การเติบโตที่เติบโต: ทำการวิเคราะห์ตามรุ่นของคุณเองด้วยโอเพ่นซอร์สโค้ด

การวิเคราะห์ตามการได้มา การเก็บรักษา และการเลิกราเป็นตัวชี้วัดหลักบางส่วนในการสร้างบริษัท

แต่นี่ไม่ใช่แค่บทความอื่นเกี่ยวกับการวิเคราะห์ตามการได้มา หากคุณเป็นนักวิทยาศาสตร์ข้อมูลมากประสบการณ์ที่รู้ถึงความสำคัญของหัวข้อนี้แล้วและต้องการข้ามการแนะนำ คุณสามารถข้ามไปที่โปรแกรมจำลอง ซึ่งคุณสามารถเรียนรู้วิธีวิเคราะห์ตามรุ่นและจำลองการเติบโตของการเริ่มต้นโดยพิจารณาจากการเก็บรักษา การเลิกใช้ และ ปัจจัยอื่นๆ อีกหลายประการ หรือวิเคราะห์บันทึก PayPal ของคุณเองด้วยซอฟต์แวร์ที่ฉันเปิดมา

อย่างไรก็ตาม หากคุณไม่ทราบว่านี่เป็นตัวชี้วัดที่สำคัญที่สุดบางส่วน โปรดอ่านต่อไป

บทนำสู่การวิเคราะห์ตามการได้มา

อันดับแรก มาทำความเข้าใจสิ่งที่เรากำลังพูดถึงที่นี่ด้วยคำจำกัดความของการวิเคราะห์ตามการได้มา โดยสังเขป กลุ่มประชากรตามรุ่นคือกลุ่มของอาสาสมัครที่มีลักษณะการกำหนดร่วมกัน บางทีอาจเป็นเพราะอายุ อาจเป็นเพราะสัญชาติ อาจเป็นเมืองเกิด ฯลฯ

อายุเป็นตัวอย่างที่ดีโดยเฉพาะ บ่อยครั้งที่เราอ้างถึงผู้ที่เกิดระหว่างยุค 60 และยุค 80 ว่าเป็นสมาชิกของ "Generation X" และผู้ที่เกิดระหว่างยุค 80 และ 90 เป็นสมาชิกของ "Generation Y" แต่ละรุ่น แต่ละรุ่น มีลักษณะเฉพาะของตัวเอง

ในทำนองเดียวกัน บริษัทใดๆ ก็สามารถจัดกลุ่มและวิเคราะห์ลูกค้าตามกลุ่มได้ วิธีทั่วไปและมีประโยชน์มากในการวิเคราะห์ลูกค้าของคุณคือการ จัดกลุ่มตามวันที่ที่พวกเขาเริ่มใช้บริการของคุณ

จะเกิดอะไรขึ้นหากฉันจะถามคุณว่า: “ เดือนที่แล้วคุณมีรายได้เท่าไรจากลูกค้าที่เริ่มทำงานกับคุณเมื่อหนึ่งปีที่แล้ว? ” ใด ๆ เลย? ผู้ใช้ใหม่อาจดูดี แต่การสมัครเพียงอย่างเดียวไม่เท่ากับรายได้ คุณรู้คำตอบหรือไม่? หากไม่เป็นเช่นนั้น การเรียนรู้เกี่ยวกับการวิเคราะห์ตามการได้มาจะเป็นประโยชน์

กลุ่มประชากรตามรุ่น การเก็บรักษา และการวิเคราะห์การปั่นป่วน

หากคุณวิเคราะห์รายได้ตามกลุ่มประชากรตามรุ่น คุณจะสรุปได้ (เป็นรายเดือน) ว่ารายได้ของคุณมาจากผู้ใช้รายใหม่และจำนวนที่มาจากผู้ใช้เก่า นอกจากนี้ คุณสามารถดำเนินการในขั้นต่อไปและคาดการณ์รายได้ในอนาคตที่เกิดจากการรักษาและการบัญชีสำหรับการเลิกใช้งานด้วยระดับความแม่นยำที่สูงขึ้นอย่างมาก

