Ανάλυση Κοhorτ: Πώς να κατανοήσετε γιατί οι πελάτες μένουν ή φεύγουν
Η ανάλυση κοhorτ αποκαλύπτει τα μοτίβα διατήρησης που κρύβονται μέσα στους συναθροιστικούς αριθμούς σας. Δείτε πώς να το διαβάσετε, να το δημιουργήσετε και να δράσετε με βάση αυτό που βρίσκετε.
Ο συνολικός ρυθμός διατήρησής σας είναι 78%. Είναι καλό; Εξαρτάται εντελώς από το ποιες πελάτες μένουν και ποιοι φεύγουν - και αυτό είναι ακριβώς αυτό που ο συναθροιστικός ρυθμός διατήρησής σας δεν μπορεί να σας πει. Μια εταιρεία με ρυθμό διατήρησης 78% ενδέχεται να διατηρεί με επιτυχία τους πιο πολύτιμους πελάτες της ενώ αιμορραγεί τα πιο νέα της, ή μπορεί να κρατάει μια κληρονομημένη βάση πελατών ενώ τα πρόσφατα κοhorτ της κατακρεουργούνται. Ο συναθροιστικός αριθμός κρύβει και τις δύο ιστορίες. Η ανάλυση κοhorτ τις αποκαλύπτει.
Ένα κοhorτ είναι απλώς μια ομάδα πελατών που ξεκίνησαν την ίδια στιγμή - εγγράφηκαν τον ίδιο μήνα, έκαναν την πρώτη τους αγορά το ίδιο τρίμηνο ή ενημερώθησαν την ίδια εβδομάδα. Παρακολουθώντας κάθε κοhorτ ανεξάρτητα με την πάροδο του χρόνου, μπορείτε να δείτε πώς αλλάζουν τα μοτίβα διατήρησης σε διαφορετικές περιόδους του ιστορικού της εταιρείας σας. Το αποτέλεσμα είναι ένα από τα πιο ισχυρά διαγνωστικά που διαθέτει μια ομάδα προϊόντος ή επιχείρησης.
Πώς να διαβάσετε έναν πίνακα διατήρησης κοhorτ
Ένας τυπικός πίνακας διατήρησης κοhorτ έχει κοhorτ απόκτησης που τρέχουν προς τα κάτω σαν σειρές (Ιανουάριος, Φεβρουάριος, Μάρτιος...) και μήνες από την απόκτηση που τρέχουν σαν στήλες (Μήνας 0, Μήνας 1, Μήνας 2...). Ο μήνας 0 είναι πάντα 100% - είναι το σημείο εκκίνησης. Οι αριθμοί σε κάθε σειρά δείχνουν ποιο ποσοστό του κοhorτ παρέμεινε ενεργό σε κάθε μεταγενέστερο μήνα.
| Κοhorτ | Μήνας 0 | Μήνας 1 | Μήνας 2 | Μήνας 3 | Μήνας 4 | Μήνας 5 | Μήνας 6 |
|---|---|---|---|---|---|---|---|
| Ιανουάριος | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Φεβρουάριος | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Μάρτιος | 100% | 76% | 62% | 51% | 49% | — | — |
| Απρίλιος | 100% | 79% | 65% | 61% | — | — | — |
| Μάιος | 100% | 82% | 69% | — | — | — | — |
| Ιούνιος | 100% | 84% | — | — | — | — | — |
Αυτός ο πίνακας λέει μια ξεκάθαρη ιστορία: η διατήρηση βελτιώθηκε σημαντικά κάθε μήνα. Το κοhorτ του Ιανουαρίου διατήρησε μόνο 34% στον μήνα 6, ενώ τα πιο πρόσφατα κοhorτ κρατούν 69–84% μέσα στους πρώτους δύο μήνες. Κάτι άλλαξε - πιθανότατα μια βελτίωση προϊόντος, ένα καλύτερο ροή ενσωμάτωσης ή μια αλλαγή στο κανάλι απόκτησης που φέρνει πελάτες που ταιριάζουν καλύτερα. Ο συναθροιστικός ρυθμός διατήρησης θα είχε κρύψει αυτό εντελώς.
