Rosnący wzrost: przeprowadź własną analizę kohortową za pomocą tego kodu open source

Analiza kohortowa, utrzymanie i churn to niektóre z kluczowych wskaźników w budowaniu firmy.

Ale to nie jest kolejny artykuł o analizie kohortowej. Jeśli jesteś doświadczonym analitykiem danych, który już zna znaczenie tematu i chcesz pominąć wprowadzenie, możesz przejść do symulatora, w którym dowiesz się, jak przeprowadzać analizę kohortową i symulować rozwój startupu na podstawie retencji, rezygnacji i wiele innych czynników lub przeanalizuj własne dzienniki PayPal za pomocą oprogramowania, które udostępniłem na zasadach open source.

Jeśli jednak nie zdajesz sobie sprawy, że są to jedne z najważniejszych wskaźników – czytaj dalej.

Wprowadzenie do analizy kohortowej

Najpierw zrozummy, o czym mówimy, z definicją analizy kohortowej. Krótko mówiąc, kohorta to grupa podmiotów o wspólnej charakterystyce definiującej . Może to ich wiek, może ich narodowość, może to ich miasto urodzenia itp.

Wiek jest szczególnie dobrym przykładem. Często określamy osoby urodzone w latach 60. i 80. jako członków „Pokolenia X”, a tych, którzy urodzili się w latach 80. i 90. jako członków „Pokolenia Y”. Każda kohorta, każde pokolenie ma swoje własne cechy definiujące .

Podobnie każda firma może grupować i analizować swoich klientów według kohorty. Powszechnym i bardzo przydatnym sposobem analizy Twoich klientów jest grupowanie ich według daty rozpoczęcia korzystania z Twojej usługi .

A gdybym zadał Ci pytanie: „ Jaka część Twoich przychodów w zeszłym miesiącu pochodziła od klientów, którzy rozpoczęli z Tobą współpracę rok temu? ” W ogóle? Nowi użytkownicy mogą wyglądać dobrze, ale same rejestracje nie oznaczają przychodów. Czy znasz odpowiedz? Jeśli nie, pomocne będzie zapoznanie się z analizą kohortową.

Analiza kohort, retencji i rezygnacji

Analizując swoje przychody według kohort, możesz wywnioskować (co miesiąc), jaka część przychodów pochodzi od nowych użytkowników, a jaka od starych . Ponadto możesz zrobić kolejny krok i ze znacznie większą precyzją przewidzieć przyszłe przychody związane z utrzymaniem i księgowaniem rezygnacji.

Ok, ustaliliśmy więc, że kohorta to grupa ludzi o wspólnej charakterystyce definiującej. Od tego momentu przejdziemy do przykładu, badając metryki naszego nowego startu w dziedzinie chmury obliczeniowej. Zacznijmy od analizy tylko jednej kohorty. W tym przypadku przyjrzymy się klientom, którzy rozpoczęli z nami współpracę w styczniu 2012 roku.

Pierwszym ważnym wskaźnikiem, który musimy obliczyć, jest utrzymanie : ilu naszych nowych styczniowych użytkowników było jeszcze z nami w lutym? Załóżmy, że w styczniu mieliśmy 100 subskrybentów, a tylko 20 zdecydowało się anulować swoje subskrypcje, pozostawiając nam 80 subskrybentów pozostałych w lutym. Podstawowa analiza retencji mówi nam, że wskaźnik retencji wynosi 80%. Załóżmy teraz, że 8 klientów zdecydowało się zrezygnować w lutym. Tak więc w marcu mamy 80-8=72 użytkowników. Ponieważ 72/80 = 90% mieliśmy 90% retencji po 2 miesiącach dla naszej kohorty ze stycznia 2012 roku.

Niektórzy obliczają retencję jako funkcję początkowej wielkości kohorty, ale ja wolę obliczać retencję jako funkcję poprzedniego miesiąca każdej kohorty.

Wskaźnik rezygnacji to kolejny istotny wskaźnik. Można to określić w kategoriach retencji: churn = 1 - retencja. Więc 80% retencji oznacza 20% rezygnacji. Słowem, jest to tempo, w jakim klienci opuszczają Twoją usługę.

Wracając do naszego startu w chmurze, przeanalizujmy idealny (czytaj: nierealny) przypadek : wskaźnik retencji 100%. Oznacza to, że żaden z naszych klientów nie opuszcza usługi – nikt w ogóle nie anuluje. Powiedzmy, że nasza firma zyskuje 1000 nowych klientów miesięcznie. Po 24 miesiącach firma ta ma 24 000 aktywnych klientów. Nieźle. Niestety, taki scenariusz jest w zasadzie niemożliwy – 100% retencja istnieje tylko w raju dla startupów.

Teraz bądźmy bardziej realistyczni i powiedzmy, że nasza firma ma 90% współczynnik retencji. Innymi słowy , każda kohorta traci co miesiąc 10% swoich klientów. Ponownie, co miesiąc będziemy zakładać 1000 nowych klientów.

W tym przypadku po otrzymaniu 1000 nowych użytkowników w styczniu 2012 r. straciliśmy 100 klientów w lutym, 90 w marcu, 81 w kwietniu i tak dalej. Zobaczmy, jak wygląda ten wykres.

Z 1000 nowych użytkowników miesięcznie przy 90% wskaźniku utrzymania klientów, mamy około 9000 aktywnych użytkowników miesięcznie po 24 miesiącach. Porównaj to do 100% retencji, a mamy tylko 37,5% idealnego przypadku (24 000 klientów).

