Croissance croissante : effectuez votre propre analyse de cohorte avec ce code open source

L'analyse de cohorte, la rétention et le taux de désabonnement sont quelques-uns des paramètres clés de la création d'entreprise.

Mais ce n'est pas juste un autre article sur l'analyse de cohorte. Si vous êtes un spécialiste des données chevronné qui connaît déjà l'importance du sujet et que vous souhaitez ignorer l'introduction, vous pouvez passer au simulateur, où vous pouvez apprendre à effectuer une analyse de cohorte et à simuler la croissance d'une startup en fonction de la rétention, de l'attrition et un certain nombre d'autres facteurs, ou analysez vos propres journaux PayPal avec le logiciel que j'ai ouvert.

Si, toutefois, vous ne réalisez pas que ce sont quelques-unes des mesures les plus importantes, continuez à lire.

Introduction à l'analyse de cohorte

Tout d'abord, comprenons de quoi nous parlons ici avec une définition d'analyse de cohorte. En bref, une cohorte est un groupe de sujets ayant une caractéristique commune . Peut-être que c'est leur âge, peut-être que c'est leur nationalité, peut-être que c'est leur ville de naissance, etc.

L'âge en est un exemple particulièrement bon. Souvent, nous nous référons aux personnes nées entre les années 60 et les années 80 en tant que membres de la "Génération X" et à celles qui sont nées entre les années 80 et 90 en tant que membres de la "Génération Y". Chaque cohorte, chaque génération, a ses propres caractéristiques déterminantes .

De même, toute entreprise peut regrouper et analyser ses clients par cohorte. Une façon courante et très utile d'analyser vos clients est de les regrouper par date à laquelle ils ont commencé à utiliser votre service .

Et si je vous demandais : « Quelle part de vos revenus le mois dernier provient de clients qui ont commencé à travailler avec vous il y a un an ? ” Du tout ? Les nouveaux utilisateurs peuvent sembler intéressants, mais les inscriptions ne suffisent pas à générer des revenus. Savez-vous la réponse? Sinon, il sera utile d'en savoir plus sur l'analyse de cohorte.

Analyse des cohortes, de la rétention et de l'attrition

Si vous analysez vos revenus par cohortes, vous pouvez en déduire (sur une base mensuelle) quelle part de vos revenus provient des nouveaux utilisateurs et quelle part provient des anciens utilisateurs . De plus, vous pouvez passer à l'étape suivante et prédire les revenus futurs attribués à la rétention et à la comptabilisation du taux de désabonnement avec un degré de précision nettement supérieur.

Ok, nous avons donc établi qu'une cohorte est un groupe de personnes ayant une caractéristique commune. À partir de là, nous allons procéder par exemple, en examinant les métriques de notre nouvelle startup de cloud computing branchée. Commençons par analyser une seule cohorte. Dans ce cas, nous examinerons les clients qui ont commencé à travailler avec nous en janvier 2012.

La première mesure importante que nous devons calculer est la rétention : combien de nos nouveaux utilisateurs de janvier étaient encore avec nous en février ? Disons que nous avions 100 abonnés en janvier et que seulement 20 ont décidé d'annuler leurs abonnements, nous laissant avec 80 abonnés restants en février. L'analyse de rétention de base nous indique qu'il s'agit d'un taux de rétention de 80 %. Maintenant, disons que 8 clients ont décidé d'annuler en février. Donc en mars, nous avons 80-8=72 utilisateurs. Puisque 72/80 = 90% nous avons eu une rétention de 90% après 2 mois pour notre cohorte de janvier 2012.

Certains calculent la rétention en fonction de la taille initiale de la cohorte, mais je préfère calculer la rétention en fonction du mois précédent de chaque cohorte.

Le taux de désabonnement est une autre mesure essentielle. Il peut être défini en termes de rétention : churn = 1 - rétention. Ainsi, 80 % de rétention impliquent 20 % de désabonnement. En d'autres termes, c'est le rythme auquel les clients quittent votre service.

Revenant à notre startup de cloud computing, analysons un cas idéal (lire : irréel) : 100% de taux de rétention. Cela signifie qu'aucun de nos clients ne quitte le service - personne n'annule quoi que ce soit. Disons que notre entreprise reçoit 1 000 nouveaux clients par mois. Après 24 mois, cette entreprise compte 24 000 clients actifs. Pas mal. Malheureusement, ce scénario est fondamentalement impossible - la rétention à 100% n'existe que dans le paradis des startups.

Maintenant, soyons un peu plus réalistes et disons que notre entreprise a un taux de rétention de 90 %. En d'autres termes , chaque cohorte perd 10% de ses clients chaque mois. Encore une fois, nous supposerons 1 000 nouveaux clients chaque mois.

Dans ce cas, après avoir reçu 1 000 nouveaux utilisateurs en janvier 2012, nous avons perdu 100 clients en février, 90 en mars, 81 en avril, etc. Voyons à quoi ressemble ce graphique.

