Anàlisi de cohorts: com entendre per què els clients es queden o se'n van
L'anàlisi de cohorts revela els patrons de retenció amagats dins de les vostres xifres agregades. Així s'aprèn a llegir-ne una, a construir-ne una i a actuar a partir del que hi trobeu.
La vostra taxa de retenció global és del 78%. És bona? Depèn completament de quins clients es queden i quins se'n van — i això és precisament el que la vostra xifra de retenció agregada no us pot dir. Una empresa amb una retenció del 78% potser està retenint amb èxit els seus clients més valuosos mentre perd els més nous, o potser arrossega una base de clients antiga mentre les cohorts recents abandonen ràpidament. L'agregat amaga les dues històries. L'anàlisi de cohorts les revela.
Una cohort és simplement un grup de clients que van començar alhora — es van registrar el mateix mes, van fer la primera compra el mateix trimestre o van passar a un pla superior la mateixa setmana. Si seguiu cada cohort per separat al llarg del temps, podeu veure com canvien els patrons de retenció en diferents períodes de la història de l'empresa. El resultat és un dels diagnòstics més potents que té a l'abast un equip de producte o de negoci.
Com llegir una taula de retenció per cohorts
Una taula estàndard de retenció per cohorts té les cohorts d'adquisició per files (gener, febrer, març...) i els mesos des de l'adquisició per columnes (mes 0, mes 1, mes 2...). El mes 0 sempre és el 100% — és el punt de partida. Els nombres de cada fila mostren quin percentatge de la cohort continuava 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 explica una història clara: la retenció ha millorat de manera significativa cada mes. La cohort de gener només va retenir el 34% al mes 6, mentre que les cohorts més recents se situen entre el 69% i el 84% en els dos primers mesos. Alguna cosa va canviar — probablement una millora de producte, un flux d'onboarding millor o un canvi en el canal d'adquisició que va portar clients més adequats. La xifra de retenció agregada ho hauria amagat del tot.
Els tres patrons que cal buscar
Quan tingueu una taula de cohorts, busqueu tres patrons concrets. Cadascun apunta a un problema diferent i exigeix una solució diferent.
Una caiguda inicial abrupta: si la retenció del mes 0 al mes 1 és sistemàticament inferior al 50%, teniu un problema d'onboarding. Els clients es registren i no troben prou aviat el valor per quedar-se. És el patró més habitual en el SaaS en fase inicial i el més fàcil de tractar — ajuden un millor onboarding, un temps fins al valor més curt i un engagement més proactiu.
Un descens constant en totes les cohorts: si la retenció continua baixant al mateix ritme mes rere mes en totes les cohorts, teniu un problema de valor del producte. Els clients el proven, alguns es queden al principi, però no hi ha prou valor continuat per mantenir-los enganxats. Cap millora del flux de registre no ho solucionarà — el producte mateix ha de donar més motius per tornar.
Una corba en forma de «somriure» que s'aplana: les millors corbes de retenció s'aplanen després d'una caiguda inicial. Els clients que superen els dos o tres primers mesos tendeixen a quedar-se. L'objectiu és maximitzar el nombre de clients que arriben a aquest punt d'inflexió. Si la corba no s'aplana mai — si la retenció continua baixant al mateix ritme al mes 6 que al mes 1 — no teniu una base de clients retinguts estable, i els càlculs d'LTV construïts sobre aquesta cohort seran enganyosos.
El nombre més important d'una taula de cohorts no és el percentatge del mes 6 — és el pendent entre el mes 0 i el mes 2. És on es perden la majoria de clients i on la majoria d'intervencions tenen més palanca.
Segmentació de cohorts: on es troba la claredat real
L'anàlisi de cohorts esdevé realment potent quan segmenteu les cohorts per canal d'adquisició, nivell de preu, mida del client o geografia. Una taula de cohorts que mostra una retenció global del 60% als tres mesos potser revela que els clients de la cerca orgànica retenen al 75% mentre que els de les xarxes socials de pagament retenen al 40%. Aquesta única claredat replanteja tota la conversa sobre l'assignació de màrqueting.
La segmentació de més valor al principi és gairebé sempre la del canal d'adquisició. Els clients que us troben per recomanació, contingut o cerca orgànica normalment retenen a taxes sensiblement més altes que els adquirits amb campanyes àmplies de pagament. Si les dades de cohorts mostren aquest patró — i normalment ho fan — és un argument de pes per invertir en programes de contingut i de recomanació, fins i tot quan l'adquisició de pagament sembla més barata pel que fa al cost per adquisició. El CAC sembla baix fins que hi incorporeu la retenció.
Què fer amb una taula de cohorts a la baixa
Si les cohorts més recents retenen pitjor que les més antigues, és un senyal urgent. Vol dir que alguna cosa del producte, de l'adquisició o de l'onboarding ha empitjorat — i ha empitjorat fa poc. Comproveu què ha canviat. Heu obert un canal d'adquisició nou que porta clients menys qualificats? Heu llançat una funcionalitat que ha trastocat un flux de treball existent? Heu canviat els preus de manera que s'ha atret clients que no encaixaven bé?
Millorar la retenció de les cohorts és gairebé sempre un problema de producte i d'onboarding abans que de màrqueting. La seqüència d'intervencions que sol funcionar: primer, identificar les accions que fan els clients retinguts durant les dues primeres setmanes i que no fan els que marxen. Després, redissenyar l'onboarding per fomentar aquestes accions abans. Finalment, fer servir el comportament inicial com a senyal per identificar els clients en risc i intervenir abans que marxin, no després.
Les cohorts de llarga durada es veuen bé perquè els clients que es van quedar són, per definició, els més satisfets i els que millor encaixen. Quan mireu la retenció al mes 24 d'una cohort de fa dos anys, observeu una població ja molt filtrada per l'abandonament. No feu servir el comportament dels clients retinguts a llarg termini com a model del que faran els clients nous — són una mostra seleccionada, no una mostra representativa.
L'anàlisi de cohorts és més útil quan es revisa de manera constant, en lloc de fer-la una vegada i oblidar-la. A FabricLoop, els equips de producte i de creixement solen mantenir una nota adjunta a cada targeta de cohort amb una instantània de cohort actualitzada — la taula renovada amb les dades més recents, una interpretació d'un paràgraf sobre què s'ha mogut i per què, i una llista de tasques amb les intervencions que es proven amb les cohorts en risc. Quan l'anàlisi viu al costat de les tasques que hi responen, la distància entre claredat i acció es redueix substancialment.