Analisi per coorte: come capire perché i clienti restano o se ne vanno
L'analisi per coorte rivela gli schemi di retention nascosti dentro i tuoi numeri aggregati. Ecco come leggerla, costruirla e agire su ciò che scopri.
Il tuo tasso di retention complessivo è del 78%. È un buon risultato? Dipende interamente da quali clienti restano e quali se ne vanno — ed è esattamente ciò che il tuo dato di retention aggregato non può dirti. Un'azienda con il 78% di retention potrebbe riuscire a trattenere i clienti più preziosi mentre perde quelli più recenti, oppure potrebbe conservare una base di clienti storici mentre le coorti recenti registrano un churn rapido. Il dato aggregato nasconde entrambe le storie. L'analisi per coorte le rivela.
Una coorte è semplicemente un gruppo di clienti che hanno iniziato nello stesso periodo — si sono iscritti nello stesso mese, hanno fatto il loro primo acquisto nello stesso trimestre, o hanno fatto l'upgrade nella stessa settimana. Monitorando ogni coorte separatamente nel tempo, puoi vedere come gli schemi di retention cambiano tra i diversi periodi della storia della tua azienda. Il risultato è uno degli strumenti diagnostici più potenti a disposizione di un team di prodotto o di business.
Come leggere una tabella di retention per coorte
Una tabella standard di retention per coorte ha le coorti di acquisizione disposte nelle righe (gennaio, febbraio, marzo...) e i mesi trascorsi dall'acquisizione nelle colonne (Mese 0, Mese 1, Mese 2...). Il Mese 0 è sempre 100% — è il punto di partenza. I numeri lungo ogni riga mostrano che percentuale di quella coorte era ancora attiva in ciascuno dei mesi successivi.
| Coorte | Mese 0 | Mese 1 | Mese 2 | Mese 3 | Mese 4 | Mese 5 | Mese 6 |
|---|---|---|---|---|---|---|---|
| gennaio | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| febbraio | 100% | 71% | 55% | 43% | 41% | 39% | — |
| marzo | 100% | 76% | 62% | 51% | 49% | — | — |
| aprile | 100% | 79% | 65% | 61% | — | — | — |
| maggio | 100% | 82% | 69% | — | — | — | — |
| giugno | 100% | 84% | — | — | — | — | — |
Questa tabella racconta una storia chiara: la retention è migliorata in modo significativo di mese in mese. La coorte di gennaio aveva trattenuto solo il 34% dei clienti al Mese 6, mentre le coorti più recenti si attestano al 69–84% nei primi due mesi. Qualcosa è cambiato — probabilmente un miglioramento del prodotto, un flusso di onboarding migliore o un cambiamento nel canale di acquisizione che ha portato clienti più in linea con il prodotto. Il dato di retention aggregato avrebbe nascosto tutto questo.
I tre schemi a cui guardare
Una volta che hai una tabella per coorte, stai cercando tre schemi specifici. Ognuno punta a un problema diverso e richiede una soluzione diversa.
Un forte calo iniziale: Se la retention da Mese 0 a Mese 1 è costantemente sotto il 50%, hai un problema di onboarding. I clienti si iscrivono e non trovano valore abbastanza velocemente per restare. Questo è lo schema più comune nel SaaS in fase iniziale e il più risolvibile — un onboarding migliore, un time-to-value più rapido e un coinvolgimento iniziale più proattivo aiutano tutti.
Calo costante in tutte le coorti: Se la retention continua a calare allo stesso ritmo, mese dopo mese, in tutte le coorti, hai un problema di valore del prodotto. I clienti provano il prodotto, alcuni all'inizio restano, ma non c'è abbastanza valore continuativo per tenerli coinvolti. Nessun miglioramento dell'onboarding risolverà il problema — il prodotto stesso deve offrire più motivi per tornare.
Una curva "a sorriso" che si appiattisce: Le migliori curve di retention si appiattiscono dopo un calo iniziale. I clienti che sopravvivono ai primi due o tre mesi tendono a restare. L'obiettivo è massimizzare il numero di clienti che raggiungono quel punto di inflessione. Se la tua curva non si appiattisce mai — se la retention continua a calare allo stesso ritmo al Mese 6 come al Mese 1 — non hai una base stabile di clienti fidelizzati, e i calcoli di LTV costruiti su quella coorte saranno fuorvianti.
Il numero più importante in una tabella per coorte non è la percentuale al Mese 6 — è la pendenza tra Mese 0 e Mese 2. È qui che si perde la maggior parte dei clienti, e dove la maggior parte degli interventi ha più efficacia.
Segmentare le coorti: dove si trova il vero insight
L'analisi per coorte diventa davvero potente quando segmenti le coorti per canale di acquisizione, livello di prezzo, dimensione del cliente, o area geografica. Una tabella per coorte che mostra una retention complessiva del 60% dopo tre mesi potrebbe rivelare che i clienti da ricerca organica mantengono il 75% mentre quelli da social a pagamento il 40%. Quel singolo insight cambia l'intera discussione sull'allocazione del budget di marketing.
La prima segmentazione di maggior valore è quasi sempre quella per canale di acquisizione. I clienti che ti trovano tramite referral, contenuti od organico hanno in genere tassi di retention nettamente più alti di quelli acquisiti con ampie campagne a pagamento. Se i tuoi dati per coorte mostrano questo schema — e di solito è così — è un argomento forte per investire in contenuti e programmi di referral anche quando l'acquisizione a pagamento sembra più economica in termini di costo per acquisizione. Il CAC sembra basso finché non inserisci la retention nel modello.
Cosa fare con una tabella per coorte in declino
Se le tue coorti più recenti mantengono peggio di quelle più vecchie, è un segnale urgente. Significa che qualcosa del tuo prodotto, della tua acquisizione, o del tuo onboarding è peggiorato — ed è peggiorato di recente. Controlla cosa è cambiato. Hai aperto un nuovo canale di acquisizione che porta clienti meno qualificati? Hai rilasciato una funzionalità che ha interrotto un flusso di lavoro esistente? Hai cambiato il pricing in un modo che ha attratto clienti che non erano in linea con il prodotto?
Migliorare la retention delle coorti è quasi sempre un problema di prodotto e onboarding prima di essere un problema di marketing. La sequenza di interventi che tende a funzionare: primo, identifica le azioni che i clienti trattenuti intraprendono nelle loro prime due settimane che i clienti persi non compiono. Poi, riprogetta l'onboarding per spingere quelle azioni prima. Infine, usa il comportamento iniziale come segnale per identificare i clienti a rischio e intervieni prima che abbandonino, piuttosto che dopo.
Le coorti di lunga durata sembrano ottime perché i clienti che sono rimasti sono, per definizione, i tuoi clienti più soddisfatti e meglio adatti. Quando guardi la retention del Mese 24 di una coorte di due anni, stai vedendo una popolazione che è già stata pesantemente filtrata dal churn. Non usare il comportamento dei clienti a lunga permanenza come modello di ciò che faranno i nuovi clienti — sono un campione selezionato, non uno rappresentativo.
L'analisi per coorte è più utile quando è rivista con regolarità piuttosto che eseguita una volta e dimenticata. In FabricLoop, i team di prodotto e crescita spesso tengono una nota mensile nel loro gruppo condiviso con un'istantanea aggiornata delle coorti — la tabella aggiornata con i dati più recenti, un'interpretazione in un paragrafo di cosa è cambiato e perché, e un elenco di attività con gli interventi sperimentati sulle coorti a rischio. Quando l'analisi vive affiancata ai compiti che vi rispondono, il divario tra insight e azione si riduce notevolmente.