ניתוח קבוצות: כיצד להבין למה לקוחות נשארים או עוזבים
ניתוח קבוצות חושף את דפוסי השימור המוסתרים בתוך המספרים המצטברים שלך. כך קוראים אותו, בונים אותו ופועלים על פי הממצאים.
שיעור השימור הכולל שלך הוא 78%. האם זה טוב? זה תלוי לחלוטין באילו לקוחות נשארים ואילו עוזבים — וזה בדיוק מה שמספר השימור המצטבר שלך לא יכול לספר לך. חברה עם 78% שימור יכולה לשמר בהצלחה את הלקוחות היקרים ביותר שלה בעוד היא מאבדת את החדשים, או יכולה להחזיק בסיס לקוחות ותיק בעוד הקבוצות האחרונות שלה נוטשות במהירות. המצטבר מסתיר את שתי הסיפורים. ניתוח קבוצות חושף אותם.
קבוצה היא פשוט קבוצת לקוחות שהתחילו באותו זמן — נרשמו באותו חודש, ביצעו את הרכישה הראשונה שלהם באותו רבעון, או שדרגו באותו שבוע. על ידי מעקב אחר כל קבוצה באופן עצמאי לאורך זמן, ניתן לראות כיצד דפוסי השימור משתנים בפרקי זמן שונים בהיסטוריה של החברה שלך. התוצאה היא אחד הכלים האבחוניים החזקים ביותר הזמינים לצוות מוצר או עסקי.
כיצד לקרוא טבלת שימור קבוצות
לטבלת שימור קבוצות סטנדרטית יש קבוצות רכישה לאורך השורות (ינואר, פברואר, מרץ...) וחודשים מאז הרכישה לאורך העמודות (חודש 0, חודש 1, חודש 2...). חודש 0 הוא תמיד 100% — זו נקודת ההתחלה. המספרים בכל שורה מציגים איזה אחוז מאותה קבוצה היה עדיין פעיל בכל חודש עוקב.
| קבוצה | חודש 0 | חודש 1 | חודש 2 | חודש 3 | חודש 4 | חודש 5 | חודש 6 |
|---|---|---|---|---|---|---|---|
| ינואר | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| פברואר | 100% | 71% | 55% | 43% | 41% | 39% | — |
| מרץ | 100% | 76% | 62% | 51% | 49% | — | — |
| אפריל | 100% | 79% | 65% | 61% | — | — | — |
| מאי | 100% | 82% | 69% | — | — | — | — |
| יוני | 100% | 84% | — | — | — | — | — |
הטבלה הזו מספרת סיפור ברור: השימור השתפר משמעותית מדי חודש. קבוצת ינואר שמרה רק 34% עד חודש 6, בעוד קבוצות עדכניות יותר מחזיקות ב-69–84% במהלך שני החודשים הראשונים שלהן. משהו השתנה — כנראה שיפור מוצר, תהליך קליטה טוב יותר, או שינוי בערוץ הרכישה שהביא לקוחות מתאימים יותר. מספר השימור המצטבר היה מסתיר את כל זה לחלוטין.
שלושת הדפוסים לחפש
ברגע שיש לך טבלת קבוצות, אתה מחפש שלושה דפוסים ספציפיים. כל אחד מצביע על בעיה שונה ודורש תיקון שונה.
ירידה חדה מוקדמת: אם שימור מחודש 0 לחודש 1 נמוך באופן עקבי מ-50%, יש לך בעיית קליטה. לקוחות נרשמים ולא מוצאים ערך מהר מספיק כדי להישאר. זהו הדפוס הנפוץ ביותר ב-SaaS בשלב מוקדם והכי ניתן לטיפול — קליטה טובה יותר, זמן קצר יותר לערך, ומעורבות יזומה מוקדמת, כולם עוזרים.
ירידה עקבית בכל הקבוצות: אם השימור ממשיך לרדת באותו קצב מדי חודש בכל הקבוצות, יש לך בעיית ערך מוצר. לקוחות מנסים את המוצר, חלקם נשארים בתחילה, אך אין מספיק ערך מתמשך כדי לשמור אותם מעורבים. שום שיפור בקליטה לא יתקן זאת — המוצר עצמו צריך לספק יותר סיבות לחזור.
