Analýza kohort: Jak porozumět tomu, proč zákazníci zůstávají nebo odcházejí
Analýza kohort odhaluje vzory zadržení skryté v agregovaných číslech. Zde je návod, jak je číst, jak je vytvářet a jak jednat na základě toho, co zjistíte.
Vaša celková míra zadržení je 78 %. Je to dobré? Záleží zcela na tom, které zákazníky si ponecháváte a které ztrácíte — a to je přesně to, co vám celkové číslo zadržení nemůže říci. Společnost s 78% zadržením si může úspěšně ponechávat své nejcennější zákazníky a zároveň ztrácet své nové, nebo si může držet starší zákazníky, zatímco její nové kohorty rychle ubývají. Agregace skrývá obě příběhy. Analýza kohort je odhaluje.
Kohorta je jednoduše skupinou zákazníků, která začala ve stejný čas — přihlásila se ve stejném měsíci, provedla svůj první nákup ve stejném čtvrtletí nebo se upgradovala ve stejném týdnu. Sledováním každé kohorty nezávisle v čase můžete vidět, jak se vzory zadržení mění v různých obdobích historie vaší společnosti. Výsledkem je jedním z nejmocnějších nástrojů, které má tým produktu nebo podnikání k dispozici.
Jak číst tabulku zadržení kohort
Standardní tabulka zadržení kohort má kohorty akvizice v řádcích (leden, únor, březen...) a měsíce od akvizice v sloupcích (měsíc 0, měsíc 1, měsíc 2...). Měsíc 0 je vždy 100 % — to je výchozí bod. Čísla přes každý řádek ukazují, jaké procento dané kohorty zůstalo aktivní v každém dalším měsíci.
| Kohorta | Měsíc 0 | Měsíc 1 | Měsíc 2 | Měsíc 3 | Měsíc 4 | Měsíc 5 | Měsíc 6 |
|---|---|---|---|---|---|---|---|
| Leden | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Únor | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Březen | 100% | 76% | 62% | 51% | 49% | — | — |
| Duben | 100% | 79% | 65% | 61% | — | — | — |
| Květen | 100% | 82% | 69% | — | — | — | — |
| Červen | 100% | 84% | — | — | — | — | — |
Tato tabulka vypovídá jasný příběh: zadržení se každý měsíc výrazně zlepšuje. Kohorta lednu si ponechala jen 34% v měsíci 6, zatímco novější kohorty se drží na 69–84% během jejich prvních dvou měsíců. Něco se změnilo — pravděpodobně vylepšení produktu, lepší tok onboardingu nebo změna kanálu akvizice, která přinesla lépe odpovídající zákazníky. Celkové číslo zadržení by tuto zcela maskilo.
Tři vzory, na které je třeba se podívat
Jakmile máte tabulku kohort, hledáte tři specifické vzory. Každý naznačuje jiný problém a vyžaduje jiné řešení.
Prudký počáteční pokles: Pokud je zadržení měsíc 0 až měsíc 1 konzistentně nižší než 50%, máte problém s onboardingem. Zákazníci se přihlašují a nenalézají dostatečně rychle hodnotu, aby zůstali. Toto je nejběžnější vzor v raných fázích SaaS a nejlépe léčitelný — lepší onboarding, rychlejší čas k hodnotě a proaktívnější včasné zapojení všechno pomáhá.
Konzistentní pokles všech kohort: Pokud zadržení pokračuje v poklesu stejnou rychlostí měsíc za měsícem všech kohort, máte problém s hodnotou produktu. Zákazníci zkusí produkt, někteří zůstanou zpočátku, ale není dostatek trvalé hodnoty, aby je udrželi zapojené. Žádné vylepšení onboardingu to neopraví — produkt sám musí poskytovat více důvodů k návratu.
