Crecimiento creciente: realice su propio análisis de cohortes con este código fuente abierto

El análisis de cohortes, la retención y la rotación son algunas de las métricas clave en la creación de empresas.

Pero este no es un artículo más sobre análisis de cohortes. Si es un científico de datos experimentado que ya conoce la importancia del tema y desea omitir la introducción, puede saltar al simulador, donde puede aprender a realizar análisis de cohortes y simular el crecimiento de empresas emergentes en función de la retención, la rotación y una serie de otros factores, o analice sus propios registros de PayPal con el software que he abierto.

Sin embargo, si no se da cuenta de que estas son algunas de las métricas más importantes, continúe leyendo.

Introducción al análisis de cohortes

Primero, entendamos de qué estamos hablando aquí con una definición de análisis de cohortes. Brevemente, una cohorte es un grupo de sujetos con una característica definitoria común . Tal vez sea su edad, tal vez su nacionalidad, tal vez su ciudad de nacimiento, etc.

La edad es un ejemplo particularmente bueno. A menudo, nos referimos a los nacidos entre los años 60 y 80 como miembros de la "Generación X" y a los nacidos entre los años 80 y 90 como miembros de la "Generación Y". Cada cohorte, cada generación, tiene sus propias características definitorias .

Del mismo modo, cualquier empresa puede agrupar y analizar a sus clientes por cohortes. Una forma común y muy útil de analizar a tus clientes es agruparlos por la fecha en que comenzaron a usar tu servicio .

¿Qué sucedería si le preguntara: “ ¿Cuánto de sus ingresos del mes pasado provinieron de clientes que comenzaron a trabajar con usted hace un año? ¿Alguna en absoluto? Los nuevos usuarios pueden verse bien, pero los registros por sí solos no equivalen a ingresos. ¿Sabes la respuesta? Si no es así, será útil aprender sobre el análisis de cohortes.

Análisis de cohortes, retención y abandono

Si analiza sus ingresos por cohortes, puede deducir (mensualmente) cuánto de sus ingresos proviene de nuevos usuarios y cuánto proviene de usuarios antiguos . Además, puede dar el siguiente paso y predecir los ingresos futuros atribuidos a la retención y contabilizar la rotación con un grado de precisión significativamente mayor.

Bien, hemos establecido que una cohorte es un grupo de personas con una característica definitoria común. A partir de aquí, procederemos con el ejemplo, examinando las métricas de nuestra nueva y moderna empresa emergente de computación en la nube. Comencemos analizando una sola cohorte. En este caso, veremos a los clientes que comenzaron a trabajar con nosotros en enero de 2012.

La primera métrica importante que debemos calcular es la retención : ¿cuántos de nuestros nuevos usuarios de enero todavía estaban con nosotros en febrero? Digamos que teníamos 100 suscriptores en enero y solo 20 decidieron cancelar sus suscripciones, dejándonos con 80 suscriptores restantes en febrero. El análisis de retención básico nos dice que es una tasa de retención del 80 %. Ahora, digamos que 8 clientes decidieron cancelar en febrero. Así que en marzo tenemos 80-8=72 usuarios. Dado que 72/80 = 90 %, tuvimos una retención del 90 % después de 2 meses para nuestra cohorte de enero de 2012.

Algunas personas calculan la retención en función del tamaño inicial de la cohorte, pero yo prefiero calcular la retención en función del mes anterior de cada cohorte.

La tasa de abandono es otra métrica esencial. Se puede definir en términos de retención: churn = 1 - retención. Entonces, el 80% de retención implica un 20% de abandono. En palabras, es la velocidad a la que los clientes abandonan su servicio.

Volviendo a nuestra puesta en marcha de computación en la nube, analicemos un caso ideal (léase: irreal) : tasa de retención del 100%. Eso significa que ninguno de nuestros clientes deja el servicio, nadie cancela nada. Digamos que nuestra empresa recibe 1000 nuevos clientes al mes. Después de 24 meses, esta empresa tiene 24.000 clientes activos. No está mal. Desafortunadamente, este escenario es básicamente imposible: la retención del 100% solo existe en el paraíso de las empresas emergentes.

Ahora, seamos un poco más realistas y digamos que nuestra empresa tiene una tasa de retención del 90 %. En otras palabras , cada cohorte pierde el 10% de sus clientes cada mes. Una vez más, supondremos 1000 nuevos clientes cada mes.

En este caso, después de recibir 1000 nuevos usuarios en enero de 2012, perdimos 100 clientes en febrero, 90 en marzo, 81 en abril, y así sucesivamente. Veamos cómo se ve este gráfico.

Con 1000 nuevos usuarios por mes a una tasa de retención de clientes del 90 %, tenemos alrededor de 9000 usuarios activos mensuales después de 24 meses. Compare esto con una retención del 100 % y tenemos solo el 37,5 % del caso ideal (24 000 clientes).

