Analýza kohorty: Ako pochopiť, prečo zákazníci ostávajú alebo odchádzajú
Analýza kohorty odhaľuje vzory retenzie skryté v agregovaných číslach. Tu je návod, ako ich čítať, ako ich vytvoriť a ako konať na základe toho, čo zistíte.
Vaša celková miera retenzie je 78 %. Je to dobré? Záleží úplne na tom, ktorých zákazníkov si ponechávate a ktorých strácate — a to je presne to, čo vám celkové číslo retenzie nemôže povedať. Spoločnosť s 78% retenciou si môže úspešne ponechávať svojich najcennejších zákazníkov a zároveň strácať svojich najnovších, alebo si môže držať staršu zákaznícku základňu zatiaľ čo jej nové kohorty rýchlo ubúdajú. Agregácia skrýva oba príbehy. Analýza kohorty ich odhaľuje.
Kohorta je jednoducho skupinou zákazníkov, ktorí začali v rovnakom čase — zaregistrovali sa v rovnakom mesiaci, uskutočnili svoj prvý nákup v rovnakom štvrťroku alebo sa upgradovali v rovnakom týždni. Sledovaním každej kohorty nezávisle v čase vidíte, ako sa vzory retenzie menia v rôznych obdobiach histórie vašej spoločnosti. Výsledkom je jeden z najsilnejších diagnostických nástrojov, ktoré má produktové alebo obchodné tímy k dispozícii.
Ako čítať tabuľku retenzie kohorty
Štandardná tabuľka retenzie kohorty má kohorty akvizícií bežiace v riadkoch (január, február, marec...) a mesiace od akvizície bežiace v stĺpcoch (mesiac 0, mesiac 1, mesiac 2...). Mesiac 0 je vždy 100 % — to je východzí bod. Čísla v každom riadku ukazujú, aké percento tej kohorty zostalo aktívne v každom nasledujúcom mesiaci.
| Kohorta | Mesiac 0 | Mesiac 1 | Mesiac 2 | Mesiac 3 | Mesiac 4 | Mesiac 5 | Mesiac 6 |
|---|---|---|---|---|---|---|---|
| Január | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Február | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Marec | 100% | 76% | 62% | 51% | 49% | — | — |
| Apríl | 100% | 79% | 65% | 61% | — | — | — |
| Máj | 100% | 82% | 69% | — | — | — | — |
| Jún | 100% | 84% | — | — | — | — | — |
Táto tabuľka hovoriť jasný príbeh: retenzia sa každý mesiac výrazne zlepšuje. Kohorta z januára si ponechala len 34% v mesiaci 6, zatiaľ čo novšie kohorty sa držia na 69–84% počas ich prvých dvoch mesiacov. Niečo sa zmenilo — pravdepodobne vylepšenie produktu, lepší tok onboardingu alebo zmena kanálu akvizície, ktorá priniesla lepšie prispôsobených zákazníkov. Celkové číslo retenzie by toto úplne maskilo.
Tri vzory na pozornosť
Keď máte tabuľku kohort, hľadáte tri špecifické vzory. Každý naznačuje iný problém a vyžaduje iné riešenie.
Prudký počiatočný pokles: Ak je retenzia z mesiaca 0 na mesiac 1 konzistentne nižšia ako 50%, máte problém s onboardingom. Zákazníci sa registrujú a nenachádzajú dostatočne rýchlo hodnotu, aby ostali. Toto je najčastejší vzor v počiatočnom SaaS a najľahšie liečiteľný — lepší onboarding, rýchlejší čas do hodnoty a viac proaktívneho skorého zapojenia všetko pomáha.
Konzistentný pokles všetkých kohort: Ak retenzia pokračuje v poklese rovnakým tempom mesiac za mesiacom všetkých kohort, máte problém s hodnotou produktu. Zákazníci skúšajú produkt, niektorí ostanú spočiatku, ale nie je dosť trvalej hodnoty, aby ich udržali zapojené. Žiadne vylepšenie onboardingu to neopraví — produkt sám musí poskytnúť viac dôvodov na návrat.