"Úsmívající se" křivka, která se vyrovnává: Nejlepší zadržovací křivky se vyrovnávají po počátečním poklesu. Zákazníci, kteří přežijí první dva až tři měsíce, mají tendenci zůstávat. Cíl je maximalizovat počet zákazníků, který dosáhne tohoto inflexního bodu. Pokud se vaše křivka nikdy nevyrovná — pokud zadržení pokračuje v poklesu stejnou rychlostí v měsíci 6 jako v měsíci 1 — nemáte stabilní retenční základ a výpočty LTV postavené na této kohortě budou zavádějící.
Nejdůležitějším číslem v tabulce kohorty není procento v měsíci 6 — je to sklon mezi měsícem 0 a měsícem 2. To je místo, kde se ztrácí nejvíce zákazníků a kde má většina intervencí vliv.
Segmentování kohort: kde jsou skutečné poznatky
Analýza kohort se stává skutečně výkonnou, když segmentujete kohorty podle kanálu akvizice, cenové úrovně, velikosti zákazníka nebo zeměpisné polohy. Tabulka kohorty, která ukazuje celkové zadržení 60% po třech měsících, může odhalit, že zákazníci z organického vyhledávání si ponechávají 75%, zatímco zákazníci z placeného sociálního media si ponechávají jen 40%. Tato jediná informace změňuje celou rozhovoru o alokaci marketingu.
Nejcennější první segmentace je téměř vždy podle kanálu akvizice. Zákazníci, kteří vás nacházejí prostřednictvím doporučení, obsahu nebo organického vyhledávání, si obvykle ponechávají výrazně vyšší sazby než ti, které se získávají prostřednictvím širokých placených kampaní. Pokud vaše data kohort ukazují tento vzor — a obvykle to dělají — je to silný argument pro investici do obsahu a referenčních programů, i když placenou akvizici vypadá na CAC levnější. CAC vypadá levně, dokud do modelu nevložíte zadržení.
Co dělat s klesající tabulkou kohort
Pokud si vaše nejnovější kohorty ponechávají hůř než starší, je to naléhavý signál. Znamená to, že se něco o vašem produktu, akvizici nebo onboardingu zhoršilo — a zhoršilo se nedávno. Zkontrolujte, co se změnilo. Otevřeli jste nový kanál akvizice, který přináší méně kvalifikované zákazníky? Dodali jste funkci, která narušila existující pracovní tok? Změnili jste ceny způsobem, který přitahoval zákazníky, kteří nebyli vhodně vybráni?
Zlepšení zadržení kohort je téměř vždy problém produktu a onboardingu, než problém marketingu. Posloupnost intervencí, která obvykle funguje: nejprve identifikujte akce, které zadržené zákazníci dělají v jejich prvních dvou týdnech, které nečiní zákazníci, kteří se vrátili. Poté přeprojektujte onboarding, aby tyto akce došlo dříve. Poté použijte rané chování jako signál k identifikaci ohrožených zákazníků a zasáhněte dříve, než se vrátí, spíše než poté.
Dlouholeté kohorty vypadají skvěle, protože zákazníci, kteří zůstali, jsou svou povahou vaši nejspokojenější a nejlépe přizpůsobení zákazníci. Když se podíváte na zadržení měsíce 24 staré kohorty, vidíte populaci, která byla již těžce filtrována vzorkem. Nepoužívejte chování dlouhodobě zadržovaných zákazníků jako model toho, co budou dělat noví zákazníci — jsou to vybraný vzorek, nikoli reprezentativní.
Analýza kohort je nejpřínosnější, když je průběžně kontrolována spíše než jednou spuštěna a zapomenuta. V FabricLoop si produktové a růstové týmy často ponechávají měsíční poznámku ve své sdílené skupině s aktualizovaným snímkem kohorty — tabulku osvěžovanou nejnovějšími daty, jednoodstavcovou interpretací toho, co se posunulo a proč, a seznam úkolů intervencí testovaných proti ohrožené kohortě. Když analýza žije po boku úkolů, které na ni reagují, propast mezi poznatkem a akcí se podstatně zužuje.