Avec 1 000 nouveaux utilisateurs par mois et un taux de fidélisation de la clientèle de 90 %, nous comptons environ 9 000 utilisateurs actifs par mois après 24 mois. Comparez cela à une rétention de 100 %, et nous n'avons que 37,5 % du cas idéal (24 000 clients).

En termes simples : une baisse de 10 % du taux de rétention a entraîné une diminution de 62 % du nombre total d'utilisateurs actifs après 24 mois .

Les principaux points à retenir ici : de faibles taux de rétention limitent la croissance , et l'utilisation d'un logiciel d'analyse de cohorte est utile pour comprendre vos taux de rétention .

Croissance croissante

Il existe plusieurs façons d'augmenter la croissance : augmenter le budget marketing, optimiser les conversions et créer des programmes de parrainage peuvent tous contribuer à la croissance virale. Analysons le cas de la croissance virale, dans laquelle le nombre de nouveaux clients est affecté par le nombre total de clients actifs de l'entreprise. En d'autres termes : plus de clients sur le système équivaut à plus de personnes référant de nouveaux clients équivaut à plus de nouveaux clients .

Disons que l'entreprise se développe de manière virale avec un facteur constant (K) de 0,20 et que la formule que nous avons appliquée pour calculer le nombre de nouveaux clients est :

Maintenant, visualisons le même exemple qu'avant (1000 nouveaux utilisateurs par mois @ 90% de rétention), mais cette fois, nous allons ajouter une croissance virale (avec K = 0,20).

De ce graphique d'analyse de cohorte, il y a deux principaux points à retenir : premièrement, un facteur constant de 0,20 a entraîné une augmentation de 1 000 % du nombre total de clients actifs (~90 000) après 24 mois ; et deuxièmement, le système continue de croître après 24 mois – il n'a pas atteint un point de saturation .

Ainsi, pour compenser notre taux de rétention de 90 %, nous devons créer des mécanismes pour accroître notre croissance chaque mois .

Maintenant, à ce stade, vous pourriez dire : « Wow, Alejandro : la croissance virale est clairement plus importante que la rétention. Regardez comment cela a affecté notre clientèle !

A quoi je répondrais : "Pas si vite."

Analysons encore un cas. Notre bonne vieille startup de cloud computing, mais avec un taux de rétention de 50 %. Nous nous en tiendrons à 1 000 nouveaux utilisateurs par mois et à un taux de croissance virale K = 0,20. Mais quelle que soit la viralité, notre entreprise fonctionne très mal, perdant 50% de nos clients sur chaque cohorte, chaque mois.

Après 24 mois, notre entreprise ne compte plus que 3 000 clients actifs au lieu de 90 000, c'est 30 fois plus ! La rétention est vraiment la clé.

Mais pourquoi la rétention a-t-elle un effet si puissant ? En bref : Parce que la croissance virale dépend du nombre de clients actifs, donc si nous gardons nos utilisateurs plus longtemps, nous aurons plus de références .

Récapituler:

• De manière générale, le taux de désabonnement limite la croissance.
• La rétention augmente la croissance virale.
• Une bonne rétention et une croissance virale sont des conditions préalables pour faire évoluer une entreprise à des millions, voire des milliards d'utilisateurs.

Un dernier mot sur l'analyse du taux de désabonnement

Il est assez courant de voir plus de clients annuler un service au cours du premier mois d'utilisation que plus tard. C'est pourquoi, dans la simulation suivante, je vous propose deux taux de rétention : le taux de rétention du premier mois et le taux de rétention à long terme. L'utilisation de ces paramètres dans nos calculs conduira à des résultats plus précis.

Conclusion

Le but de ce didacticiel d'analyse de cohorte n'était pas de vous donner un cours détaillé sur les métriques et l'analyse de cohorte ; en fait, d'autres ont discuté beaucoup plus en profondeur de la complexité de ces statistiques. Au lieu de cela, je souhaite vous éveiller à l'importance de ce type d'analyse et, plus important encore, montrer aux lecteurs leurs propres exemples d'analyse de cohorte de revenus et leurs taux de désabonnement avec ma solution logicielle d'analyse de cohorte open source.

S'il n'y a qu'une question pour vous réveiller, c'est la suivante :

Quelle part de vos revenus réels provient des utilisateurs qui ont commencé à travailler avec vous il y a un an ?

Comment faire votre propre analyse de cohorte

Maintenant c'est ton tour! Il existe deux façons d'analyser la rétention et le taux de désabonnement de votre propre entreprise :

1. Téléchargez vos données PayPal dans l'outil que j'ai déployé . Pour une divulgation complète, veuillez noter qu'en utilisant cet outil, votre fichier journal sera temporairement placé sur un serveur pour traitement (supprimé dès que les données sont affichées). Cependant, si vous préférez, vous pouvez toujours…
2. Téléchargez le code open source et déployez l'outil vous -même. Le README contient des instructions détaillées sur la façon de procéder. Si vous n'avez pas de compte PayPal, vous pouvez facilement pirater le code pour analyser d'autres types de comptes.

Alternativement, vous pouvez jouer avec notre simulateur et visualiser la croissance du démarrage en fonction de tous les paramètres décrits ci-dessus.

Merci d'avoir lu!