Все понимают значение оттока и удержания клиентов в SaaS. Поскольку отток клиентов происходит каждый месяц, то отслеживание количества клиентов и долларов в отчетах об оттоке и удержании и документирование их причин — это обычное дело. Этот процесс является агрегированным представлением удержания клиентов. Позвольте же представить когортный анализ SaaS бизнеса.
Когортный анализ — это аналитический процесс, который дает более детальное представление о тех же данных. Он дает нам понимание того, почему, как и когда действуют наши клиенты, что помогает нам предпринять шаги по улучшению удержания клиентов и повышению CLTV (Customer lifetime value — пожизненная ценность клиента).
В данной статье будут показаны основы когортного анализа, сегментированного когортного анализа и его важность для SaaS-компаний.
Что такое когортный анализ?
Согласно определению Merriam-Webster, когорта — это группа лиц, имеющих общий статистический фактор (например, возраст или принадлежность к классу) в демографическом исследовании.
Когортный анализ в маркетинге
С точки зрения SaaS, когорта относится к подмножеству клиентов, которые имеют общую характеристику. Этой общей характеристикой обычно является дата или месяц привлечения клиента (т.е. то, что можно называть «базовым» когортным анализом). «Сегментированный» когортный анализ, о котором мы поговорим далее в статье, использует дополнительные характеристики для создания когорт (например, канал привлечения).
В когортном анализе мы изучаем, как характеристики когорты меняются со временем. Это может быть пребывание или отток, увеличение или уменьшение затрат (например, увеличение/уменьшение модулей или пользователей), и/или конкретные действия, предпринятые клиентом, которые делают его успешным или неуспешным на вашем продукте.
Как провести эффективный когортный анализ?
Когда начинается погружение в числа, когортный анализ быстро усложняется, поэтому можно рассмотреть концепцию когортного анализа, сравнив его с 7-шаговым научным методом. Давайте смахнем пыль с наших научных книг и погрузимся в процесс.
7-шаговый научный метод, применимый к когортному анализу
Этот 7-шаговый процесс очень похож на тот, что мы пытаемся достичь в когортном анализе пользователей. Ниже описываются эти шаги и то, как SaaS применим к данному процессу.
Шаг 1 — Вопрос: То, что мы хотим узнать
Например, почему наши клиенты уходят? Какими характеристиками они обладают? Какими характеристиками обладают клиенты, которые добились успеха с нами? Какие источники привлечения клиентов связаны с самыми высокими показателями LTV (lifetime value — пожизненная ценность) или удержания клиентов?
Шаг 2 — Исследование: Какая информация уже известна
Чуть ли не анекдотические свидетельства об удержании клиентов имеются повсюду в вашей компании, возможно, даже есть результаты серьезного анализа этих событий. У нас есть некоторые представления об оттоке, удержании и наиболее эффективных каналах GTM (go-to-market — выход на рынок). Эти внутренние знания и будут проверяться на следующих этапах.
Что такое когортный анализ
Шаг 3 — Гипотеза: Обоснованное предположение или предсказание результата
На наших тактических еженедельных или стратегических выездных совещаниях мы, как команда, формируем и итерируем наши гипотезы о привлечении и удержании клиентов, roadmap (дорожных картах проекта) и т.д.
Шаг 4 — Эксперимент: Проверьте гипотезу
Уверены ли мы в нашей гипотезе или нет, но каждый месяц мы проверяем её. Это может быть нашим убеждением, что торговые выставки лучше подходят для эффективного привлечения клиентов, чем реклама в LinkedIn. Это может быть конкретная точка контакта с клиентом через две недели после начала работы. Благодаря нашим исследованиям мы сформировали предположения о том, как вести бизнес.
Проведя когортный анализ клиентов, мы можем наблюдать за результатами наших гипотез.
Шаг 5 — Наблюдения: Данные, которые вы собираете в ходе эксперимента
Это основа когортного анализа в маркетинге и чаще всего самый сложный этап, когда не хватает данных о клиентах. Каждый месяц мы фиксируем количество приобретенных клиентов и специфические характеристики каждой когорты, которые, по нашему мнению, важны для понимания поведения клиентов и долгосрочного успеха. Базовый когортный анализ распределяет этих клиентов по месяцам приобретения и отслеживает их развитие во времени. Сегментированный когортный анализ определяет тех же клиентов по месяцам приобретения, но затем снова распределяет их по важным характеристикам, таким как канал приобретения (например, выставка или реклама в LinkedIn) и/или размер клиента.