Mówiąc prościej: spadek współczynnika retencji o 10% spowodował spadek łącznej liczby aktywnych użytkowników o 62% po 24 miesiącach .

Oto najważniejsze wnioski: niskie współczynniki utrzymania ograniczają wzrost , a korzystanie z oprogramowania do analizy kohorty jest przydatne do zrozumienia współczynników utrzymania .

Rosnący wzrost

Istnieje kilka sposobów na zwiększenie wzrostu: zwiększenie budżetu marketingowego, optymalizacja konwersji i tworzenie programów polecających mogą przyczynić się do wzrostu wirusa. Przeanalizujmy przypadek wzrostu wirusowego, w którym na liczbę nowych klientów wpływa łączna liczba aktywnych klientów firmy. Innymi słowy: więcej klientów w systemie to więcej osób polecających nowych klientów to więcej nowych klientów .

Załóżmy, że firma rozwija się wirusowo ze stałym współczynnikiem (K) równym 0,20 i że wzór, który zastosowaliśmy do obliczenia liczby nowych klientów, to:

Teraz zwizualizujmy ten sam przykład co poprzednio (1000 nowych użytkowników miesięcznie @ 90% retencji), ale tym razem dorzucimy trochę wirusowego wzrostu (przy K = 0,20).

Z tego wykresu analizy kohortowej wynikają dwa kluczowe wnioski: po pierwsze, stały współczynnik 0,20 spowodował 1000% wzrost całkowitej liczby aktywnych klientów (~90 000) po 24 miesiącach; po drugie, system wciąż rośnie po 24 miesiącach – nie osiągnął punktu nasycenia .

Tak więc, aby zrekompensować nasz 90% wskaźnik retencji, musimy tworzyć mechanizmy, które co miesiąc będą zwiększać nasz wzrost .

W tym momencie możesz powiedzieć: „Wow, Alejandro: wzrost wirusa jest wyraźnie ważniejszy niż zatrzymanie. Zobacz, jak wpłynęło to na naszą bazę klientów!”

Na co odpowiadałbym: „Nie tak szybko”.

Przeanalizujmy jeszcze jeden przypadek. Nasz stary dobry start w chmurze obliczeniowej, ale z 50% współczynnikiem retencji. Będziemy trzymać się 1000 nowych użytkowników miesięcznie i współczynnika wzrostu wirusa K = 0,20. Ale niezależnie od wirusowości, nasza firma radzi sobie naprawdę źle, co miesiąc tracąc 50% naszych klientów w każdej grupie.

Po 24 miesiącach nasza firma ma tylko 3000 aktywnych klientów zamiast 90 000 – to 30-krotna różnica! Retencja jest naprawdę kluczowa.

Ale dlaczego retencja ma tak silny efekt? W skrócie: ponieważ wzrost wirusa zależy od liczby aktywnych klientów, więc jeśli zatrzymamy naszych użytkowników na dłużej, będziemy mieli więcej skierowań .

Przypomnę:

• Ogólnie rzecz biorąc, churn ogranicza wzrost.
• Retencja zwiększa wzrost wirusa.
• Dobra retencja i wzrost liczby wirusów to warunki wstępne skalowania firmy do milionów, a nawet miliardów użytkowników.

Ostatnie słowo na temat analizy wskaźnika rezygnacji

Często zdarza się, że więcej klientów rezygnuje z usługi w pierwszym miesiącu użytkowania niż później. Dlatego w poniższej symulacji przedstawiam dwa wskaźniki retencji: wskaźnik retencji w pierwszym miesiącu i wskaźnik retencji długoterminowej. Użycie tych parametrów w naszych obliczeniach doprowadzi do bardziej precyzyjnych wyników.

Wniosek

Celem tego samouczka dotyczącego analizy kohorty nie było przedstawienie szczegółowej klasy na temat metryk i analiz kohortowych; w rzeczywistości inni omówili znacznie bardziej szczegółowo złożoność tych statystyk. Zamiast tego chcę uświadomić Ci znaczenie tego typu analizy i, co ważniejsze, pokazać czytelnikom ich własne przykłady analizy kohortowej przychodów i wskaźniki rezygnacji dzięki mojemu oprogramowaniu do analizy kohortowej typu open source.

Jeśli jest tylko jedno pytanie, które Cię obudzi, jest to następujące:

Jaka część Twoich rzeczywistych przychodów pochodzi od użytkowników, którzy rozpoczęli z Tobą współpracę rok temu?

Jak przeprowadzić własną analizę kohortową

Teraz twoja kolej! Istnieją dwa sposoby analizy utrzymania i rezygnacji z własnej firmy:

1. Prześlij swoje dane PayPal do wdrożonego przeze mnie narzędzia . Aby uzyskać pełne informacje, pamiętaj, że przy użyciu tego narzędzia plik dziennika zostanie tymczasowo umieszczony na serwerze w celu przetworzenia (usunięty, gdy tylko zostaną wyświetlone dane). Jeśli jednak wolisz, zawsze możesz…
2. Pobierz kod open source i samodzielnie wdroż narzędzie . README zawiera szczegółowe instrukcje, jak to zrobić. Jeśli nie masz konta PayPal, możesz łatwo zhakować kod, aby przeanalizować inne rodzaje kont.

Alternatywnie możesz pobawić się naszym symulatorem i zwizualizować rozwój startupu w oparciu o wszystkie omówione powyżej parametry.

Dziękuje za przeczytanie!