Pertumbuhan Berkembang: Lakukan Analisis Kelompok Anda Sendiri dengan Kode Sumber Terbuka Ini

Analisis kohort, retensi, dan churn adalah beberapa metrik kunci dalam membangun perusahaan.

Tapi ini bukan hanya artikel lain tentang analisis kohort. Jika Anda seorang ilmuwan data berpengalaman yang sudah mengetahui pentingnya topik dan ingin melewatkan pendahuluan, Anda dapat melompat ke simulator, di mana Anda dapat mempelajari cara melakukan analisis kohort dan mensimulasikan pertumbuhan startup berdasarkan retensi, churn, dan sejumlah faktor lain, atau analisis log PayPal Anda sendiri dengan perangkat lunak yang saya sumberkan secara terbuka.

Namun, jika Anda tidak menyadari bahwa ini adalah beberapa metrik yang paling penting–lanjutkan membaca.

Pengantar Analisis Kelompok

Pertama, mari kita pahami apa yang sedang kita bicarakan di sini dengan definisi analisis kohort. Secara singkat, kohort adalah sekelompok mata pelajaran dengan ciri khas yang sama . Mungkin usia mereka, mungkin kebangsaan mereka, mungkin kota kelahiran mereka, dll.

Usia adalah contoh yang sangat baik. Seringkali, kita menyebut mereka yang lahir antara tahun 60-an dan 80-an sebagai anggota "Generasi X" dan mereka yang lahir antara tahun 80-an dan 90-an sebagai anggota "Generasi Y". Setiap kelompok, setiap generasi, memiliki karakteristik yang menentukan .

Demikian pula, perusahaan mana pun dapat mengelompokkan dan menganalisis pelanggan mereka berdasarkan kelompok. Cara yang umum dan sangat berguna untuk menganalisis pelanggan Anda adalah dengan mengelompokkannya menurut tanggal saat mereka mulai menggunakan layanan Anda .

Bagaimana jika saya bertanya kepada Anda: “ Berapa banyak pendapatan Anda bulan lalu yang berasal dari pelanggan yang mulai bekerja dengan Anda setahun yang lalu? “Ada sama sekali? Pengguna baru mungkin terlihat bagus, tetapi pendaftaran saja tidak sama dengan pendapatan. Apakah Anda tahu jawabannya? Jika tidak, mempelajari analisis kohort akan sangat membantu.

Kohort, retensi, dan analisis churn

Jika Anda menganalisis pendapatan menurut kelompok, Anda dapat menyimpulkan (setiap bulan) berapa banyak pendapatan Anda yang berasal dari pengguna baru dan berapa banyak yang berasal dari pengguna lama . Selain itu, Anda dapat mengambil langkah berikutnya dan memprediksi pendapatan di masa mendatang yang dikaitkan dengan retensi dan akuntansi untuk churn dengan tingkat presisi yang jauh lebih tinggi.

Oke, jadi kami telah menetapkan bahwa kohort adalah sekelompok orang dengan ciri khas yang sama. Dari sini, kami akan melanjutkan dengan contoh, memeriksa metrik dari startup komputasi awan baru kami. Mari kita mulai dengan menganalisis hanya satu kohort. Dalam hal ini, kami akan melihat pelanggan yang mulai bekerja dengan kami pada Januari 2012.

Metrik penting pertama yang perlu kami hitung adalah retensi : berapa banyak pengguna baru Januari kami yang masih bersama kami di bulan Februari? Katakanlah kami memiliki 100 pelanggan di bulan Januari, dan hanya 20 yang memutuskan untuk membatalkan langganan mereka, menyisakan 80 pelanggan tersisa di bulan Februari. Analisis retensi dasar memberi tahu kita bahwa itu adalah tingkat retensi 80%. Sekarang, katakanlah 8 pelanggan memutuskan untuk membatalkan pada bulan Februari. Jadi di bulan Maret, kami memiliki 80-8=72 pengguna. Sejak 72/80 = 90%, kami memiliki retensi 90% setelah 2 bulan untuk kohort Januari 2012 kami.

