Как сделать когортный анализ в Гугл таблицах

Анализ « что, если » — это тип анализа, который позволяет подставлять в формулы разные числа, чтобы увидеть, как меняются результаты.

Например, предположим, что магазин продает три разных товара по разным ценам и рассчитывает общий доход от этих товаров:

Теперь предположим, что управляющий магазином хочет знать, сколько еще единиц товара А нужно продать, чтобы общий доход составил 2000 долларов.

В следующем пошаговом примере показано, как выполнить именно этот анализ «что, если» в Google Таблицах.

Шаг 1: Получите дополнение «Поиск цели»

Прежде чем мы проведем анализ «что, если», нам нужно сначала получить надстройку «Поиск цели».

Для этого перейдите на вкладку « Дополнения » и нажмите «Получить дополнения »:

Когортный анализ в Google Analytics дешево и сердито / Ирина Назарова (Злые марсиане)

Найдите «Поиск цели», а затем щелкните первый результат с надписью «Поиск цели для таблиц » .

Затем нажмите «Установить».Вам будет предложено разрешить установку Goal Seek. Выберите принять.

Дополнение Goal Seek будет добавлено на вкладку « Дополнения ».

Шаг 2. Выполните анализ «что, если»

Затем перейдите на вкладку « Дополнения », затем нажмите «Поиск цели », а затем нажмите « Открыть »:

В появившейся панели «Поиск цели» введите следующие значения ячеек и нажмите « Решить »:

Поиск цели будет пробовать различные значения в ячейке D2, пока не достигнет значения 2000 в ячейке D5.

Вот результат, который он находит:

Это говорит нам о том, что магазин должен продать примерно 860 единиц продукта А, чтобы увеличить общий доход до 2000 долларов.

Панель поиска цели также предоставляет нам информацию о том, сколько времени потребовалось поиску цели, чтобы найти решение:

На поиск решения ушло 20,3 секунды, и Goal Seek сделал 48 итераций, пока не нашел окончательное решение.

Примечание.На панели «Поиск цели» есть кнопка «Параметры», где вы можете указать максимальное количество секунд или итераций, которые будут использоваться до тех пор, пока поиск цели не прекратится. По умолчанию максимальное количество итераций установлено на 200, а максимальное время — на 120 секунд.

Дополнительные ресурсы

В следующих руководствах объясняется, как выполнять другие распространенные операции в Google Таблицах:

Источник: www.codecamp.ru

Когортный анализ с помощью сводных таблиц

Когортный анализ: что это и почему он так нужен в маркетинге

Маркетинговые кампании с мгновенной отдачей — мечта маркетологов и даже реальность для простых товаров, которые можно купить спонтанно и в один клик. Но для сложных и дорогих продуктов такая ситуация — фантастика, и затраты на рекламу окупаются дольше. Как оценивать эффективность таких кампаний? Учитывать фактор времени и детализировать по нему ваших клиентов. Для этого существует когортный анализ, про который мы расскажем в статье.

Что такое когортный анализ

Когортный анализ — это метод исследования, где пользователей разделяют на группы (когорты) по определённым признакам и отслеживают их поведение за некоторый промежуток времени. Такой способ позволяет смотреть на действия пользователей в динамике.

Когорта — это группа людей, которых объединяет один или несколько признаков:

• действие (покупка, регистрация, клик), которое они совершили;
• промежуток времени, когда это случилось.

Именно привязка ко времени отличает когорту от сегмента — более широкого и общего понятия.

Например, выпускники Гарварда 2012 года — одна когорта, выпускники 2018 года — другая, но все они относятся к сегменту «выпускники Гарварда».

По действиям когорты делят на два типа:

• Вовлечение — установка приложения, первый клик, регистрация в сервисе.
• Монетизация — покупка, оплата и другие.

Когортный метод учитывает следующие признаки для анализа:

• Действие, которое объединяет пользователей в когорту: подписка, регистрация, покупка и другие.
• Время, за которое действие произошло: день, неделя или месяц, возможны и большие периоды.
• Интервал исследования, в течение которого происходит наблюдение за когортой.
• Показатель, который влияет на бизнес: ROI, удержание клиента, конверсия, LTV и другие.

Когортные исследования помогают понять, как ключевые метрики отличаются для разных сегментов. Увидеть более подробную картину по рекламной кампании или другим маркетинговым действиям, например, ребрендинга, тестирования нового сайта и так далее.

Как применять когортный анализ

Когортное исследование — не универсальный метод, для него нужно достаточное количество пользователей. Желательно проводить анализ клиентов от 1000 человек в базе (их действий). Способ подходит для массовых B2C и B2B бизнесов с долгим циклом покупки.

Что помогает оценить когортный анализ:

Эффективность каналов привлечения

Когортный метод покажет, из каких каналов приходят наиболее лояльные пользователи. Тогда бизнес сможет выделять больший бюджет на эффективные каналы и активнее с ними работать. Зачем использовать именно когортный метод, если можно сразу после кампании оценить, сколько клиентов мы получили? Не всё так просто.

