不断增长：使用此开源代码执行您自己的队列分析

队列分析、保留和流失是公司建设中的一些关键指标。

但这不仅仅是另一篇关于队列分析的文章。 如果您是一位经验丰富的数据科学家，并且已经知道该主题的重要性并想跳过介绍，您可以跳到模拟器，在那里您可以学习如何进行群组分析并根据留存率、流失率和许多其他因素，或使用我开源的软件分析您自己的 PayPal 日志。

但是，如果您没有意识到这些是一些最重要的指标，请继续阅读。

队列分析简介

首先，让我们通过队列分析定义来理解我们在这里谈论的内容。 简而言之，队列是一组具有共同定义特征的受试者。 也许是他们的年龄，也许是他们的国籍，也许是他们的出生城市，等等。

年龄是一个特别好的例子。 通常，我们将 60 至 80 后的人称为“X 一代”，将 80 至 90 后的人称为“Y 一代”。 每一个群体，每一代人，都有自己的定义特征。

同样，任何公司都可以按群组对客户进行分组和分析。 分析客户的一种常见且非常有用的方法是按他们开始使用您的服务的日期对他们进行分组。

如果我问你：“你上个月的收入有多少来自一年前开始与你合作的客户？ “有吗？ 新用户可能看起来不错，但仅注册并不等于收入。 你知道答案吗？ 如果没有，了解队列分析会很有帮助。

群组、留存和流失分析

如果您按同类群组分析收入，您可以（按月）推断您的收入中有多少来自新用户，有多少来自老用户。 此外，您可以采取下一步行动，以更高的精度预测归因于留存和客户流失的未来收入。

好的，所以我们已经确定一个群组是一群具有共同定义特征的人。 从这里开始，我们将通过示例来检查我们新的时髦云计算初创公司的指标。 让我们从只分析一个队列开始。 在本例中，我们将查看 2012 年 1 月开始与我们合作的客户。

我们需要计算的第一个重要指标是留存率：有多少一月份的新用户在二月份还和我们在一起？ 假设我们 1 月份有 100 名订阅者，只有 20 人决定取消订阅，而 2 月份我们还剩下 80 名订阅者。 基本保留分析告诉我们，保留率为 80%。 现在，假设有 8 位客户决定在 2 月份取消订单。 所以在三月份，我们有 80-8=72 个用户。 由于 72/80 = 90%，我们 2012 年 1 月的队列在 2 个月后保留了 90%。

有些人将留存率计算为队列初始规模的函数，但我更喜欢将留存率计算为每个队列上个月的函数。

流失率是另一个重要指标。 它可以根据留存率来定义：流失 = 1 - 留存率。 所以 80% 的留存率意味着 20% 的流失率。 换句话说，它是客户离开您的服务的速度。

回到我们的云计算初创公司，让我们分析一个理想（阅读：虚幻）的案例：100% 的保留率。 这意味着我们的客户都不会离开服务——没有人会取消任何服务。 假设我们公司每月有 1,000 名新客户。 24 个月后，这家公司拥有 24,000 名活跃客户。 还不错。 不幸的是，这种情况基本上是不可能的——100% 的留存只存在于创业天堂。

现在，让我们稍微现实一点，假设我们公司有 90% 的保留率。 换句话说，每个群组每月都会失去 10% 的客户。 同样，我们假设每月有 1,000 个新客户。

在这种情况下，在 2012 年 1 月收到 1,000 个新用户后，我们在 2 月失去了 100 个客户，在 3 月失去了 90 个客户，在 4 月失去了 81 个客户，依此类推。 让我们看看这个图表是什么样子的。

每月有 1000 名新用户，客户保留率为 90%，24 个月后，我们每月有大约 9,000 名活跃用户。 将此与 100% 的保留率相比，我们只有理想情况的 37.5%（24,000 名客户）。

简而言之：留存率下降 10% 会导致 24 个月后活跃用户总数下降 62% 。

这里的关键要点：低保留率限制了增长，使用同类群组分析软件有助于了解您的保留率。

不断增长的增长

有几种方法可以增加增长：增加营销预算、优化转化率和创建推荐计划都可以促进病毒式增长。 我们来分析一下病毒式增长的案例，其中新客户的数量受公司活跃客户总数的影响。 换句话说：系统上的更多客户等于更多推荐新客户的人等于更多新客户。

假设公司以 0.20 的常数 (K) 因子呈病毒式增长，我们用于计算新客户数量的公式是：

现在，让我们想象与之前相同的示例（每月 1000 个新用户 @ 90% 的留存率），但这一次，我们将投入一些病毒式增长（K = 0.20）。

从这个同期群分析图中，有两个关键要点：首先，0.20 的常数因子导致 24 个月后活跃客户总数（约 90,000）增加了 1000%； 其次，该系统在 24 个月后仍在增长——它没有达到饱和点。

因此，为了弥补我们 90% 的保留率，我们需要创建机制来促进我们每个月的增长。

现在，在这一点上，你可能会说：“哇，亚历杭德罗：病毒式增长显然比留存更重要。 看看它是如何影响我们的客户群的！”

我会回应：“没那么快。”

我们再分析一个案例。 我们不错的云计算初创公司，但保留率只有 50%。 我们将坚持每月 1,000 名新用户和病毒式增长率 K = 0.20。 但不管病毒式传播如何，我们公司的表现真的很糟糕，每个月都会失去 50% 的客户。

24 个月后，我们公司只有 3,000 名活跃客户，而不是 90,000 名——相差 30 倍！ 保留确实是关键。

但为什么留存有如此强大的效果呢？ 简而言之：因为病毒式增长取决于活跃客户的数量，所以如果我们留住用户的时间更长，我们就会有更多的推荐人。

回顾一下：

• 一般来说，流失会限制增长。
• 保留会增加病毒式增长。
• 良好的留存率和病毒式增长是将公司扩展到数百万甚至数十亿用户的先决条件。

关于流失率分析的最后一句话

在使用的第一个月内看到更多的客户取消服务是很常见的。 这就是为什么在下面的模拟中，我为您提供了两个保留率：第一个月保留率和长期保留率。 在我们的计算中使用这些参数将导致更精确的结果。

结论

本群组分析教程的目的不是为您提供有关指标和群组分析的详细课程； 事实上，其他人更深入地讨论了这些统计数据的复杂性。 相反，我想提醒您这种分析的重要性，更重要的是，通过我的开源同期群分析软件解决方案向读者展示他们自己的收入同期群分析示例和流失率。

如果只有一个问题可以唤醒你，那就是：

您的实际收入中有多少来自一年前开始与您合作的用户？

如何进行自己的同期群分析

现在轮到你了！ 有两种方法可以分析您自己的业务的保留率和流失率：

1. 将您的 PayPal 数据上传到我部署的工具。 为全面披露，请注意，通过使用此工具，您的日志文件将临时放置在服务器上进行处理（数据显示后立即删除）。 但是，如果您愿意，您可以随时...
2. 下载开源代码并自行部署工具。 自述文件包含有关如何执行此操作的详细说明。 如果您没有 PayPal 账户，您可以轻松破解代码以分析其他类型的账户。

或者，您可以使用我们的模拟器并根据上面讨论的所有参数可视化启动增长。

谢谢阅读！