Kohortelemzés: hogyan értsd meg, miért maradnak vagy mennek el az ügyfelek
A kohortelemzés feltárja az összesített számaid mögött rejtőző megtartási mintákat. Íme, hogyan olvass egyet, hogyan építs egyet, és hogyan cselekedj az eredmények alapján.
Az összesített megtartási arányod 78%. Ez jó? Teljes mértékben attól függ, hogy melyik ügyfelek maradnak és melyek mennek el — és pontosan ezt nem árulja el az összesített megtartási szám. Egy 78%-os megtartású cég lehet, hogy sikeresen megtartja a legértékesebb ügyfeleit, miközben a legújabbakat elveszíti, vagy lehet, hogy egy régi ügyfélbázishoz ragaszkodik, miközben a legutóbbi kohortok gyorsan lemorzsolódnak. Az összesített szám mindkét történetet elrejti. A kohortelemzés feltárja őket.
A kohort egyszerűen azon ügyfelek csoportja, akik ugyanabban az időben kezdtek — ugyanabban a hónapban regisztráltak, ugyanabban a negyedévben vásároltak először, vagy ugyanabban a héten váltottak magasabb csomagra. Ha az egyes kohortokat külön követed az idő során, láthatod, hogyan változnak a megtartási minták a cég története különböző időszakaiban. Az eredmény az egyik leghatékonyabb diagnosztikai eszköz, amely egy termék- vagy üzleti csapat rendelkezésére áll.
Hogyan olvass egy kohort-megtartási táblázatot
Egy szokásos kohort-megtartási táblázatban a sorok a megszerzési kohortokat mutatják (január, február, március...), az oszlopok pedig a megszerzés óta eltelt hónapokat (0. hónap, 1. hónap, 2. hónap...). A 0. hónap mindig 100% — ez a kiindulópont. Az egyes sorokban lévő számok azt mutatják, hogy az adott kohort hány százaléka volt még aktív a következő hónapokban.
| 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: a megtartás hónapról hónapra jelentősen javul. A januári kohortnak a 6. hónapra mindössze 34%-a maradt meg, míg az újabb kohortok az első két hónapban 69–84%-on tartanak. Valami megváltozott — valószínűleg egy termékfejlesztés, egy jobb onboarding-folyamat, vagy egy változás a szerzési csatornában, amely jobban illeszkedő ügyfeleket hozott. Az összesített megtartási szám ezt teljesen elfedte volna.
A három keresendő minta
Ha megvan a kohorttáblázat, három konkrét mintát keress. Mindegyik más problémára mutat, és más megoldást igényel.
Meredek korai visszaesés: Ha a megtartás a 0. hónapról az 1. hónapra következetesen 50% alatt van, onboarding-problémád van. Az ügyfelek regisztrálnak, de nem találnak elég gyorsan értéket ahhoz, hogy maradjanak. Ez a leggyakoribb minta a korai fázisú SaaS-cégeknél, és a leginkább orvosolható — segít a jobb onboarding, a gyorsabb time-to-value és a proaktívabb korai ügyfélbevonás.
Következetes csökkenés az összes kohortban: Ha a megtartás minden kohortban hónapról hónapra azonos ütemben csökken, termékérték-problémád van. Az ügyfelek kipróbálják a terméket, néhányan eleinte maradnak, de nincs elég folyamatos érték ahhoz, hogy elkötelezettek maradjanak. Semmilyen onboarding-javítás nem oldja meg ezt — magának a terméknek kell több okot adnia a visszatérésre.
A kilaposodó „mosoly”-görbe: A legjobb megtartási görbék a kezdeti visszaesés után kilaposodnak. Aki túléli az első két-három hónapot, az általában marad. A cél az, hogy minél több ügyfél érje el ezt a töréspontot. Ha a görbéd soha nem lapul ki — ha a megtartás a 6. hónapban ugyanolyan ütemben csökken, mint az 1. hónapban —, nincs stabil megtartott ügyfélbázisod, és az erre a kohortra épülő LTV-számítások félrevezetők lesznek.