Beberapa orang menghitung retensi sebagai fungsi dari ukuran awal kelompok, tetapi saya lebih suka menghitung retensi sebagai fungsi bulan sebelumnya dari setiap kelompok.

Tingkat churn adalah metrik penting lainnya. Ini dapat didefinisikan dalam hal retensi: churn = 1 - retensi. Jadi 80% retensi menyiratkan 20% churn. Dengan kata lain, ini adalah tingkat di mana pelanggan meninggalkan layanan Anda.

Kembali ke startup komputasi awan kami, mari menganalisis kasus ideal (baca: tidak nyata) : tingkat retensi 100%. Itu berarti tidak ada pelanggan kami yang meninggalkan layanan–tidak ada yang membatalkan sama sekali. Katakanlah perusahaan kami mendapat 1.000 pelanggan baru per bulan. Setelah 24 bulan, perusahaan ini memiliki 24.000 pelanggan aktif. Lumayan. Sayangnya, skenario ini pada dasarnya tidak mungkin – retensi 100% hanya ada di surga startup.

Sekarang, mari kita sedikit lebih realistis dan katakan bahwa perusahaan kita memiliki tingkat retensi 90%. Dengan kata lain , setiap kelompok kehilangan 10% pelanggannya setiap bulan. Sekali lagi, kami akan mengasumsikan 1.000 pelanggan baru setiap bulan.

Dalam hal ini, setelah menerima 1.000 pengguna baru pada Januari 2012, kami kehilangan 100 pelanggan pada Februari, 90 pada Maret, 81 pada April, dan seterusnya. Mari kita lihat seperti apa grafik ini.

Dengan 1000 pengguna baru per bulan dengan tingkat retensi pelanggan 90%, kami memiliki sekitar 9.000 pengguna aktif bulanan setelah 24 bulan. Bandingkan ini dengan retensi 100%, dan kami hanya memiliki 37,5% kasus ideal (24.000 pelanggan).

Sederhananya: penurunan 10% pada tingkat retensi menyebabkan penurunan 62% pada jumlah total pengguna aktif setelah 24 bulan .

Kesimpulan utama di sini: tingkat retensi yang rendah membatasi pertumbuhan , dan menggunakan perangkat lunak untuk analisis kohort berguna untuk memahami tingkat retensi Anda .

Tumbuh pertumbuhan

Ada beberapa cara untuk meningkatkan pertumbuhan: meningkatkan anggaran pemasaran, mengoptimalkan konversi, dan membuat program rujukan, semuanya dapat berkontribusi pada pertumbuhan viral. Mari kita analisa kasus viral grow, dimana jumlah pelanggan baru dipengaruhi oleh jumlah pelanggan aktif perusahaan. Dengan kata lain: lebih banyak pelanggan di sistem sama dengan lebih banyak orang yang merujuk pelanggan baru sama dengan lebih banyak pelanggan baru .

Katakanlah perusahaan sedang berkembang pesat dengan faktor konstan (K) 0,20 dan rumus yang telah kita terapkan untuk menghitung jumlah pelanggan baru adalah:

Sekarang, mari kita visualisasikan contoh yang sama seperti sebelumnya (1000 pengguna baru per bulan @ retensi 90%), tetapi kali ini, kita akan memasukkan beberapa pertumbuhan virus (dengan K = 0,20).

Dari grafik analisis kohort ini, ada dua kesimpulan utama: pertama, faktor konstan 0,20 telah menyebabkan peningkatan 1000% dalam jumlah total pelanggan aktif (~90.000) setelah 24 bulan; dan kedua, sistem masih berkembang setelah 24 bulan—tidak mencapai titik jenuh .