ตกลง เราจึงกำหนดว่ากลุ่มประชากรตามรุ่นคือกลุ่มคนที่มีลักษณะการกำหนดร่วมกัน จากที่นี่ เราจะดำเนินการตามตัวอย่าง โดยตรวจสอบเมตริกของการเริ่มต้นใช้งานคลาวด์คอมพิวติ้งสุดฮิปของเรา เริ่มต้นด้วยการวิเคราะห์กลุ่มผลิตภัณฑ์เพียงกลุ่มเดียว ในกรณีนี้ เราจะพิจารณาลูกค้าที่เริ่มทำงานกับเราในเดือนมกราคม 2555

เมตริกสำคัญอันดับแรกที่เราต้องคำนวณคือการรักษา ผู้ใช้ : ผู้ใช้ใหม่เดือนมกราคมของเรายังคงอยู่กับเราในเดือนกุมภาพันธ์จำนวนเท่าใด สมมติว่าเรามีผู้ติดตาม 100 คนในเดือนมกราคม และมีเพียง 20 คนเท่านั้นที่ตัดสินใจยกเลิกการสมัครรับข้อมูล ทำให้เหลือสมาชิกอีก 80 คนในเดือนกุมภาพันธ์ การวิเคราะห์การรักษาผู้ใช้ขั้นพื้นฐานบอกเราว่ามีอัตราการรักษาอยู่ที่ 80% สมมติว่ามีลูกค้า 8 รายตัดสินใจยกเลิกในเดือนกุมภาพันธ์ ในเดือนมีนาคม เรามีผู้ใช้ 80-8=72 คน ตั้งแต่ 72/80 = 90% เรามีการคงผู้ใช้ไว้ 90% หลังจาก 2 เดือนในกลุ่มประชากรตามรุ่นในเดือนมกราคม 2012

บางคนคำนวณการเก็บรักษาเป็นฟังก์ชันของขนาดเริ่มต้นของกลุ่มประชากรตามรุ่น แต่ฉันชอบที่จะคำนวณการเก็บข้อมูลเป็นฟังก์ชันของเดือนก่อนหน้าของแต่ละกลุ่ม

อัตราการปั่นเป็นอีกหนึ่งตัวชี้วัดที่สำคัญ สามารถกำหนดได้ในแง่ของการเก็บรักษา: ปั่น = 1 - การเก็บรักษา ดังนั้นการคงอยู่ 80% หมายถึงการปั่นป่วน 20% กล่าวคือเป็นอัตราที่ลูกค้าออกจากบริการของคุณ

กลับไปที่การเริ่มต้นการประมวลผลแบบคลาวด์ มาวิเคราะห์กรณีศึกษา (อ่าน: ไม่จริง) ในอุดมคติ: อัตราการรักษา 100% นั่นหมายความว่าไม่มีลูกค้าของเราออกจากบริการ และไม่มีใครยกเลิกเลย สมมติว่าบริษัทของเรามีลูกค้าใหม่ 1,000 รายต่อเดือน หลังจาก 24 เดือน บริษัทนี้มีลูกค้าที่ใช้งานอยู่ 24,000 ราย ก็ไม่เลวนะ. น่าเสียดายที่สถานการณ์นี้เป็นไปไม่ได้โดยพื้นฐาน - การรักษา 100% มีอยู่ในสวรรค์ของการเริ่มต้นเท่านั้น

ตอนนี้ มาทำให้เป็นจริงขึ้นเล็กน้อยแล้วบอกว่าบริษัทของเรามีอัตราการคงอยู่ 90% กล่าว คือ แต่ละกลุ่มจะสูญเสียลูกค้า 10% ทุกเดือน อีกครั้ง เราจะถือว่ามีลูกค้าใหม่ 1,000 รายทุกเดือน

ในกรณีนี้ หลังจากได้รับผู้ใช้ใหม่ 1,000 รายในเดือนมกราคม 2555 เราสูญเสียลูกค้า 100 รายในเดือนกุมภาพันธ์ 90 ในเดือนมีนาคม 81 รายในเดือนเมษายน เป็นต้น ลองดูว่ากราฟนี้มีลักษณะอย่างไร

