Cohort Analysis: วิธีทำความเข้าใจว่าทำไมลูกค้าถึงอยู่หรือจากไป
Cohort analysis เผยรูปแบบการรักษาลูกค้าที่ซ่อนอยู่ในตัวเลขรวมของคุณ นี่คือวิธีอ่าน สร้าง และดำเนินการตามสิ่งที่คุณค้นพบ
อัตราการรักษาลูกค้าโดยรวมของคุณอยู่ที่ 78% นั่นดีหรือไม่? คำตอบขึ้นอยู่กับว่าลูกค้ากลุ่มไหนที่อยู่และกลุ่มไหนที่จากไป — และนั่นคือสิ่งที่ตัวเลขการรักษาลูกค้าโดยรวมไม่สามารถบอกคุณได้ บริษัทที่มีอัตราการรักษาลูกค้า 78% อาจกำลังรักษาลูกค้าที่มีคุณค่าสูงสุดไว้ได้ ในขณะที่กำลังสูญเสียลูกค้าใหม่ หรืออาจกำลังรักษาฐานลูกค้าเก่าไว้ ในขณะที่กลุ่มลูกค้าล่าสุดกำลัง churn อย่างรวดเร็ว ตัวเลขรวมซ่อนทั้งสองเรื่องนี้ Cohort analysis เผยให้เห็นทั้งสองอย่าง
Cohort คือกลุ่มลูกค้าที่เริ่มต้นในช่วงเวลาเดียวกัน — สมัครสมาชิกในเดือนเดียวกัน ซื้อครั้งแรกในไตรมาสเดียวกัน หรืออัปเกรดในสัปดาห์เดียวกัน โดยการติดตาม cohort แต่ละกลุ่มอย่างเป็นอิสระตามเวลา คุณสามารถเห็นว่ารูปแบบการรักษาลูกค้าเปลี่ยนแปลงอย่างไรในช่วงเวลาต่างๆ ของประวัติบริษัท ผลลัพธ์ที่ได้คือหนึ่งในเครื่องมือวินิจฉัยที่ทรงพลังที่สุดสำหรับทีมผลิตภัณฑ์หรือธุรกิจ
วิธีอ่านตาราง cohort retention
ตาราง cohort retention มาตรฐานมี cohort การได้มาซึ่งลูกค้าเรียงตามแถว (มกราคม กุมภาพันธ์ มีนาคม...) และเดือนนับจากการได้มาซึ่งลูกค้าเรียงตามคอลัมน์ (เดือน 0 เดือน 1 เดือน 2...) เดือน 0 มักเป็น 100% เสมอ — นั่นคือจุดเริ่มต้น ตัวเลขในแต่ละแถวแสดงให้เห็นว่ากี่เปอร์เซ็นต์ของ cohort นั้นยังคงใช้งานอยู่ในแต่ละเดือนถัดไป
| Cohort | เดือน 0 | เดือน 1 | เดือน 2 | เดือน 3 | เดือน 4 | เดือน 5 | เดือน 6 |
|---|---|---|---|---|---|---|---|
| มกราคม | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| กุมภาพันธ์ | 100% | 71% | 55% | 43% | 41% | 39% | — |
| มีนาคม | 100% | 76% | 62% | 51% | 49% | — | — |
| เมษายน | 100% | 79% | 65% | 61% | — | — | — |
| พฤษภาคม | 100% | 82% | 69% | — | — | — | — |
| มิถุนายน | 100% | 84% | — | — | — | — | — |
ตารางนี้บอกเล่าเรื่องราวที่ชัดเจน: การรักษาลูกค้าได้ดีขึ้นอย่างมีนัยสำคัญในแต่ละเดือน cohort เดือนมกราคมรักษาลูกค้าได้เพียง 34% ในเดือน 6 ในขณะที่ cohort ล่าสุดรักษาไว้ได้ที่ 69–84% ในสองเดือนแรก มีบางอย่างเปลี่ยนแปลงไป — อาจเป็นการปรับปรุงผลิตภัณฑ์ กระบวนการ onboarding ที่ดีขึ้น หรือการเปลี่ยนแปลงในช่องทางการได้มาซึ่งลูกค้าที่ดึงดูดลูกค้าที่เหมาะสมกว่า ตัวเลขการรักษาลูกค้าโดยรวมจะซ่อนเรื่องนี้ไว้ทั้งหมด