עקומת "חיוך" שמתשטחת: עקומות השימור הטובות ביותר מתשטחות לאחר ירידה ראשונית. לקוחות שמשרדים בשני-שלושת החודשים הראשונים נוטים להישאר. המטרה היא למקסם את מספר הלקוחות שמגיעים לנקודת ההתכנסות הזו. אם העקומה שלך לעולם אינה מתשטחת — אם השימור ממשיך לרדת באותו קצב בחודש 6 כמו בחודש 1 — אין לך בסיס שמור יציב, וחישובי LTV שנבנו על אותה קבוצה יהיו מטעים.
המספר החשוב ביותר בטבלת קבוצות אינו האחוז בחודש 6 — זהו השיפוע בין חודש 0 לחודש 2. שם אבדים רוב הלקוחות, ושם לרוב ההתערבויות יש את המינוף הגבוה ביותר.
פילוח קבוצות: כאן חיים התובנות האמיתיות
ניתוח קבוצות הופך לעוצמתי באמת כשמפלחים קבוצות לפי ערוץ רכישה, רמת תמחור, גודל לקוח, או גיאוגרפיה. טבלת קבוצות המציגה שימור כולל של 60% לאחר שלושה חודשים עשויה לחשוף שלקוחות מחיפוש אורגני שומרים ב-75% בעוד לקוחות מסושל ממומן שומרים ב-40%. תובנה בודדת זו מנסחת מחדש את כל שיחת הקצאת השיווק.
הפילוח בעל הערך הגבוה ביותר הוא כמעט תמיד לפי ערוץ רכישה. לקוחות שמוצאים אותך דרך הפניות, תוכן, או חיפוש אורגני שומרים בדרך כלל בשיעורים גבוהים יותר מאלה שנרכשו דרך קמפיינים ממומנים רחבים. אם נתוני הקבוצות שלך מציגים את הדפוס הזה — והם בדרך כלל כן — זוהי טיעון חזק להשקיע בתוכן ובתוכניות הפניות גם כשרכישה ממומנת נראית זולה יותר על בסיס עלות לרכישה. ה-CAC נראה זול עד שבונים שימור לתוך המודל.
מה לעשות עם טבלת קבוצות יורדת
אם הקבוצות האחרונות שלך שומרות גרוע יותר מהישנות, זהו אות דחוף. זה אומר שמשהו במוצר, ברכישה, או בקליטה שלך הידרדר — והידרדר לאחרונה. בדוק מה השתנה. האם פתחת ערוץ רכישה חדש שמביא לקוחות פחות מוסמכים? האם שלחת תכונה שהפריעה לתהליך עבודה קיים? האם שינית תמחור בצורה שמשכה לקוחות שלא היו התאמה טובה?
שיפור שימור קבוצות הוא כמעט תמיד בעיית מוצר וקליטה לפני שזו בעיית שיווק. רצף ההתערבויות שנוטה לעבוד: ראשית, זהה את הפעולות שלקוחות שמורים נוקטים בשבועיים הראשונים שלהם שלקוחות שנטשו לא נוקטים. ואז, עצב מחדש את הקליטה כדי לדחוף פעולות אלה מוקדם יותר. ואז, השתמש בהתנהגות מוקדמת כאות לזיהוי לקוחות בסיכון והתערבות לפני שהם נוטשים, לא אחרי.
קבוצות ותיקות נראות מצוין כי הלקוחות שנשארו הם, בהגדרה, המרוצים ביותר והמתאימים ביותר. כשמסתכלים על שימור חודש 24 של קבוצה בת שנתיים, רואים אוכלוסייה שכבר סוננה בכבדות על ידי נטישה. אל תשתמש בהתנהגות של לקוחות ותיקים כמודל למה שלקוחות חדשים יעשו — הם מדגם נבחר, לא מייצג.
ניתוח קבוצות שימושי ביותר כשסוקרים אותו באופן עקבי ולא מריצים פעם אחת ושוכחים. ב-FabricLoop, צוותי מוצר וצמיחה שומרים לעתים קרובות הערה חודשית בקבוצה המשותפת שלהם עם תמונת מצב מעודכנת של קבוצות — הטבלה מרועננת עם הנתונים האחרונים, פסקה של פרשנות על מה זז ולמה, ורשימת משימות של התערבויות שנבחנות על הקבוצות בסיכון. כשהניתוח חי לצד המשימות שמגיבות לו, הפער בין תובנה לפעולה מצטמצם משמעותית.