Τρία μοτίβα που πρέπει να αναζητήσετε
Όταν έχετε έναν πίνακα κοhorτ, αναζητάτε τρία συγκεκριμένα μοτίβα. Καθένα δείχνει σε ένα διαφορετικό πρόβλημα και απαιτεί διαφορετική διόρθωση.
Απότομη πρώιμη πτώση: Εάν η διατήρηση από μήνα 0 σε μήνα 1 είναι συνεχώς κάτω από 50%, έχετε ένα πρόβλημα ενσωμάτωσης. Οι πελάτες εγγράφονται και δεν βρίσκουν αρκετά γρήγορα αξία για να μείνουν. Αυτό είναι το πιο συνηθισμένο μοτίβο στο πρώιμο SaaS και το πιο αντιμέτωπο - η βελτιωμένη ενσωμάτωση, ο ταχύτερος χρόνος προς την αξία και η πιο προσεκτική πρώιμη δέσμευση βοηθούν.
Σταθερή πτώση σε όλα τα κοhorτ: Εάν η διατήρηση μειώνεται με το ίδιο ποσοστό κάθε μήνα σε όλα τα κοhorτ, έχετε ένα πρόβλημα αξίας προϊόντος. Οι πελάτες δοκιμάζουν το προϊόν, μερικοί παραμένουν αρχικά, αλλά δεν υπάρχει αρκετή συνεχιζόμενη αξία για να τους κρατήσει δεσμευμένους. Καμία βελτίωση ενσωμάτωσης δεν θα διορθώσει αυτό - το ίδιο το προϊόν πρέπει να παρέχει περισσότερες αιτίες επιστροφής.
Μια καμπύλη "χαμόγελου" που εξισώνεται: Οι καλύτερες καμπύλες διατήρησης εξισώνονται μετά την πρώιμη πτώση. Οι πελάτες που επιζούν τους πρώτους δύο ή τρεις μήνες τείνουν να μένουν. Το στόχος είναι να μεγιστοποιήσετε τον αριθμό των πελατών που φτάνουν σε εκείνο το σημείο κάμψης. Εάν η καμπύλη σας δεν εξισώνεται ποτέ - εάν η διατήρηση συνεχίζει να μειώνεται με το ίδιο ποσοστό στο μήνα 6 όπως στο μήνα 1 - δεν έχετε μια σταθερή διατηρημένη βάση και τα υπολογίσματα LTV που βασίζονται σε αυτό το κοhorτ θα είναι παραπλανητικά.
Ο σημαντικότερος αριθμός σε έναν πίνακα κοhorτ δεν είναι το ποσοστό του μήνα 6 - είναι η κλίση μεταξύ του μήνα 0 και του μήνα 2. Εδώ χάνονται οι περισσότεροι πελάτες και εδώ έχουν τη μεγαλύτερη μόχλευση οι περισσότερες παρεμβάσεις.
Κατάτμηση κοhorτ: όπου η πραγματική ιδέα ζει
Η ανάλυση κοhorτ γίνεται πραγματικά ισχυρή όταν τμηματοποιείτε κοhorτ κατά κανάλι απόκτησης, επίπεδο τιμής, μέγεθος πελάτη ή γεωγραφία. Ένας πίνακας κοhorτ που δείχνει συνολική διατήρηση 60% μετά τρεις μήνες ενδέχεται να αποκαλύψει ότι οι πελάτες από την οργανική αναζήτηση διατηρούν 75% ενώ οι πελάτες από την καταβολή κοινωνικής διατηρούν 40%. Αυτή η μία ιδέα επανατοποθετεί ολόκληρη τη συζήτηση κατανομής μάρκετινγκ.