Шаг 6 — Результаты/выводы: Определите, верна ли ваша гипотеза
Верны ли наши исследования и гипотеза? С помощью данных, собранных на шаге 5, мы можем подтвердить или опровергнуть нашу гипотезу и улучшить тактические действия и долгосрочную стратегию.
Шаг 7 — Коммуникация: Поделитесь своими результатами
И, наконец, донесите свои результаты до внутренних заинтересованных сторон, которые принимают участие в данном процессе. Конечно, этот процесс никогда не заканчивается, поэтому возвращаемся к шагу 1 и начинаем все сначала.
Базовый когортный анализ — Удержание клиентов
Выше мы упоминали два вида анализа — базовый и сегментированный когортный анализ. Базовый когортный анализ изучает подгруппу клиентов по месяцам приобретения. Хоть он и был назван базовым, но сбор когортных данных позволяет получить удивительные сведения.
На приведенном ниже графике мы фиксируем количество клиентов, приобретенных в январе-XX, феврале-XX и марте-XX. Затем мы отслеживаем эту подгруппу клиентов на протяжении всего времени. Каждый месяц мы отслеживаем отток клиентов (и его причины) и удержанных клиентов.
На самом базовом уровне, остаются ли они нашими клиентами? С каждой ежемесячной когортой мы можем визуализировать отток количества клиентов и любые «точки перелома» в данных. Можем ли мы определить закономерность, например, что отток клиентов начинается между третьим и четвертым месяцами?
Именно здесь вступает в игру Шаг 5 — Наблюдения, описанный выше. Нам необходимо наблюдать и собирать данные, которые позволят получить значимую информацию об удержании клиентов. Например, зададим себе вопрос, как различается использование продукта между теми, кто отторгается, и теми, кто остается. И какие точки соприкосновения с клиентами были в это время у нашей команды по работе с клиентами, службы поддержки или отдела обслуживания? Какую роль мы сыграли в удержании клиентов и как можем улучшить ситуацию?
Для прогнозирования удержания когорты Стив Вулф, соучредитель Growth Street Partners, вводит очень убедительную метрику SaaS под названием Upsell Rate. Он определяет его как процент клиентов в когорте, которые приобретают дополнительное программное обеспечение или услуги (т.е. количество клиентов, которые приобрели больше в когорте, деленное на общее количество клиентов в когорте).
Стив утверждает, что
«коэффициент обновления когорты является в основном обратным показателем, а коэффициент повышения продаж является прогностическим. Когорта с более высоким коэффициентом upsell rate должна иметь более высокий ожидаемый коэффициент продления, поскольку клиенты, которые приобрели дополнительные продукты и услуги, с большей вероятностью продлят контракт, чем те, кто этого не сделал».
Коэффициент upsell rate является полезным инструментом для прогнозирования будущего удержания когорты, чтобы можно было подготовиться соответствующим образом.
И снова можно заметить силу когортного анализа. Суть заключается в сборе как можно большего количества информации о своих когортах, чтобы вы могли сформулировать конкретные и полезные для вашего бизнеса вопросы.
Базовый когортный анализ — Удержание доходов
В дополнение к отслеживанию количества клиентов, описанному выше, мы можем продвинуть анализ когорт еще на шаг вперед, отслеживая общий MRR (Monthly Recurring Revenue — регулярный ежемесячный доход компании), связанный с каждой когортой. Отслеживая MRR, нам нужно понять, расширяется или сокращается число удержанных клиентов. Добавляет ли клиент пользователей, модули и, следовательно, увеличивает MRR? Или они снижают свои позиции, отказываясь от пользовательских мест, модулей и т.д.? И, конечно же, мы отслеживаем отток клиентов, который удаляет MRR из когорты.
А какие важные SaaS-метрики волшебным образом появляются при отслеживании общего MRR каждой когорты? Именно! Валовое долларовое удержание (GDR — Gross dollar retention) и чистое удержание дохода (NRR — net revenue retention).
GDR
Валовое долларовое удержание измеряет процент MRR, сохраняемый после учета снижения рейтинга и оттока клиентов. Это число всегда будет меньше 100%. 100% означает, что вы не отменили и не понизили в классе ни одного клиента. GDR должно быть представлено на ежемесячном совете директоров или в финансовом пакете.
NRR
Чистое удержание дохода измеряет процент MRR, сохраняемый после учета расширения, снижения и оттока клиентов. Он аналогичен показателю GDR, но в формулу добавляется расширение. Это число может быть ниже или выше 100%, но мы хотим, чтобы оно было больше 100%. Часто, когда у компании NRR выше 100%, вы слышите, что это называется чистым отрицательным оттоком. Опять же, эта метрика удержания должна отслеживаться в ваших ежемесячных финансовых отчетах.
