Kohort Analízis: Hogyan értsük meg, miért maradnak vagy mennek az ügyfelek
A kohort analízis feltárja az összesített számok mögé rejtett megtartási mintákat. Íme, hogyan olvass egyet, építs egyet, és cselekedjél az alapján, amit találsz.
Az összesített megtartási arányod 78%. Ez jó? Ez teljes egészében attól függ, mely ügyfelek maradnak és mely mennek - és ez pontosan az, amit az összesített megtartási szám nem tud neked mondani. Egy 78%-os megtartási aránnyal rendelkező vállalat sikeresen megtarthatja legarékosabb ügyfeleit, miközben a legújabbakat veszíti, vagy megtarthat egy öreg ügyfélbázist, miközben a közelmúltbeli kohortok gyorsan lemorzsolódnak. Az összesített szám mindkét történetet elrejtve van. A kohort analízis feltárja őket.
A kohort egyszerűen csak azon ügyfelek csoportja, akik ugyanabban az időben kezdtek - ugyanabban a hónapban regisztráltak, ugyanabban a negyedévben tették meg első vásárlásuk, vagy ugyanabban a héten frissítették. Az egyes kohortok nyomon követésével függetlenül az idő múlásával láthatod, hogyan változnak a megtartási minták a vállalat történetének különböző időszakaiban. Az eredmény az egyik legerősebb diagnosztika, amit egy termék- vagy üzleti csapat használhat.
Hogyan olvass egy kohort megtartási táblázatot
A szokásos kohort megtartási táblázatban a szerzési kohortok lefelé futnak sorokként (január, február, március...) és a szerzés óta eltelt hónapok balról jobbra oszlopként (0. hónap, 1. hónap, 2. hónap...). A 0. hónap mindig 100% - ez a kiindulópont. Az egyes sorok számai azt mutatják, hogy az adott kohort hány százaléka maradt aktív az azutáni hónapok során.
| Kohort | 0. hónap | 1. hónap | 2. hónap | 3. hónap | 4. hónap | 5. hónap | 6. hónap |
|---|---|---|---|---|---|---|---|
| Január | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Február | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Március | 100% | 76% | 62% | 51% | 49% | — | — |
| Április | 100% | 79% | 65% | 61% | — | — | — |
| Május | 100% | 82% | 69% | — | — | — | — |
| Június | 100% | 84% | — | — | — | — | — |
Ez a táblázat világos történetet mesél el: a megtartás jelentősen javult hónapról hónapra. A januári kohort csak 34%-ot tartott meg a 6. hónapban, míg az újabb kohortok 69–84%-ot tartanak meg az első két hónapon keresztül. Valami megváltozott - valószínűleg egy termékjavulás, egy jobb onboarding flow, vagy egy változás a szerzési csatornában, amely jobban illeszkedő ügyfeleket hozott. Az összesített megtartási szám ezt teljesen elrejtette volna.
Három minta, amit keresni kell
Miután kohort táblázatod van, három konkrét mintát keresel. Mindegyik egy másik problémára mutat, és más javítást igényel.
Meredek korai esés: Ha a 0. hónaptól az 1. hónapig tartó megtartás következetesen 50% alatt van, onboarding problémád van. Az ügyfelek regisztrálnak és nem találnak értéket kellően gyorsan, hogy maradjanak. Ez a leggyakoribb minta a korai SaaS-ban és a legkezelhetőbb - jobb onboarding, gyorsabb érték ideje és proaktívabb korai elköteleződés segít.
Konzisztens csökkenés az összes kohort között: Ha a megtartás minden hónapban azonos sebességgel csökken az összes kohort között, akkor termékarték-problémád van. Az ügyfelek megpróbálják a terméket, néhányan kezdetben maradnak, de nincs elég folyamatos érték, hogy bennük tartsa őket. Onboarding javulás nem fogja ezt megjavítani - a terméknek magának több okot kell nyújtania a visszatéréshez.