ด้วยผู้ใช้ใหม่ 1,000 รายต่อเดือนที่อัตราการรักษาลูกค้า 90% เรามีผู้ใช้ที่ใช้งานอยู่ประมาณ 9,000 รายต่อเดือนหลังจาก 24 เดือน เปรียบเทียบสิ่งนี้กับการรักษาผู้ใช้ 100% และเรามีกรณีตัวอย่างในอุดมคติเพียง 37.5% (ลูกค้า 24,000 ราย)

พูดง่ายๆ คือ อัตราการรักษาที่ลดลง 10% ทำให้จำนวนผู้ใช้ที่ใช้งานอยู่ทั้งหมดลดลง 62% หลังจาก 24 เดือน

ประเด็นสำคัญที่นี่: อัตราการรักษาที่ต่ำจำกัดการเติบโต และ การใช้ซอฟต์แวร์สำหรับการวิเคราะห์ตามรุ่นจะมีประโยชน์สำหรับการทำความเข้าใจอัตราการคง อยู่ของคุณ

เติบโตอย่างเติบใหญ่

มีหลายวิธีในการเพิ่มการเติบโต: การเพิ่มงบประมาณการตลาด การปรับคอนเวอร์ชั่นให้เหมาะสม และการสร้างโปรแกรมการอ้างอิง ล้วนมีส่วนทำให้เกิดการเติบโตของไวรัส มาวิเคราะห์กรณี viral Grow ซึ่งจำนวนลูกค้าใหม่ได้รับผลกระทบจากจำนวนลูกค้า Active ของบริษัททั้งหมด กล่าวอีกนัยหนึ่ง: ลูกค้าในระบบมากขึ้นเท่ากับผู้คนที่อ้างอิงลูกค้าใหม่มากขึ้นเท่ากับลูกค้าใหม่มากขึ้น

สมมติว่าบริษัทเติบโตอย่างรวดเร็วด้วยปัจจัยคงที่ (K) ที่ 0.20 และสูตรที่เราใช้ในการคำนวณจำนวนลูกค้าใหม่คือ:

ตอนนี้ มาลองนึกภาพตัวอย่างที่เหมือนกับเมื่อก่อน (ผู้ใช้ใหม่ 1,000 คนต่อเดือน @ การเก็บข้อมูล 90%) แต่คราวนี้ เราจะเพิ่มจำนวนไวรัส (ด้วย K = 0.20)

จากกราฟการวิเคราะห์ตามการได้มานี้ มีประเด็นสำคัญสองประการ: ประการแรก ปัจจัยคงที่ 0.20 ทำให้จำนวนลูกค้าที่ใช้งานอยู่ทั้งหมดเพิ่มขึ้น 1,000% (~90,000) หลังจาก 24 เดือน และประการ ที่สอง ระบบยังคงเติบโตหลังจากผ่านไป 24 เดือน ซึ่งยังไม่ถึงจุดอิ่มตัว

ดังนั้น เพื่อชดเชยอัตราการคงอยู่ 90% ของ เรา เราจำเป็นต้องสร้างกลไกเพื่อให้การเติบโตของเราเติบโตทุกเดือน

ณ จุดนี้ คุณอาจจะพูดว่า: “ว้าว Alejandro: การเติบโตของไวรัสมีความสำคัญมากกว่าการรักษาไว้อย่างชัดเจน ดูว่ามันส่งผลกระทบต่อฐานลูกค้าของเราอย่างไร!”

ซึ่งฉันจะตอบว่า: "ไม่เร็วนัก"

มาวิเคราะห์กันอีกหนึ่งกรณี การเริ่มต้นระบบคลาวด์คอมพิวติ้งที่ดีของเรา แต่มีอัตราการคงอยู่ 50% เราจะยึดผู้ใช้ใหม่ 1,000 รายต่อเดือนและอัตราการเติบโตของไวรัส K = 0.20 แต่ไม่ว่ากระแสความนิยมจะเป็นอย่างไร บริษัทของเรากำลังดำเนินการได้แย่มาก โดยสูญเสียลูกค้าไป 50% ในทุกกลุ่มประชากรตามรุ่นทุกเดือน

หลังจากผ่านไป 24 เดือน บริษัทของเรามีลูกค้าที่ใช้งานอยู่เพียง 3,000 ราย แทนที่จะเป็น 90,000 ราย ซึ่งต่าง 30x! การเก็บรักษาเป็นสิ่งสำคัญอย่างแท้จริง