Прогнозирование будущего с помощью когортного анализа
Базовый когортный анализ также может дать нам ключевые предположения для прогнозирования. Кевин Ксо, старший юрист Growth Street Partners, который тесно сотрудничает с финансовыми руководителями портфельных компаний Growth Street, утверждает, что
«исторические тенденции могут помочь нам уверенно предсказать ключевые факторы MRR, такие как расширение, сокращение и отток текущих и будущих когорт».
Например, если ваш когортный анализ показывает, что типичная когорта удваивается в размере в течение первого года, вы должны учесть это расширение в операционной модели на следующий год, если нет причин подозревать, что новые когорты будут вести себя иначе.
Повышение видимости будущих повторяющихся доходов позволяет нам уверенно реинвестировать в продажи, маркетинг и управление клиентами для ускорения будущего роста.
Расширение когортного анализа
Итак, мы зашли так далеко в нашем когортном анализе. Зачем останавливаться? С помощью всего двух дополнительных точек данных мы можем расширить наш когортный анализ и рассчитать период окупаемости CAC. Для этого нам нужно знать стоимость привлечения клиентов (CAC — customer acquisition costs) на когорту и нашу повторяющуюся валовую маржу.
Период окупаемости CAC — это еще одна «обязательная» метрика в вашем пакете отчетности. Период окупаемости CAC — это количество месяцев, необходимое для того, чтобы окупить затраты на привлечение новых клиентов после учета стоимости обслуживания этих клиентов.
CAC связывает оборотный капитал и может нанести реальный ущерб ликвидности вашей компании, если у вас низкий уровень оттока клиентов и более длительный период окупаемости CAC. Мне нравится сравнивать CAC с долгом. Он не исчезает, если вы теряете работу (т.е. отток клиентов).
В итоге мы рассмотрели много материала, но готовы ли вы к выносу мозга?
Приведенные выше типы анализов — это лишь поверхностный анализ когорт. Имея подмножество клиентов, мы можем дополнительно разделить вновь привлеченных клиентов по дополнительным метапоказателям. Это может быть источник привлечения (платная реклама, органическое привлечение, социальные сети, холодные звонки, торговые выставки), ценовой план, демографические характеристики клиента и многое другое.
Сегментированный когортный анализ
В приведенном выше «базовом» когортном анализе когорта была описана как подмножество клиентов по месяцу привлечения. Мы можем дополнительно сегментировать это подмножество (т.е. клиентов, приобретенных в январе-XX) по дополнительным характеристикам, специфичным для конкретного клиента.
Это могут быть внешние или внутренние характеристики. Под внешними характеристиками имеются в виду способ привлечения клиента (например, платная реклама или органическое посещение сайта) или тип тарифного плана. К внутренним относятся некоторые характеристики, находящиеся под контролем клиента: использование клиентом нашего приложения или его демографические данные.
Сегментированный когортный анализ позволяет нам получить гораздо больше информации от конкретной ежемесячной когорты, потому что мы можем сравнивать удержание сегментированных когорт и действовать в соответствии с нашими наблюдениями и анализом.
Пример сегментированный когортного анализа
Используем источник привлечения клиентов в качестве простого для понимания примера когортного анализа. Допустим, мы привлекаем клиентов только через платную рекламу и входящие органические привлечения. На графиках ниже можно увидеть, что мы дополнительно сегментируем свою ежемесячную когорту Янв-XX из приведенного выше примера на два отдельных сегмента — привлечение с помощью платной рекламы и органическое привлечение.
Если мы хорошо справляемся с атрибуцией лидов, мы можем разделить сегмент платной рекламы на конкретные рекламные платформы, такие как LinkedIn, Facebook, Twitter и т. д. Это позволит нам проанализировать лучшие или худшие сегменты из нашего канала привлечения от платной рекламы.
Результаты в приведенном выше примере немного преувеличены, но он показывает, что органическая реклама гораздо лучше удерживает клиентов, чем платная.
Сила когортного анализа
Вы можете представить себе мощь данных, полученных в результате когортного анализа пользователей. Если быть откровенными, для того чтобы отслеживать и анализировать данные когортного анализа, требуется дисциплина. Они не появляются волшебным образом в ваших ежемесячных отчетах.