"Mosoly" görbe, amely kilapul: A legjobb megtartási görbék kilaposodnak a korai esés után. Az ügyfelek, akik az első két vagy három hónapban túlélik, általában maradnak. A cél a célt az az ügyfelek számának maximalizálása, akik elérik azt az inflexiós pontot. Ha a görbe soha nem laposodik - ha a megtartás a 6. hónapban azonos sebességgel csökken, mint az 1. hónapban - nincs stabil megtartott alapod, és az LTV-számítások, amelyek erre a kohort épülnek, félrevezetőek lesznek.
A legfontosabb szám egy kohort táblázatban nem a 6. hónapban kapott százalék - a 0. és 2. hónap közötti meredekség. Itt veszítik el a legtöbb ügyfelt, és itt van a legtöbb beavatkozásnak erőforrása.
Kohortok szegmentálása: ahol az igazi belátás él
A kohort analízis igazán erőssé válik, amikor szegmentálod a kohortokat szerzési csatorna, árcsomag, ügyfél mérete vagy földrajz szerint. Egy kohort táblázat, amely az összesített megtartást 60%-nak mutatja három hónap után, feltárhatja, hogy az orgánik keresésből származó ügyfelek 75%-ot tartanak meg, míg a fizetett közösségi ügyfelek 40%-ot. Ez az egyetlen belátás átkeretezi a teljes marketing allokációs beszélgetést.
A legmagasabb értékű első szegmentálás szinte mindig a szerzési csatorna. Az ügyfelek, akik referenciákon, tartalmon vagy orgánik keresésben találnak meg, általában lényegesen magasabb megtartási rátákat érnek el, mint a széles fizetett kampányon szerzett ügyfelek. Ha kohortadatok ezt a mintát mutatják - és általában mutatják - ez erős érv a tartalomra és a referencia-programokba való befektetés mellett, még akkor is, ha a fizetett szerzés olcsóbbnak tűnik szerzési költség alapján. A CAC olcsónak tűnik, amíg a megtartást be nem építed a modellbe.
Mit tegyek egy csökkenő kohort táblázattal
Ha a legújabb kohortok rosszabbul tartanak meg, mint a régebbiek, ez egy sürgős jel. Ez azt jelenti, hogy valami a termékedben, a szerzésedben vagy az onboardingodban romlott - és az utóbbi időben romlott. Ellenőrizd, mi változott. Megnyitottál egy új szerzési csatornát, amely kevésbé képzett ügyfeleket hoz? Szállítottál egy olyan funkciót, amely megzavart egy meglévő munkafolyamatot? Megváltoztattad a díjakat olyan módon, amely rossz ügyféleket vonzott?
A kohort megtartásának javítása szinte mindig egy terméken és onboarding probléma, mielőtt marketing probléma. Az intervenciók sorozata, amely általában működik: először azonosítsd azokat a lépéseket, amelyeket a megtartott ügyfelek az első két hétben megtesznek, amelyeket a lemorzsolódott ügyfelek nem. Ezután újra tervezzed meg az onboardingot, hogy ezeket a lépéseket hamarabb hajtsd végre. Ezután használd a korai viselkedést jelzésként az at-risk ügyfelek azonosítására és a beavatkozáshoz lemorzsolódás előtt, nem után.
A hosszú kohorták jól néznek ki, mert az ügyfelek, akik maradtak, definíció szerint a legelégedettebbek és legjobban illeszkednek. Amikor megnézel egy kétéves kohort 24. hónapjának megtartottságát, egy populációt látsz, amelyet már erősen szűrtek a lemorzsolódás. Ne használd a hosszú ideig megtartott ügyfelek viselkedését a modellként arra, mit fognak az új ügyfelek tenni - ők egy kiválasztott minta, nem egy reprezentatív.
A kohort analízis akkor a leghasznosabb, ha következetesen felülvizsgálod az egyetlen futás helyett és elfelejtik. A FabricLoopban a termék- és növekedési csapatok gyakran tartanak egy havi megjegyzést az megosztott csoportban egy frissített kohort pillanatképpel - a táblázat frissítve az legújabb adatokkal, egy bekezdés azon értelmezésével, hogy mi mozgott és miért, valamint egy feladatlistát azon beavatkozások tesztelésével, amelyek az at-risk kohortok ellen zajlanak. Amikor az elemzés az azt válaszoló feladatok mellett él, a belátás és cselekvés közötti rés jelentősen szűkül.