แต่ทำไมการคงผู้ใช้ไว้จึงมีผลอย่างมาก? กล่าวโดยย่อ: เนื่องจากการเติบโตของไวรัสขึ้นอยู่กับจำนวนลูกค้าที่ใช้งาน ดังนั้นหากเรารักษาผู้ใช้ของเราไว้นานขึ้น เราจะมีการอ้างอิงมากขึ้น

สรุป:

• โดยทั่วไปแล้ว การปั่นจะจำกัดการเติบโต
• การเก็บรักษาช่วยเพิ่มการเติบโตของไวรัส
• การรักษาผู้ใช้ที่ดีและการเติบโตของไวรัสเป็นข้อกำหนดเบื้องต้นในการขยายบริษัทให้มีผู้ใช้หลายล้านคน หรือแม้แต่ผู้ใช้หลายพันล้านคน

คำสุดท้ายเกี่ยวกับการวิเคราะห์อัตราการปั่น

เป็นเรื่องปกติที่จะเห็นลูกค้ายกเลิกบริการในช่วงเดือนแรกของการใช้งานมากกว่าในภายหลัง ด้วยเหตุนี้ในการจำลองต่อไปนี้ เราจึงให้อัตราการรักษาไว้สองแบบแก่คุณ ได้แก่ อัตราการรักษาพยาบาลในเดือนแรกและอัตราการรักษาผู้ป่วยระยะยาว การใช้พารามิเตอร์เหล่านี้ในการคำนวณของเราจะทำให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้น

บทสรุป

จุดประสงค์ของบทช่วยสอนการวิเคราะห์ตามการได้มานี้ไม่ใช่เพื่อให้ชั้นเรียนโดยละเอียดเกี่ยวกับตัวชี้วัดและการวิเคราะห์ตามรุ่น ในความเป็นจริง คนอื่น ๆ พูดถึงความซับซ้อนของสถิติเหล่านี้ในเชิงลึกมากขึ้น แต่ฉันต้องการเตือนให้คุณเห็นถึงความสำคัญของการวิเคราะห์ประเภทนี้ และที่สำคัญกว่านั้น คือการแสดงตัวอย่างการวิเคราะห์ตามรุ่นรายได้ของพวกเขาและอัตราการเลิกใช้งานด้วยโซลูชันซอฟต์แวร์วิเคราะห์กลุ่มคนแบบโอเพนซอร์สของฉัน

หากมีคำถามเพียงข้อเดียวที่จะปลุกคุณ ให้ทำดังนี้:

รายได้จริงของคุณมาจากผู้ใช้ที่เริ่มทำงานกับคุณเมื่อปีที่แล้วมากน้อยเพียงใด

วิธีการทำการวิเคราะห์ตามรุ่นของคุณเอง

ตอนนี้ถึงตาคุณแล้ว! มีสองวิธีในการวิเคราะห์การคงอยู่และการเปลี่ยนแปลงของธุรกิจคุณ:

1. อัปโหลดข้อมูล PayPal ของคุณไปยังเครื่องมือที่ฉันใช้ สำหรับการเปิดเผยโดยสมบูรณ์ โปรดทราบว่าโดยการใช้เครื่องมือนี้ ไฟล์บันทึกของคุณจะถูกวางไว้บนเซิร์ฟเวอร์ชั่วคราวเพื่อทำการประมวลผล (ลบทันทีที่มีการแสดงข้อมูล) อย่างไรก็ตาม หากคุณต้องการ คุณสามารถ...
2. ดาวน์โหลดโอเพ่นซอร์สโค้ดและปรับใช้เครื่องมือด้วยตัวเอง README มีคำแนะนำโดยละเอียดเกี่ยวกับวิธีการทำเช่นนั้น หากคุณไม่มีบัญชี PayPal คุณสามารถแฮ็กรหัสได้อย่างง่ายดายเพื่อวิเคราะห์บัญชีประเภทอื่นๆ

อีกทางหนึ่ง คุณสามารถเล่นกับโปรแกรมจำลองของเราและเห็นภาพการเติบโตของการเริ่มต้นโดยพิจารณาจากพารามิเตอร์ทั้งหมดที่กล่าวถึงข้างต้น

ขอบคุณที่อ่าน!