"Úsmevá" krivka, ktorá sa vyrovnáva: Najlepšie retenčné krivky sa vyrovnávajú po počiatočnom poklesе. Zákazníci, ktorí prežijú prvé dva až tri mesiace, majú tendenciu ostávať. Cieľom je maximalizovať počet zákazníkov, ktorí dosahujú tento inflexný bod. Ak sa vaša krivka nikdy nevyrovnáva — ak retenzia pokračuje v poklese rovnakým tempom v mesiaci 6 ako v mesiaci 1 — nemáte stabilnú retenzný základ a výpočty LTV postavené na tej kohortе budú zavádzajúce.
Najdôležitejšie číslo v tabuľke kohorty nie je percento v mesiaci 6 — je to sklon medzi mesiacom 0 a mesiacom 2. To je miesto, kde sa ztrácajú najviac zákazníkov a kde má väčšina intervencií vplyv.
Segmentácia kohort: kde sú skutočné poznatky
Analýza kohorty sa stáva skutočne výkonnou, keď segmentujete kohorty podľa kanálu akvizície, cenovej úrovne, veľkosti zákazníka alebo geografie. Tabuľka kohorty ukazujúca celkovú retenciu 60% po troch mesiacoch môže odhalit, že zákazníci z organického hľadania si ponechávajú 75% zatiaľ čo zákazníci z plateného sociálneho média si ponechávajú len 40%. Táto jediná informácia mení celý rozhovor o alokácii marketingu.
Najcennejšia prvá segmentácia je takmer vždy podľa kanálu akvizície. Zákazníci, ktorí vás nachádzajú cez odporúčania, obsah alebo organické vyhľadávanie, si zvyčajne ponechávajú podstatne vyššie sadzby ako tie získané cez širšie placené kampane. Ak vaše údaje kohorty ukazujú tento vzor — a zvyčajne to tak je — je to silný argument pre investovanie do obsahu a odporúčacích programov, dokonca aj keď placená akvizícia vyzerá na CAC lacnejšie. CAC vyzerá lacno, až kým do modelu nezaradíte retenciu.
Čo robiť s klesajúcou tabuľkou kohort
Ak si vaše najnovšie kohorty ponechávajú horšie ako staršie, je to naléhavý signál. Znamená to, že sa niečo v tvojom produkte, akvizícii alebo onboardingu zhoršilo — a zhoršilo sa nedávno. Skontrolujte, čo sa zmenilo. Otvorili ste nový kanál akvizície, ktorý prináša menej kvalifikovaných zákazníkov? Dodali ste funkciu, ktorá narušila existujúci pracovný postup? Zmenili ste ceny spôsobom, ktorý priťahoval zákazníkov, ktorí neboli dobrý fit?
Zlepšenie retenzie kohorty je takmer vždy problém produktu a onboardingu skôr ako problém marketingu. Sekvencia intervencií, ktorá zvyčajne funguje: najprv identifikujte akcie, ktoré si zadržané zákazníci v prvých dvoch týždňoch robia a ktoré si neurobí zákazníci, ktorí sa vrátili. Potom znova navrhnite onboarding, aby tieto akcie skôr. Potom použite skoré správanie ako signál na identifikáciu ohrozených zákazníkov a zasiahnite predtým, ako sa vrátia, namiesto toho, aby to bolo po.
Dlholeté kohorty vyzerajú skvelé, pretože zákazníci, ktorí ostali, sú podľa definície vaši najpotešenejší a najlepšie vhodní zákazníci. Keď sa pozriete na retenciu mesiac 24 starej kohorty, vidíte populáciu, ktorá bola už ťažko filtrovaná churn. Nepoužívajte správanie dlhodobě zadržaných zákazníkov ako model toho, čo budú robiť noví zákazníci — sú to vybraný vzorek, nie reprezentatívny.
Analýza kohorty je najužitočnejšia, keď je pravidelne skúmaná namiesto toho, aby bola spustená raz a zabudnutá. V FabricLoop si produktové a rastové tímy často udržiavajú mesačnú poznámku v ich zdieľanej skupine s aktualizovaným snímkom kohorty — tabuľku obnovenú s najnovšími údajmi, jednoodstavcovú interpretáciu toho, čo sa posunulo a prečo, a seznam úloh intervencií testovaných proti ohrožovanej kohortе. Keď analýza žije po boku úloh, ktoré na ňu reagujú, priepasť medzi poznatkom a akciou sa výrazne zmenšuje.