En pocas palabras: una caída del 10 % en la tasa de retención provocó una disminución del 62 % en el número total de usuarios activos después de 24 meses .

Los puntos clave aquí: las bajas tasas de retención limitan el crecimiento , y el uso de software para el análisis de cohortes es útil para comprender sus tasas de retención .

crecimiento creciente

Hay varias formas de aumentar el crecimiento: aumentar el presupuesto de marketing, optimizar las conversiones y crear programas de referencia pueden contribuir al crecimiento viral. Analicemos el caso del crecimiento viral, en el que el número de nuevos clientes se ve afectado por el número total de clientes activos de la empresa. En otras palabras: más clientes en el sistema equivale a más personas que recomiendan nuevos clientes equivale a más clientes nuevos .

Digamos que la empresa está creciendo viralmente con un factor (K) constante de 0,20 y que la fórmula que hemos aplicado para calcular el número de nuevos clientes es:

Ahora, visualicemos el mismo ejemplo que antes (1000 nuevos usuarios por mes @ 90% de retención), pero esta vez, agregaremos algo de crecimiento viral (con K = 0.20).

A partir de este gráfico de análisis de cohortes, hay dos conclusiones clave: en primer lugar, un factor constante de 0,20 provocó un aumento del 1000 % en el número total de clientes activos (~90 000) después de 24 meses; y en segundo lugar, el sistema sigue creciendo después de 24 meses, no alcanzó un punto de saturación .

Entonces, para compensar nuestra tasa de retención del 90%, necesitamos crear mecanismos para aumentar nuestro crecimiento cada mes .

Ahora, en este punto, podrías estar diciendo: “Wow, Alejandro: el crecimiento viral es claramente más importante que la retención. ¡Mira cómo ha afectado a nuestra base de clientes!”

A lo que yo respondería: “No tan rápido”.

Analicemos un caso más. Nuestra buena startup de computación en la nube, pero con una tasa de retención del 50 %. Nos mantendremos con 1000 nuevos usuarios por mes y una tasa de crecimiento viral K = 0,20. Pero independientemente de la viralidad, nuestra empresa está funcionando muy mal, perdiendo el 50 % de nuestros clientes en cada cohorte, cada mes.

Después de 24 meses, nuestra empresa solo tiene 3000 clientes activos en lugar de 90 000, ¡esa es una diferencia de 30 veces! La retención es verdaderamente clave.

Pero, ¿por qué la retención tiene un efecto tan poderoso? En resumen: porque el crecimiento viral depende de la cantidad de clientes activos, por lo que si mantenemos a nuestros usuarios por más tiempo, tendremos más referencias .

Recordar:

• En términos generales, la rotación limita el crecimiento.
• La retención aumenta el crecimiento viral.
• Una buena retención y el crecimiento viral son requisitos previos para escalar una empresa a millones o incluso miles de millones de usuarios.

Una palabra final sobre el análisis de la tasa de abandono

Es bastante común ver a más clientes cancelar un servicio durante el primer mes de uso que más tarde. Por eso, en la siguiente simulación, le proporciono dos tasas de retención: la tasa de retención del primer mes y la tasa de retención a largo plazo. El uso de estos parámetros en nuestros cálculos conducirá a resultados más precisos.

Conclusión

El propósito de este tutorial de análisis de cohortes no era brindarle una clase detallada sobre métricas y análisis de cohortes; de hecho, otros discutieron la complejidad de estas estadísticas con mucha más profundidad. En su lugar, quiero despertarlo a la importancia de este tipo de análisis y, lo que es más importante, mostrar a los lectores sus propios ejemplos de análisis de cohortes de ingresos y tasas de abandono con mi solución de software de análisis de cohortes de código abierto.

Si solo hay una pregunta para despertarte, es la siguiente:

¿Cuánto de sus ingresos reales proviene de los usuarios que comenzaron a trabajar con usted hace un año?

Cómo hacer tu propio análisis de cohortes

¡Ahora es tu turno! Hay dos formas de analizar la retención y la rotación de su propio negocio:

1. Cargue sus datos de PayPal en la herramienta que he implementado . Para una divulgación completa, tenga en cuenta que al usar esta herramienta, su archivo de registro se colocará temporalmente en un servidor para su procesamiento (se eliminará tan pronto como se muestren los datos). No obstante, si lo prefieres, siempre puedes…
2. Descargue el código fuente abierto e implemente la herramienta usted mismo . El LÉAME contiene instrucciones detalladas sobre cómo hacerlo. Si no tiene una cuenta de PayPal, puede piratear el código fácilmente para analizar otros tipos de cuentas.

Alternativamente, puede jugar con nuestro simulador y visualizar el crecimiento de inicio en función de todos los parámetros discutidos anteriormente.

¡Gracias por leer!