Вы должны объединить данные о первоначальном бронировании, данные о будущем расширении или понижении бронирования и данные об оттоке. Мы должны отслеживать количество клиентов и количество долларов. Если у вас есть приложение, которое отслеживает все это в простом отчете, пожалуйста, опубликуйте комментарий ниже. Мы с удовольствием ознакомимся.
Несмотря на потенциальную болезненность ежемесячного отслеживания этих данных, наблюдения и анализ позволяют получить практические выводы для операционной стратегии. Например, вы можете инвестировать больше средств в платный канал, который превосходит другие платные каналы. Или ознакомить вашу команду по работе с клиентами с путем клиента до того, как снизится использование приложения в среднем за месяц.
Опять же, целью когортного анализа является улучшение удержания клиентов и увеличение их пожизненной стоимости.
Используете ли вы когортный анализ в своем бизнесе? Пожалуйста, поделитесь своими комментарии ниже.
Источник: hightime.media
Как использовать когортный анализ для уменьшения оттока пользователей и принятия лучших решений
Хорошая новость заключается в том, что если вы готовы погрузиться в числа, то можно точно определить, почему пользователи перестают пользоваться приложением.
Ти Магнин из Appcues написал в блоге компании о том, как использовать когортный анализ. Мы приводим русский перевод его статьи.
Большинство стартапов понимают это сразу – отток пользователей это плохо. Хакеры возврата это новые хакеры роста! Неважно, сколько пользователей получает ваш стартап, если ни один из них не остается в приложении.
Есть несколько полезных тактик, которые многие проджект-менеджеры используют для увеличения возвратов. Например, улучшение онбординга или повышение доступности. Но для того, чтобы непосредственно влиять на уменьшение оттока, вам необходимо диагностировать специфические проблемы вашего продукта и внести нужные коррективы.
Хорошая новость заключается в том, что если вы готовы погрузиться в числа, то можно точно определить, почему пользователи перестают пользоваться приложением. Ключ к этому в когортном анализе. Группируя пользователей по их действиям, вы можете понять, что заставляет их оставаться надолго. Тогда вы сможете принимать обоснованные решения, которые уменьшат отток и значительно увеличат прибыль.
Когортный анализ
Чтобы узнать, почему пользователи прекращают пользоваться вашим приложением, вы должны ответить на три «К» их удержания:
- Кто увлечен, а кто нет вашей игрой
- Когда пользователи отваливаются
- Как они теряют интерес
Вы можете сделать это только с помощью сегментирования пользователей в группы — или когорты — основанные на конкретных признаках. Вы можете сегментировать пользователей на два типа когорт:
- Когорты приобретения: пользователи на группы делятся по дате подписки на приложение
- Поведенческие когорты: пользователи делятся по действиям в приложении
Когорты приобретения помогут вам определить кто и когда, но поведенческие когорты – почему.
1. Посмотрите когда пользователи уходят
Используя когорты приобретения, вы можете определить, на каком этапе жизненного цикла пользователи, как правило, уходят. Наиболее распространенным способом является использование диаграммы, как показано ниже:
На левой стороне находится временная шкала и количество пользователей, приобретенных в определенный временной интервал (кто). Каждая колонка представляет собой количество времени, которое прошло с момента приобретения пользователя (когда). Каждая ячейка это процент от первоначального количества приобретенных пользователей, сохранившийся к этому времени.
Вот некоторые вещи, которые следует учесть при анализе когорты приобретения:
- Период (день, неделя или месяц). Более короткие периоды для молодых компания, более длительные для старых.
- Объем. Чем больше длительность рассматриваемого периода возвратов, тем труднее вывести точную гипотезу о том, что не так в вашем приложении. Выполняйте анализ для каждого периода возвратов: начального (до 8 дней), среднего (8-90 дней) и позднего (более 90 дней).
- Ожидания. Согласно Хитену Шаху, удержание зависит от категории. Для быстрорастущего дешевого приложения относительно высокий отток – 10-15% — может быть нормальным. Для приложения, с высоким барьером входа, вы будете наблюдать гораздо более низкий отток – 2-3%.
После того как вы собрали свой график, посмотрите, где пользователи уходят больше всего. На третий день, когда им напоминают о синхронизации данных? Или на четвертой неделе, сразу после того, как они заканчивают онбординг? Это должно дать вам некоторое представление о том, где спотыкаются пользователи при использовании приложения.
Что бы дать вам ясную картину, давайте возьмем вымышленный набор данных их приложения для повышения продуктивности.
Если вы внимательно посмотрите, то увидите, что самый большой процент уходящих приходится на конец второй недели – средняя потеря пользователей на 14 и 15 день составляет целых 3 процентных пункта. Эта информация поможет нам в составлении гипотезы о том, почему пользователи оставляют приложение.
