Kohorttianalyysi: miten ymmärrät, miksi asiakkaat jäävät tai lähtevät
Kohorttianalyysi paljastaa asiakaspysyvyyden kuviot, jotka piilevät kokonaislukujen sisällä. Näin luet sellaisen, rakennat sen ja toimit löydösten perusteella.
Kokonaissäilyvyysprosenttisi on 78 %. Onko se hyvä? Se riippuu täysin siitä, mitkä asiakkaat jäävät ja mitkä lähtevät — ja juuri sitä kokonaissäilyvyysluku ei voi kertoa. Yritys, jonka säilyvyys on 78 %, voi onnistua pitämään arvokkaimmat asiakkaansa mutta menettää uusimpia, tai se voi pitää kiinni vanhasta asiakaskunnastaan samalla kun sen tuoreet kohortit poistuvat nopeasti. Kokonaisluku piilottaa molemmat tarinat. Kohorttianalyysi paljastaa ne.
Kohortti on yksinkertaisesti joukko asiakkaita, jotka aloittivat samaan aikaan — rekisteröityivät samassa kuussa, tekivät ensimmäisen ostoksensa samalla neljänneksellä tai päivittivät pakettinsa samalla viikolla. Seuraamalla jokaista kohorttia erikseen ajan kuluessa näet, miten säilyvyyskuviot muuttuvat yrityksesi historian eri jaksoilla. Tuloksena on yksi tuote- tai liiketoimintatiimin käytettävissä olevista tehokkaimmista diagnostiikkatyökaluista.
Miten kohorttien säilyvyystaulukko luetaan
Tavallisessa kohorttien säilyvyystaulukossa hankintakohortit ovat riveinä alaspäin (tammikuu, helmikuu, maaliskuu...) ja hankinnasta kuluneet kuukaudet sarakkeina vasemmalta oikealle (kuukausi 0, kuukausi 1, kuukausi 2...). Kuukausi 0 on aina 100 % — se on lähtöpiste. Kunkin rivin luvut kertovat, kuinka suuri osa kyseisestä kohortista oli edelleen aktiivinen kunakin seuraavana kuukautena.
| Kohortti | Kuukausi 0 | Kuukausi 1 | Kuukausi 2 | Kuukausi 3 | Kuukausi 4 | Kuukausi 5 | Kuukausi 6 |
|---|---|---|---|---|---|---|---|
| Tammikuu | 100 % | 68 % | 52 % | 41 % | 38 % | 35 % | 34 % |
| Helmikuu | 100 % | 71 % | 55 % | 43 % | 41 % | 39 % | — |
| Maaliskuu | 100 % | 76 % | 62 % | 51 % | 49 % | — | — |
| Huhtikuu | 100 % | 79 % | 65 % | 61 % | — | — | — |
| Toukokuu | 100 % | 82 % | 69 % | — | — | — | — |
| Kesäkuu | 100 % | 84 % | — | — | — | — | — |
Tämä taulukko kertoo selkeän tarinan: säilyvyys on parantunut merkittävästi kuukausi kuukaudelta. Tammikuun kohortista jäi jäljelle vain 34 % kuukauteen 6 mennessä, kun taas tuoreemmat kohortit pysyvät 69–84 %:ssa ensimmäisten kahden kuukautensa ajan. Jokin muuttui — todennäköisesti tuoteparannus, parempi käyttöönottopolku tai hankintakanavan muutos, joka toi paremmin sopivia asiakkaita. Kokonaissäilyvyysluku olisi peittänyt tämän kokonaan.
Kolme kuviota, joita kannattaa etsiä
Kun kohorttitaulukko on käsillä, etsit kolmea erityistä kuviota. Kukin viittaa eri ongelmaan ja vaatii eri korjauksen.
Jyrkkä varhainen pudotus: Jos säilyvyys kuukaudesta 0 kuukauteen 1 on johdonmukaisesti alle 50 %, sinulla on käyttöönotto-ongelma. Asiakkaat rekisteröityvät, mutta eivät löydä arvoa tarpeeksi nopeasti jäädäkseen. Tämä on yleisin kuvio varhaisen vaiheen SaaS-yrityksissä ja helpoimmin korjattavissa — parempi käyttöönotto, nopeampi aika arvoon ja ennakoivampi varhainen sitouttaminen auttavat kaikki.
Johdonmukainen lasku kaikissa kohorteissa: Jos säilyvyys laskee kuukaudesta toiseen samaa tahtia kaikissa kohorteissa, sinulla on tuotteen arvo-ongelma. Asiakkaat kokeilevat tuotetta, jotkut jäävät aluksi, mutta jatkuvaa arvoa ei ole tarpeeksi pitämään heitä sitoutuneina. Mikään käyttöönoton parannus ei korjaa tätä — itse tuotteen on tarjottava enemmän syitä palata.