Η υψηλότερη αξία πρώτη τμηματοποίηση είναι σχεδόν πάντα κατά κανάλι απόκτησης. Οι πελάτες που σας βρίσκουν μέσω σύστασης, περιεχομένου ή οργανικής αναζήτησης συνήθως διατηρούν σημαντικά υψηλότερα ποσοστά από ό,τι αυτοί που αποκτήθηκαν μέσω ευρείας πληρωμένης καμπάνιας. Εάν τα δεδομένα κοhorτ σας δείχνουν αυτό το μοτίβο - και συνήθως δείχνουν - είναι ένα ισχυρό επιχείρημα για επένδυση στο περιεχόμενο και τα προγράμματα σύστασης ακόμη και όταν η πληρωμένη απόκτηση φαίνεται φθηνότερη ανά τρόπο απόκτησης. Το CAC φαίνεται φθηνό έως ότου φτιάξετε τη διατήρηση στο μοντέλο.
Τι να κάνετε με έναν πίνακα κοhorτ που μειώνεται
Εάν τα πιο πρόσφατα κοhorτ σας διατηρούν χειρότερα από τα παλιότερα, αυτό είναι ένα επείγον σήμα. Σημαίνει ότι κάτι στο προϊόν σας, στην απόκτησή σας ή στην ενσωμάτωσή σας χειροτέρευσε - και χειροτέρευσε πρόσφατα. Ελέγχετε τι άλλαξε. Ανοίξατε ένα νέο κανάλι απόκτησης που φέρνει λιγότερο χαρακτηριστικούς πελάτες; Εκτοπίσατε ένα χαρακτηριστικό που διακόπτεται μια υπάρχουσα ροή εργασίας; Αλλάξατε τις τιμές με τρόπο που προσέλκυσε πελάτες που δεν ήταν καλή προσαρμογή;
Η βελτίωση της διατήρησης κοhorτ είναι σχεδόν πάντα ένα πρόβλημα προϊόντος και ενσωμάτωσης πριν είναι ένα πρόβλημα μάρκετινγκ. Η σειρά παρεμβάσεων που τείνει να λειτουργεί: πρώτα, προσδιορίστε τις ενέργειες που κάνουν οι διατηρημένοι πελάτες τις πρώτες δύο εβδομάδες που δεν κάνουν οι πελάτες που αποχωρούν. Στη συνέχεια, ανασχεδιάστε την ενσωμάτωση για να λειτουργούν αυτές οι ενέργειες νωρίτερα. Στη συνέχεια, χρησιμοποιήστε τη πρώιμη συμπεριφορά ως σήμα για τον εντοπισμό πελατών κινδύνου και τη διεύρυνση πριν αποχωρήσουν, όχι μετά.
Τα μακροχρόνια κοhorτ φαίνονται υπέροχα επειδή οι πελάτες που έμειναν είναι, εξ ορισμού, οι πιο ικανοποιημένοι και με τη καλύτερη προσαρμογή σας. Όταν κοιτάζετε τη διατήρηση του μήνα 24 ενός κοhorτ δύο ετών, βλέπετε ένα πληθυσμό που έχει ήδη φιλτραριστεί σοβαρά από την απόθεση. Μην χρησιμοποιείτε τη συμπεριφορά των πελατών που διατηρήθηκαν για μεγάλο χρονικό διάστημα ως μοντέλο για το τι θα κάνουν οι νέοι πελάτες - είναι ένα επιλεγμένο δείγμα, όχι ένα αντιπροσωπευτικό.
Η ανάλυση κοhorτ είναι πιο χρήσιμη όταν την αναθεωρείτε συνεχώς, παρά να την εκτελείτε μία φορά και να την ξεχνάτε. Στο FabricLoop, οι ομάδες προϊόντος και ανάπτυξης συχνά διατηρούν μια μηνιαία σημείωση σε μια κοινή ομάδα με ένα ενημερωμένο στιγμιότυπο κοhorτ - ο πίνακας ανανεώθηκε με τα τελευταία δεδομένα, ένα παράγραφος ερμηνείας του τι κινήθηκε και γιατί, και μια λίστα εργασιών παρεμβάσεων που δοκιμάζονται κατά των κοhorτ κινδύνου. Όταν η ανάλυση ζει δίπλα στις εργασίες που αντιδρούν σε αυτή, το κενό μεταξύ ιδέας και δράσης στενεύει σημαντικά.