Anàlisi de cohort: Com entendre per què els clients es queden o se'n van
L'anàlisi de cohort revela els patrons de retencció ocultos dins dels vostres números agregats. Aquí tenim com llegir un, construir un, i actuar sobre el que trobes.
La vostre taxa de retencció general és del 78%. És bona? Depèn completament de quins clients es queden i quins se'n van — i això és precisament el que el vostre número de retencció agregat no pot vos dir. Una empresa amb retencció del 78% potser està retenint amb èxit els seus clients més valuosos mentre es fa malbé els més nous, o potser està agafant una base de clients heretada mentre les seves cohorts recents s'abandonen ràpidament. L'agregat amaga ambdues històries. L'anàlisi de cohort les revela.
Una cohort és simplement un grup de clients que van començar al mateix temps — van se suscriure el mateix mes, van fer la seva primera compra el mateix trimestre, o van fer upgrade la mateixa setmana. En seguir cada cohort independentment al llarg del temps, podeu veure com els patrons de retencció canvien a través de diferents períodes de la història de la vostra empresa. El resultat és un dels diagnòstics més poderosos disponibles per a un equip de producte o negoci.
Com llegir una taula de retencció de cohort
Una taula estàndard de retencció de cohort té cohorts d'adquisició corrents per les files (gener, febrer, març...) i mesos des de l'adquisició corrents per les columnes (Mes 0, Mes 1, Mes 2...). El Mes 0 sempre és 100% — aquest és el punt de partida. Els números dins de cada fila mostren quin percentatge de la cohort seguia actiu en cada mes posterior.
| Cohort | Mes 0 | Mes 1 | Mes 2 | Mes 3 | Mes 4 | Mes 5 | Mes 6 |
|---|---|---|---|---|---|---|---|
| Gener | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Febrer | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Març | 100% | 76% | 62% | 51% | 49% | — | — |
| Abril | 100% | 79% | 65% | 61% | — | — | — |
| Maig | 100% | 82% | 69% | — | — | — | — |
| Juny | 100% | 84% | — | — | — | — | — |
Aquesta taula coneix una història clara: la retencció ha estat millorant significativament cada mes. La cohort de gener va retenir només el 34% al mes 6, mentre que les cohorts més recents es mantenen al 69–84% pels seus primers dos mesos. Quelcom va canviar — probablement una millora de producte, un flux de onboarding millor, o un canvi en el canal d'adquisició que va portar clients més ben adaptats. El número de retencció agregat hauría ocultat completament això.
Els tres patrons a buscar
Un cop teniu una taula de cohort, esteu buscant tres patrons específics. Cada un apunta a un problema diferent i requereix una reparació diferent.
Una caiguda primerenca abrupt: Si la retencció de Mes 0 a Mes 1 és consistentment per sota del 50%, teniu un problema de onboarding. Els clients se suscriuen i no troben valor prou ràpid per quedar-se. Aquest és el patró més comú en SaaS d'etapa inicial i el més tractable — onboarding millor, temps-a-valor més ràpid, i engagement més proactiu ajuden.
Declivi consistent a través de totes les cohorts: Si la retencció segueix declinant a la mateixa taxa mes a mes a través de totes les cohorts, teniu un problema de valor de producte. Els clients proben el producte, alguns se queden inicialment, però no hi ha prou valor continu per mantenir-los engantxats. Cap millora del flux de signup solucionarà això — el producte en si mateix necessita lliurar més raons per tornar.
Una corba "somriu" que s'aplana: Les millors corbes de retencció s'aplanen després d'una caiguda inicial. Els clients que sobreviuen els primers dos o tres mesos tendeixen a quedar-se. L'objectiu és maximitzar el nombre de clients que arriben a aquest punt d'inflexió. Si la vostre corba mai s'aplana — si la retencció segueix declinant a la mateixa taxa al mes 6 com al mes 1 — no teniu una base retinguda estable, i els càlculs LTV construïts sobre aquesta cohort seran enganyosos.
El número més important en una taula de cohort no és el percentatge al mes 6 — és el pendent entre mes 0 i mes 2. Aquí és on es perden la majoria de clients, i on la majoria d'intervencions tenen palanca.
Segmentació de cohorts: on viu la claredat real
L'anàlisi de cohort esdevé veritablement poderós quan segmenteu cohorts per canal d'adquisició, nivell de preu, mida del client, o geografia. Una taula de cohort que mostra retencció general del 60% al cap de tres mesos potser revela que els clients de la recerca orgànica retenen al 75% mentre que els clients de xarxes socials pagades retenen al 40%. Aquesta claredat única reencaixa la conversa sencera de l'assignació de marketing.
La segmentació de més alt valor primerenca és gairebé sempre per canal d'adquisició. Els clients que us troben a través de referències, contingut, o recerca orgànica normalment retenen a tarifes materialment més altes que aquells adquirits a través de campanyes amples pagades. Si les vostres dades de cohort mostren aquest patró — i normalment ho fan — és un argument fort per invertir en programes de contingut i referència fins i tot quan l'adquisició pagada sembla més barata en base de cost-per-adquisició. El CAC sembla barat fins que construïu retencció al model.
Què fer amb una taula de cohort declinant
Si les vostres cohorts més recents estan retenant pitjor que les més velles, és un senyal urgent. Significa que quelcom sobre el vostre producte, adquisició, o onboarding va empitjorar — i va empitjorar recentment. Verificar que va canviar. Vau obrir un nou canal d'adquisició que porta clients menys qualificats? Vau crear una característica que va pertorbar un flux de treball existent? Vau canviar la preus de manera que va atreure clients que no eren una bona adequació?
Millorar la retencció de cohort és gairebé sempre un producte i problema de onboarding abans que un problema de marketing. La seqüència d'intervencions que tendeix a funcionar: primer, identificar les accions que els clients retinguts prenen en les seves primeres dues setmanes que els clients abandonats no. Llavors, redissenya el onboarding per impulsar aquestes accions més aviat. Llavors, usa el comportament inicial com a senyal per identificar clients en risc i intervenir abans que s'abandonen, en lloc de després.
Les cohorts de llarga durada es veu bé perquè els clients que es van quedar són, per definició, els vostres clients més satisfets i més ben adequats. Quan mireu la retencció al mes 24 d'una cohort de fa dos anys, esteu veient una població que ja ha estat molt filtrada per l'abandó. No useu el comportament de clients retinguts a llarg termini com a model per al que faran els clients nous — són una mostra seleccionada, no una mostra representativa.
L'anàlisi de cohort és més útil quan es revisa consistentment en lloc de córrer una vegada i oblidar. A FabricLoop, els equips de producte i creixement sovint mantenen una nota adjunta a cada targeta de cohort amb una snapshot de cohort actualitzada — la taula renovada amb les dades més recents, una interpretació d'un paràgraf de el que es va moure i per què, i una llista de tasques d'intervencions que es proven contra les cohorts en risc. Quan l'anàlisi viu juntament amb les tasques que hi responen, l'esquerda entre claredat i acció s'estreta substancialment.