สามรูปแบบที่ต้องมองหา
เมื่อคุณมีตาราง cohort คุณกำลังมองหาสามรูปแบบเฉพาะ แต่ละรูปแบบชี้ไปยังปัญหาที่แตกต่างกันและต้องการการแก้ไขที่แตกต่างกัน
การลดลงอย่างรวดเร็วในช่วงต้น: หาก retention จากเดือน 0 ถึงเดือน 1 ต่ำกว่า 50% อย่างสม่ำเสมอ แสดงว่าคุณมีปัญหา onboarding ลูกค้าสมัครสมาชิกแต่ไม่พบคุณค่าได้เร็วพอที่จะอยู่ต่อ นี่คือรูปแบบที่พบบ่อยที่สุดใน SaaS ระยะเริ่มต้นและรักษาได้ง่ายที่สุด — การ onboarding ที่ดีขึ้น เวลาในการสร้างคุณค่าที่เร็วขึ้น และการมีส่วนร่วมในช่วงต้นที่เชิงรุกมากขึ้นล้วนช่วยได้
การลดลงอย่างต่อเนื่องในทุก cohort: หาก retention ยังคงลดลงในอัตราเดิมในแต่ละเดือนในทุก cohort แสดงว่าคุณมีปัญหาคุณค่าของผลิตภัณฑ์ ลูกค้าลองใช้ผลิตภัณฑ์ บางคนอยู่ในตอนแรก แต่ไม่มีคุณค่าต่อเนื่องเพียงพอที่จะทำให้พวกเขาใช้งานต่อ การปรับปรุง onboarding ไม่สามารถแก้ปัญหานี้ได้ — ผลิตภัณฑ์เองต้องมีเหตุผลในการกลับมามากขึ้น
เส้นโค้ง "smile" ที่แบนราบ: เส้นโค้ง retention ที่ดีที่สุดจะแบนราบลงหลังจากการลดลงในตอนแรก ลูกค้าที่รอดพ้นจากสองสามเดือนแรกมักจะอยู่ต่อ เป้าหมายคือเพิ่มจำนวนลูกค้าที่ถึงจุดเปลี่ยนนั้นให้มากที่สุด หากเส้นโค้งของคุณไม่แบนราบเลย — หาก retention ยังคงลดลงในอัตราเดิมในเดือน 6 เหมือนกับเดือน 1 — คุณไม่มีฐานลูกค้าที่รักษาไว้ได้มั่นคง และการคำนวณ LTV ที่สร้างบน cohort นั้นจะทำให้เข้าใจผิด
ตัวเลขที่สำคัญที่สุดในตาราง cohort ไม่ใช่เปอร์เซ็นต์ในเดือน 6 — แต่เป็นความชันระหว่างเดือน 0 ถึงเดือน 2 นั่นคือที่ที่ลูกค้าส่วนใหญ่สูญหายไป และที่ที่การแทรกแซงส่วนใหญ่มีอำนาจมากที่สุด
การแบ่งกลุ่ม cohort: ที่ที่ข้อมูลเชิงลึกที่แท้จริงอยู่
Cohort analysis มีพลังอย่างแท้จริงเมื่อคุณแบ่งกลุ่ม cohort ตามช่องทางการได้มาซึ่งลูกค้า ระดับราคา ขนาดลูกค้า หรือภูมิศาสตร์ ตาราง cohort ที่แสดง retention โดยรวมที่ 60% หลังสามเดือนอาจเผยให้เห็นว่าลูกค้าจากการค้นหาออร์แกนิก retain ที่ 75% ในขณะที่ลูกค้าโซเชียลมีเดียแบบชำระเงิน retain ที่ 40% ข้อมูลเชิงลึกเพียงอย่างเดียวนี้กำหนดกรอบการสนทนาการจัดสรรการตลาดทั้งหมดใหม่
