Kohortti-analyysi: Kuinka ymmärtää miksi asiakkaat jäävät tai lähtevät
Kohortti-analyysi paljastaa säilyttämisen mallit, jotka piilevät yhdysluvuissa. Näin luet sen, rakennat sen ja toimit sen perusteella.
Kokonaissäilytysprosenttisi on 78%. Onko se hyvä? Se riippuu täysin siitä, mitkä asiakkaat jäävät ja mitkä lähtevät - ja juuri se, mitä kokonaisluvun säilytysprosenttisi ei voi kertoa. Yritys, jonka säilytysprosentti on 78%, voi menestyvästi säilyttää arvokkaimmat asiakkaansa samalla kun se vuotaa uusimpia, tai se voi pitää kiinni vanhakantaisista asiakkaista samalla kun sen viimeaikaiset kohorlit poistuvat nopeasti. Kokonaisluku piilottaa molemmat tarinat. Kohortti-analyysi paljastaa ne.
Kohortti on yksinkertaisesti joukko asiakkaita, jotka aloittivat samaan aikaan - rekisteröityivät samassa kuussa, tekivät ensimmäisen ostoksensa samassa vuosineljänneksessä tai päivittyivät samalla viikolla. Seuraamalla jokaista kohorttia itsenäisesti ajan kuluessa näet, kuinka säilyttämisen mallit muuttuvat yrityksesi historian eri ajanjaksojen välillä. Tuloksena on yksi tehokkaimpia diagnostiikkaa, joita tuote- tai liiketoimintatiimi voi käyttää.
Kuinka lukea kohortti-säilytystaulukko
Vakiokohorttisäilytystaulukossa on hankinnan kohortteja riveillä alaspäin (tammikuu, helmikuu, maaliskuu...) ja kuukausina hankinnasta sarakkeissa vasemmalta oikealle (Kuukausi 0, Kuukausi 1, Kuukausi 2...). Kuukausi 0 on aina 100% - se on lähtöpiste. Kunkin rivin numerot osoittavat, kuinka suuri osa kyseisestä kohortista oli edelleen aktiivinen kussakin seuraavassa kuussa.
| 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: säilyttäminen on parantunut merkittävästi kuukausittain. Tammikuun kohortti säilytti vain 34% kuukauden 6:ssa, kun taas tuoreemmat kohorttit pitävät 69–84% kahden ensimmäisen kuukauden läpi. Jotakin muuttui - todennäköisesti tuotteen parantaminen, parempi perehdyttämisvirta tai muutos hankintatiedustelussa, joka toi paremmin sopivat asiakkaat. Kokonaisluvun säilytysprosentti olisi peittänyt tämän kokonaan.
Kolme mallia joita etsiä
Kun sinulla on kohorttiä taulukko, etsit kolme erityistä mallia. Kukin osoittaa erilaiseen ongelmaan ja vaatii erilaisen korjauksen.
Jyrkkä varhainen pudotus: Jos kuukauden 0 - kuukauden 1 säilyttäminen on johdonmukaisesti alle 50%, sinulla on perehdyttämisongelma. Asiakkaat rekisteröityvät eivätkä löydä arvoa tarpeeksi nopeasti säilyttääkseen. Tämä on yleisin kuvio alkuvaiheen SaaS-yrityksissä ja helpoin käsiteltävä - parempi perehdyttäminen, nopempi aika arvoon ja enemmän proaktiivinen varhainen sitoutuminen auttavat.
Johdonmukainen laskua kaikkien kohorttien välillä: Jos säilyttäminen laskee samalla nopeudella kuukauden jälkeen kaikissa kohortteissa, sinulla on tuotteen arvo-ongelma. Asiakkaat yrittävät tuotetta, jotkut jäävät aluksi, mutta ei ole tarpeeksi jatkuvan arvon säilyttämiseen heidän sitoutumisensa. Mikään perehdyttämisen parannus ei korjaa tätä - tuotteen itse on toimitettava enemmän syitä palatakseen.
"Hymy" -käyrä, joka tasoittuu: Paras säilyttämiskäyrä tasoittuu alkuperäisen pudotuksen jälkeen. Asiakkaat, jotka selviytyivät ensimmäisestä kahdesta tai kolmesta kuukaudesta, pyrkivät jäämään. Tavoite on maksimoida asiakkaiden määrä, joka saavuttaa kyseisen käännepisteen. Jos käyrä ei koskaan tasoitu - jos säilyttäminen laskee samalla nopeudella kuukauden 6:ssa kuin kuukauden 1:ssä - sinulla ei ole vakaata säilytettyä pohjaa, ja LTV-laskelmat, jotka perustuvat siihen kohortiin, ovat harhaanjohtavia.
