksi retentioastetta: ensimmäisen kuukauden retentioaste ja pitkän aikavälin retentioaste. Näiden parametrien käyttäminen laskelmissamme johtaa tarkempiin tuloksiin.

johtopäätös

Tämän kohorttianalyysiopetusohjelman tarkoituksena ei ollut antaa sinulle yksityiskohtaista oppituntia mittauksista tai kohorttianalyysistä; itse asiassa muut asiantuntijat keskustelivat näiden tilastojen monimutkaisuudesta perusteellisemmin. Haluan pikemminkin, että ymmärrät tämän tyyppisen analyysin tärkeyden ja mikä vielä tärkeämpää, näytät lukijoille omia esimerkkejä tuloryhmän analyysistä ja asiakkaiden vaihtumisasteesta avoimen lähdekoodin ohjelmistoratkaisujen kohorttianalyysillä.

Ja siksi, kun olet lukenut opetusohjelman, ihmettelet ...

Kuinka suuri prosenttiosuus todellisista tuloistasi tulee käyttäjiltä, ​​jotka alkoivat työskennellä yrityksessäsi vuosi sitten?

Kuinka suorittaa oma kohortti-analyysi

Nyt on sinun vuorosi! On kaksi tapaa analysoida yrityksesi säilyttämisastetta ja asiakkaiden vaihtumisnopeutta:

1. Lataa tiedot PayPal-tililtäsi työkaluun, jonka olen ottanut käyttöön. Jos haluat olla täysin avoin, muista, että tätä työkalua käyttämällä lokitiedostosi sijoitetaan väliaikaisesti palvelimelle käsittelyn vuoksi (ne poistetaan heti, kun tiedot ovat näkyvissä). Kuitenkin, jos haluat, voit aina ...

2. ladata Avaa lähdekoodi ja ota työkalu käyttöön itse. README-tiedosto sisältää yksityiskohtaiset ohjeet tämän tekemiseen. Jos sinulla ei ole PayPal-tiliä, voit helposti hakkeroida koodin analysoidaksesi muun tyyppisiä tilejä.

Vaihtoehtoisesti voit pelata simulaattorillamme ja visualisoida kasvun alkamisen yllä mainittujen parametrien perusteella.

Kiitos, että luit!