Jadi, untuk mengimbangi tingkat retensi 90% kami, kami perlu membuat mekanisme untuk menumbuhkan pertumbuhan kami setiap bulan .

Sekarang, pada titik ini, Anda mungkin berkata: “Wow, Alejandro: pertumbuhan virus jelas lebih penting daripada retensi. Lihat bagaimana hal itu memengaruhi basis pelanggan kami!”

Yang saya akan menjawab: "Tidak begitu cepat."

Mari kita menganalisis satu kasus lagi. Startup komputasi awan kami yang bagus, tetapi dengan tingkat retensi 50%. Kami akan tetap dengan 1.000 pengguna baru per bulan dan tingkat pertumbuhan virus K = 0,20. Tetapi terlepas dari viralitasnya, perusahaan kami berkinerja sangat buruk, kehilangan 50% pelanggan kami di setiap kelompok, setiap bulan.

Setelah 24 bulan, perusahaan kami hanya memiliki 3.000 pelanggan aktif, bukan 90.000–itu perbedaan 30x lipat! Retensi benar-benar adalah kuncinya.

Tetapi mengapa retensi memiliki efek yang begitu kuat? Singkatnya: Karena pertumbuhan virus bergantung pada jumlah pelanggan aktif, jadi jika kami mempertahankan pengguna lebih lama, kami akan memiliki lebih banyak rujukan .

Untuk rekap:

• Secara umum, churn membatasi pertumbuhan.
• Retensi meningkatkan pertumbuhan virus.
• Retensi yang baik dan pertumbuhan viral merupakan prasyarat untuk menskalakan perusahaan hingga jutaan, atau bahkan miliaran pengguna.

Kata terakhir tentang analisis tingkat churn

Cukup umum untuk melihat lebih banyak pelanggan membatalkan layanan selama bulan pertama penggunaan daripada nanti. Itu sebabnya dalam simulasi berikut, saya memberi Anda dua tingkat retensi: Tingkat Retensi Bulan Pertama dan Tingkat Retensi Jangka Panjang. Menggunakan parameter ini dalam perhitungan kami akan menghasilkan hasil yang lebih tepat.

Kesimpulan

Tujuan dari tutorial analisis kelompok ini bukan untuk memberi Anda kelas terperinci tentang metrik dan analisis kelompok; pada kenyataannya, yang lain membahas kompleksitas statistik ini secara lebih mendalam. Alih-alih, saya ingin menyadarkan Anda tentang pentingnya jenis analisis ini dan, yang lebih penting, menunjukkan kepada pembaca contoh analisis kohort pendapatan mereka sendiri dan tingkat churn dengan solusi perangkat lunak analisis kohort open source saya.

Jika hanya ada satu pertanyaan yang membangunkan Anda, itu adalah sebagai berikut:

Berapa banyak pendapatan Anda yang sebenarnya berasal dari pengguna yang mulai bekerja dengan Anda setahun yang lalu?

Bagaimana melakukan analisis kohort Anda sendiri?

Sekarang giliran Anda! Ada dua cara untuk menganalisis retensi dan churn bisnis Anda sendiri:

1. Unggah Data PayPal Anda ke alat yang telah saya terapkan . Untuk pengungkapan penuh, harap perhatikan bahwa dengan menggunakan alat ini, file log Anda sementara akan ditempatkan di server untuk diproses (dihapus segera setelah data ditampilkan). Namun, jika Anda mau, Anda selalu dapat…
2. Unduh kode sumber terbuka dan gunakan alat ini sendiri . README berisi instruksi terperinci tentang cara melakukannya. Jika Anda tidak memiliki akun PayPal, Anda dapat meretas kode dengan mudah untuk menganalisis jenis akun lainnya.

Atau, Anda dapat bermain-main dengan simulator kami dan memvisualisasikan pertumbuhan startup berdasarkan semua parameter yang dibahas di atas.

Terima kasih sudah membaca!