Tärkein numero kohortistaulukossa ei ole kuukauden 6 prosentti - se on kaltevuus kuukauden 0 ja kuukauden 2 välillä. Täällä menetetään useimmat asiakkaat, ja täällä suurimmalla osalla interventioista on vipua.
Segmentoimisen kohortteja: jossa todellinen näkemys elää
Kohortti-analyysi tulee todella tehokkaaksi, kun segmentoit kohortteja hankintatiedustelun, hintatason, asiakkaan koon tai maantieteen mukaan. Kohortistaulukko, joka osoittaa kokonaissäilyttämisen 60% kolmen kuukauden jälkeen, voi paljastaa, että orgaanisen haun asiakkaat säilyttävät 75% kun taas maksetun sosiaalisen asiakkaat säilyttävät 40%. Tuo yksittäinen näkemys kehystää uudelleen koko markkinoinnin kohdentamiskeskustelun.
Korkein arvoinen ensimmäinen segmentointi on lähes aina hankintatiedustelu. Asiakkaat, jotka löytävät sinut viittausten, sisällön tai orgaanisen haun kautta, säilyttävät tyypillisesti huomattavasti korkeammat asteet kuin laajalla maksullisella kampanjalla hankkiminen. Jos kohortitietosi näyttävät tämän mallin - ja se yleensä näyttää - se on vahva väite sisällön ja viittausohjelmiin sijoittamiselle, vaikka maksettu hankkiminen näyttäisi halvemmalta hankkimiskustannusta kohti. CAC näyttää halvalta, kunnes rakennat säilyttämisen malliin.
Mitä tehdä laskevalla kohortilla
Jos viimeaikaiset kohorttisi säilyttävät paremmin kuin vanhat, se on kiireellinen signaali. Se tarkoittaa, että jotakin tuotteestasi, hankinnoistasi tai perehdyttämisestäsi huonontui - ja se huonontui äskettäin. Tarkista, mitä muuttui. Avaatko uuden hankintatiedustelun, joka tuo vähemmän pätevät asiakkaat? Toimitko ominaisuuden, joka häiritsi olemassa olevaa työnkulkua? Muutitko hinnoittelua tavalla, joka houkutteli asiakkaita, jotka eivät olleet hyvä sopivuus?
Kohortti-säilyttämisen parantaminen on lähes aina tuote- ja perehdyttämisongelma ennen kuin se on markkinointiongelma. Interventioiden sarja, joka yleensä toimii: ensin tunnistat toimet, joita säilytetyt asiakkaat tekevät ensimmäisen kahden viikon aikana, joita poistuneita asiakkaita ei tehdä. Sitten uudelleen suunnittele perehdyttäminen näiden toimintojen käyttöönottamiseksi aikaisemmin. Sitten käytä varhaista käyttäytymistä signaalina tunnistaa riskialttiit asiakkaat ja puutua ennen kuin he poistuvat, ei sen jälkeen.
Pitkäaikaiset kohorttit näyttävät hyviltä, koska asiakkaat, jotka jäivät, ovat määritelmän mukaan tyytyväisimmät ja sopivat parhaiten. Kun katsot kahden vuoden kohorttin kuukauden 24 säilyttämistä, näet populaatiota, joka on jo suodatettu raskasti poistumisella. Älä käytä pitkäaikaisesti säilytettyjen asiakkaiden käyttäytymistä mallina sille, mitä uudet asiakkaat tekevät - he ovat valittu näyte, ei edustava.
Kohortti-analyysi on hyödyllisin, kun sitä tarkastellaan johdonmukaisesti sen sijaan, että se ajetaan kerran ja unohdettaisiin. FabricLoopissa tuote- ja kasvutiimit ylläpitävät usein kuukausittaista muistiinpanoa jaettuun ryhmään, jossa on päivitetty kohorttitieto - taulukko päivitetty uusimmilla tiedoilla, yksi kappaleen tulkinta siitä, mikä muuttui ja miksi, ja toimintalistalla interventioita, joita testataan riskialttiissa kohortteissa. Kun analyysi elää rinnalla tehtäviin, jotka vastaavat siihen, näkemyksen ja toiminnan välinen kuilu kavenee huomattavasti.