2. Найдите то, что удерживает
После того, как вы определили временные рамки, в которые уходят ваши пользователи, вы можете приступит к изучению того, почему это происходит (как).
В примере с нашим приложением, мы знаем, что должны сделать некоторые настройки на начальных стадиях возвращения пользователей. Когортный анализ поведения поможет нам с определением того, что происходит в районе 15 дня. Вот гипотезы:
- Пользователи, которые регулярно пользуются контрольным списком в первые две недели
- Которые регулярно используют социальные функции (чат, сообщения, совместные рабочие потоки)
- Которые включают пуш-уведомления при первой настройке параметров приложения.
Корреляция между поведением и оттоком станет более очевидной для конкретного поведения. Общее определение, такое как «взаимодействовал с приложением в первые 30 дней», не дает вам достаточное понимание того, что удерживает и увлекает пользователей.
Давайте перейдем к практике. Вот средние значения оттока для приложения продуктивности на основе анализа когорт приобретения:
Вот сравнение среднего оттока в сравнении с оттоком тех пользователей, которые используют одну из перечисленных функций – контрольный список.
Бинго! Мы видим, что для пользователей, использующих основную функцию (красная линия) отток очень мал, а большинство их тех, кто ушел из приложения, этот список не использовало.
Это может быть из-за того, что список не был частью онбординга в приложении, или из-за того, что сам список находится слишком далеко от основного экрана. Для того, чтобы сохранить больше пользователей, надо сделать коррективы и увеличить использование списка.
Пример из реальной жизни – приложение для медитаций Calm смогло в 3 раза увеличить возвраты за счет точного определения их главного функционала. Они поняли, что большинство пользователей, которые оставались с приложением, использовали напоминания, так что они использовали подсказки в приложении для улучшения вовлеченности с этой основной функцией.
3. Инвертируйте, комбинируйте и делайте выводы
К сожалению, не всегда так просто, найти четкую связь между поведением и удержанием. С ростом вашего продукта и пользовательской базы, вступает в дело комбинация факторов.
Подумайте об этом так: ваша цель состоит в том, чтобы точно определить общее в поведении ваших наиболее активных пользователей. Инвертируйте это и вы найдете то, что не устраивает уходящих пользователей.
Все это может быть сделано в электронной таблице с некоторым условным форматированием, но часто занимает чрезвычайно много времени. К счастью есть множество инструментов, упрощающих процесс. Такие инструменты как Amplitude, помогают вам просто создавать поведенческие когорты. Вы можете комбинировать и сравнивать когорты, быстро тестируя ваши гипотезы.
Взгляните на то, как Quizupиспользует когортный анализ и комбинирует когорты для точного определения причин оттока пользователей.
Разработчики Quizup увидели, что теряют слишком много пользователей после первой недели. Они предположили, что использование их функции «Добавить в список» приводит к долгосрочному удержанию.
Их гипотеза подтвердилась, когда в Amplitude Compass они сравнили когорты. Пользователи, использующие эту функцию 3 или более раза в первую неделю, с гораздо большей вероятностью оставались в приложении.
Quizup инвертировали результаты (для пользователей, которые не были вовлечены) и изменили процесс соответствующе. Основываясь на этих данных, они изменили онбординг и использовали пуш-уведомления для тех пользователей, которые не использовали социальные функции (такие как «Добавить в список»).
Итерируйте и итерируйте снова
Выяснение того, как исправить проблему, часто может быть столь же сложным, как и сама диагностика. Если вы знаете, что вовлечение пользователей в значительной степени зависит от использования главной функции, вы не можете просто приставать к вашим потребителям с письмами и пушами в попытке зацепить их. На самом деле, назойливость может еще больше увеличить отток.
Вместо того, чтобы внедрять в продукт большие изменения, проводите A/B-тесты изменений на ваших проблемных когортах для понимания того, что работает, а что нет. Таким образом, вы сможете внедрить мало рискованные, но основанные на данных изменения. Они гарантированно сократят отток пользователей. И как только вы успешно улучшили возвраты на основе своих поведенческих когорт, проделывайте все снова.
С таким большим количеством продуктов, доступных на рынке, приобретение пользователей для B2B приложений непростая задача. Вы вкладываетесь в рекламу, в контент-маркетинг, в продажи. Не позволяйте ценным пользователям ускользать от вас. Все данные, чтобы удержать их, у вас в руках. И когортный анализ.
Источник: apptractor.ru