Tasoittuva ”hymykäyrä”: Parhaat säilyvyyskäyrät tasoittuvat alkupudotuksen jälkeen. Asiakkaat, jotka selviävät kahdesta tai kolmesta ensimmäisestä kuukaudesta, jäävät yleensä pysyvästi. Tavoitteena on maksimoida niiden asiakkaiden määrä, jotka saavuttavat tämän taitepisteen. Jos käyrä ei koskaan tasoitu — jos säilyvyys laskee kuukaudessa 6 samaa tahtia kuin kuukaudessa 1 — sinulla ei ole vakaata säilyvää asiakaskuntaa, ja tähän kohorttiin perustuvat LTV-laskelmat ovat harhaanjohtavia.
Kohorttitaulukon tärkein luku ei ole kuukauden 6 prosenttiosuus — se on kuukauden 0 ja kuukauden 2 välinen kulmakerroin. Siellä menetetään suurin osa asiakkaista, ja siellä useimmilla toimenpiteillä on eniten vaikutusta.
Kohorttien segmentointi: siellä todellinen oivallus piilee
Kohorttianalyysista tulee todella tehokas, kun segmentoit kohortteja hankintakanavan, hintatason, asiakkaan koon tai maantieteen mukaan. Kohorttitaulukko, joka näyttää kokonaissäilyvyydeksi 60 % kolmen kuukauden jälkeen, voi paljastaa, että orgaanisen haun asiakkaista jää 75 % mutta maksetun sosiaalisen median asiakkaista vain 40 %. Tuo yksi oivallus muuttaa koko keskustelun siitä, miten markkinoinnin resurssit kohdennetaan.
Arvokkain ensimmäinen segmentointi on lähes aina hankintakanavan mukainen. Asiakkaat, jotka löytävät sinut suositusten, sisällön tai orgaanisen haun kautta, säilyvät tyypillisesti selvästi korkeammilla prosenteilla kuin laajoilla maksullisilla kampanjoilla hankitut. Jos kohorttidatasi näyttää tämän kuvion — ja yleensä näyttää — se on vahva peruste sijoittaa sisältöön ja suosittelijaohjelmiin, vaikka maksettu hankinta näyttäisi hankintakustannusta kohden halvemmalta. CAC näyttää halvalta, kunnes säilyvyys lasketaan mukaan malliin.
Mitä tehdä, kun kohorttien säilyvyys heikkenee
Jos tuoreimmat kohorttisi säilyvät huonommin kuin vanhat, se on kiireellinen signaali. Se tarkoittaa, että jokin tuotteessasi, hankinnassasi tai käyttöönotossasi on huonontunut — ja huonontunut äskettäin. Selvitä, mikä muuttui. Avasitko uuden hankintakanavan, joka tuo vähemmän sopivia asiakkaita? Julkaisitko ominaisuuden, joka häiritsi olemassa olevaa työnkulkua? Muutitko hinnoittelua tavalla, joka houkutteli asiakkaita, jotka eivät sopineet hyvin?
Kohorttien säilyvyyden parantaminen on lähes aina ensin tuote- ja käyttöönotto-ongelma ja vasta sitten markkinointiongelma. Toimiva toimenpidejärjestys: ensin tunnista toimet, joita jäävät asiakkaat tekevät kahden ensimmäisen viikon aikana mutta poistuvat asiakkaat eivät. Sitten suunnittele käyttöönotto uudelleen niin, että nämä toimet tapahtuvat aiemmin. Sitten käytä varhaista käyttäytymistä signaalina riskiasiakkaiden tunnistamiseen ja puutu asiaan ennen kuin he poistuvat, ei sen jälkeen.
Pitkäaikaiset kohortit näyttävät hyviltä, koska asiakkaat, jotka jäivät, ovat määritelmän mukaan tyytyväisimpiä ja sopivimpia. Kun katsot kaksi vuotta vanhan kohortin säilyvyyttä kuukaudessa 24, näet joukon, josta asiakaspoistuma on jo karsinut suuren osan. Älä käytä pitkään pysyneiden asiakkaiden käyttäytymistä mallina sille, mitä uudet asiakkaat tekevät — he ovat valikoitunut otos, eivät edustava.
Kohorttianalyysi on hyödyllisintä, kun sitä tarkastellaan johdonmukaisesti sen sijaan, että se ajetaan kerran ja unohdetaan. FabricLoopissa tuote- ja kasvutiimit ylläpitävät usein jaetussa ryhmässään kuukausittaista muistiinpanoa, jossa on päivitetty kohorttikatsaus — viimeisimmillä tiedoilla päivitetty taulukko, yhden kappaleen tulkinta siitä, mikä muuttui ja miksi, sekä tehtävälista riskikohorteilla testattavista toimenpiteistä. Kun analyysi sijaitsee niiden tehtävien rinnalla, jotka siihen vastaavat, oivalluksen ja toiminnan välinen kuilu kapenee merkittävästi.