A kohorttáblázat legfontosabb száma nem a 6. hónapi százalék, hanem a 0. és a 2. hónap közötti meredekség. Itt veszíted el az ügyfelek többségét, és itt a legnagyobb a beavatkozások hatása.
Kohortok szegmentálása: itt rejlik az igazi felismerés
A kohortelemzés akkor válik igazán erőssé, ha a kohortokat szerzési csatorna, árcsomag, ügyfélméret vagy földrajzi hely szerint szegmentálod. Egy kohorttáblázat, amely három hónap után 60%-os összesített megtartást mutat, feltárhatja, hogy az organikus keresésből érkező ügyfelek 75%-a marad meg, míg a fizetett közösségimédia-hirdetésekből érkezőknek csak 40%-a. Ez az egyetlen felismerés átrajzolja az egész marketingköltség-elosztási vitát.
A legnagyobb értékű első szegmentálás szinte mindig a szerzési csatorna szerinti. Az ajánlásból, tartalomból vagy organikus keresésből hozzád találó ügyfelek jellemzően érezhetően magasabb arányban maradnak meg, mint a széles körű fizetett kampányokkal megszerzettek. Ha a kohortadataid ezt a mintát mutatják — és általában mutatják —, az erős érv a tartalmakba és az ajánlási programokba való befektetés mellett akkor is, ha a fizetett szerzés az egy ügyfélre jutó szerzési költség alapján olcsóbbnak tűnik. A CAC addig tűnik olcsónak, amíg a megtartást be nem építed a modellbe.
Mit tegyél egy romló kohorttáblázattal
Ha a legfrissebb kohortok rosszabbul maradnak meg, mint a régebbiek, az sürgős jelzés. Azt jelenti, hogy a termékedben, a szerzésben vagy az onboardingban valami romlott — méghozzá nemrég. Nézd meg, mi változott. Nyitottál egy új szerzési csatornát, amely kevésbé megfelelő ügyfeleket hoz? Kiadtál egy funkciót, amely megzavart egy meglévő munkafolyamatot? Úgy változtattál az árazáson, hogy az olyan ügyfeleket vonzott, akik nem illettek hozzád?
A kohortok megtartásának javítása szinte mindig előbb termék- és onboarding-probléma, és csak utána marketingprobléma. A jellemzően bevált beavatkozási sorrend: először azonosítsd azokat a lépéseket, amelyeket a megtartott ügyfelek az első két hétben megtesznek, a lemorzsolódottak viszont nem. Ezután tervezd újra az onboardingot, hogy ezeket a lépéseket hamarabb végrehajtsák. Végül használd a korai viselkedést jelzésként a veszélyeztetett ügyfelek azonosítására, és még azelőtt avatkozz be, mielőtt lemorzsolódnak, ne utána.
A hosszú ideje velünk lévő kohortok remekül néznek ki, mert az ügyfelek, akik maradtak, definíció szerint a legelégedettebbek és a legjobban illeszkedők. Ha egy kétéves kohort 24. havi megtartását nézed, olyan populációt látsz, amelyet a lemorzsolódás már erősen megszűrt. Ne használd a régóta megtartott ügyfelek viselkedését modellként arra, mit fognak tenni az új ügyfelek — ők egy szelektált, nem reprezentatív minta.
A kohortelemzés akkor a leghasznosabb, ha következetesen felülvizsgálod, nem pedig egyszer lefuttatod és elfelejted. A FabricLoopban a termék- és növekedési csapatok gyakran vezetnek egy havi jegyzetet a közös csoportjukban egy frissített kohort-pillanatképpel — a legfrissebb adatokkal frissített táblázattal, egy bekezdésnyi értelmezéssel arról, mi mozdult és miért, valamint egy feladatlistával a veszélyeztetett kohortokon tesztelt beavatkozásokról. Ha az elemzés a rá reagáló feladatok mellett él, jelentősen szűkül a felismerés és a cselekvés közötti szakadék.