การแบ่งกลุ่มที่มีคุณค่าสูงสุดครั้งแรกมักเป็นช่องทางการได้มาซึ่งลูกค้าเสมอ ลูกค้าที่ค้นพบคุณผ่านการแนะนำ เนื้อหา หรือการค้นหาออร์แกนิก มักจะ retain ในอัตราที่สูงกว่าอย่างมีนัยสำคัญเมื่อเทียบกับผู้ที่ได้มาจากแคมเปญโฆษณาแบบกว้าง หากข้อมูล cohort ของคุณแสดงรูปแบบนี้ — และมักจะเป็นเช่นนั้น — นี่เป็นข้อโต้แย้งที่หนักแน่นสำหรับการลงทุนในโปรแกรมเนื้อหาและการแนะนำแม้ว่าการได้มาซึ่งลูกค้าแบบชำระเงินจะดูถูกกว่าในแง่ต้นทุนต่อการได้มาซึ่งลูกค้า CAC ดูถูกจนกว่าคุณจะรวม retention เข้าไปในโมเดล
สิ่งที่ต้องทำกับตาราง cohort ที่ลดลง
หาก cohort ล่าสุดของคุณ retain ได้แย่กว่า cohort เก่า นั่นเป็นสัญญาณเร่งด่วน หมายความว่ามีบางอย่างเกี่ยวกับผลิตภัณฑ์ การได้มาซึ่งลูกค้า หรือ onboarding แย่ลง — และมันแย่ลงเมื่อไม่นานมานี้ ตรวจสอบว่าอะไรเปลี่ยนแปลงไป คุณเปิดช่องทางการได้มาซึ่งลูกค้าใหม่ที่ดึงดูดลูกค้าที่ไม่ค่อยมีคุณสมบัติหรือไม่? คุณเพิ่มฟีเจอร์ที่ขัดขวางเวิร์กโฟลว์ที่มีอยู่หรือไม่? คุณเปลี่ยนแปลงราคาในลักษณะที่ดึงดูดลูกค้าที่ไม่เหมาะสมหรือไม่?
การปรับปรุง cohort retention มักเป็นปัญหาของผลิตภัณฑ์และ onboarding ก่อนที่จะเป็นปัญหาการตลาด ลำดับของการแทรกแซงที่มักจะได้ผล: ขั้นแรก ระบุการกระทำที่ลูกค้าที่รักษาไว้ได้ทำในสองสัปดาห์แรกที่ลูกค้าที่ churn ไม่ทำ จากนั้น ออกแบบ onboarding ใหม่เพื่อขับเคลื่อนการกระทำเหล่านั้นให้เร็วขึ้น จากนั้น ใช้พฤติกรรมในช่วงต้นเป็นสัญญาณเพื่อระบุลูกค้าที่มีความเสี่ยงและแทรกแซงก่อนที่พวกเขาจะ churn ไม่ใช่หลังจากนั้น
Cohort ที่มีอายุยาวนานดูดีเพราะลูกค้าที่อยู่คือลูกค้าที่พึงพอใจมากที่สุดและเหมาะสมที่สุดโดยนิยาม เมื่อคุณดู retention เดือน 24 ของ cohort อายุสองปี คุณกำลังดูประชากรที่ถูก churn กรองออกอย่างหนักแล้ว อย่าใช้พฤติกรรมของลูกค้าที่รักษาไว้ได้นานเป็นแบบจำลองสำหรับสิ่งที่ลูกค้าใหม่จะทำ — พวกเขาเป็นตัวอย่างที่ถูกคัดเลือก ไม่ใช่ตัวแทน
Cohort analysis มีประโยชน์สูงสุดเมื่อได้รับการตรวจสอบอย่างสม่ำเสมอมากกว่าการดำเนินการครั้งเดียวแล้วลืม ใน FabricLoop ทีมผลิตภัณฑ์และการเติบโตมักจะรักษา note รายเดือนในกลุ่มที่แชร์ร่วมกันพร้อมกับ cohort snapshot ที่อัปเดตแล้ว — ตารางที่รีเฟรชด้วยข้อมูลล่าสุด การตีความหนึ่งย่อหน้าว่าอะไรเปลี่ยนแปลงและทำไม และรายการงานของการแทรกแซงที่กำลังทดสอบกับ cohort ที่มีความเสี่ยง เมื่อการวิเคราะห์อยู่ข้างๆ งานที่ตอบสนองต่อมัน ช่องว่างระหว่างข้อมูลเชิงลึกและการดำเนินการจะแคบลงอย่างมีนัยสำคัญ