Например, с рекламы в Facebook в сервис перешло и зарегистрировалось 2000 пользователей. Маркетолог доволен — результат есть. Но 90% пользователей перестали заходить в сервис уже через месяц. Параллельно мы привлекали пользователей с помощью рассылки, и пришло 1000 человек, через месяц перестали пользоваться сервисом всего 15%. Если бы мы оценивали результат сразу после кампании, то решили бы, что Facebook — самый эффективный канал, а на самом деле там оказалась нецелевая аудитория.

Для долгого цикла покупки возврат инвестиций в рекламу — дело не быстрое. В крупных B2B сделках, в недвижимости, для электронных сервисов, которые могут трансформировать весь бизнес, принять решение о покупке нельзя сразу после первой рекламы. Надо набраться терпения и смотреть результаты через некоторое время.

Например, рекламная кампания прошла в январе, тогда пользователь K впервые узнал про сервис Altcraft Platform и впервые зашёл на сайт. Для изучения возможностей и принятия решений в компании, где работает пользователь K, нужно время. Только через 4 месяца пользователь запросил демо у команды сервиса, а через 5 компании подписали договор. Если бы мы считали ROI за следующий месяц после кампании, то решили бы, что она провальная. Когортный анализ показал, что это не так.

Отслеживание и прогноз LTV

LTV (пожизненная ценность клиента) считает доход от клиента за весь период, пока он пользуется нашими продуктами или услугами. Метрика показывает, оправдывают ли себя расходы на привлечение новых клиентов. Когда мы знаем, как долго остаётся с нами пользователь и сколько на нас тратит, то можем рассчитать эти данные для похожих когорт.

Когортный анализ покажет, как поменяется конверсия после обновлений для А/Б-тестов не за время тестирования, а в долгой перспективе. Может оказаться, что удачный элемент привлёк больше пользователей, но они не совсем целевые: случайно кликнули, прошли регистрацию, но не стали использовать сервис.

Повысить активность пользователей

Когортное исследование поможет узнать, через какое время клиент перестаёт активно пользоваться продуктом или вообще уходит. Предупреждён — вооружён: с данными о «критических» точках можно заранее поработать с пользователем.

Например, анализ показал, что 70% пользователей теряют интерес к сервису через 3 месяца. Тогда компании нужно обратить внимание на этот период: сделать рассылку с реактивацией, предложить бонус и так далее.

Как провести когортный анализ

1. Определяем цель и связанную с ней метрику, которую будем отслеживать за время анализа. Метрики — это основа для когортного анализа.

Цель — определить самый успешный канал продаж для мобильного приложения.

Метрикой считаем конверсию — регистрацию. В перспективе рассматриваем, как менялся Retention Rate (коэффициент удержания клиентов), чтобы понять, сколько из зарегистрированных пользователей остались в приложении.

2. Определяем когорты, которые будем изучать.

Возьмём клиентов, которые совершили покупку с рекламы в Instagram, Facebook, рекламы в Яндексе и Google за июнь — это 4 разные когорты.

3. Проводим анализ разных когорт за выбранный промежуток времени.

Рассмотрим результат всех четырех когорт за 3 месяца после месяца регистрации. Оценим, сколько пользователей оставались активными после регистрации в каждый из месяцев.

Когортный анализ проводят в Google Таблицы или Microsoft Excel. Но разбираться, как сделать метрику правильно (формулу для её расчёта) в таблице, придётся самостоятельно. В Google Аналитике когортное исследование автоматизировано, но возможности для разделения на когорты ограничены: можно отследить только первое действие пользователя в определённом промежутке времени.

Более детально и наглядно проводить когортный анализ умеют платформы автоматизации маркетинга. В Altcraft Platform когортный анализ доступен для когорт пользователей, которые совершили действие за неделю или месяц. Рассматривать активность пользователей в отчёте можно по:

• количеству уникальных кликов;
• количеству уникальных открытий;
• соотношению уникальных кликов к открытиям;
• соотношению уникальных открытий к отправленным сообщениям;
• соотношению уникальных кликов к отправленным сообщениям.

Данные визуализируются в виде графика и таблицы.

Примеры когортного анализа

Разберём несколько примером когортного анализа для разных метрик.

Проверка эффективности каналов

Цель — определить, какой канал оказался самым эффективным для привлечения новых подписчиков рассылки. Будем исследовать 4 когорты по каналам привлечения: окно на сайте, реклама в Facebook, партнёрские посты ВКонтаке. Каждая когорта рассчитывается с 15-30 марта — срок проведения кампании. Со всех каналов на рассылку подписалось 3000 пользователей.

Больше всего пользователей (1600) пришли с рекламы Facebook. Через 5 месяцев из всех подписавшихся активных осталось 782. Рассмотрим в динамике, как проходила отписка от каждого канала за этот срок.

По первым результатам мы могли сделать вывод, что реклама Facebook была самой эффективной в привлечении подписчиков. В итоге оказалось, что пользователям подписка неинтересна, или, возможно, они подписались случайно. Через 5 месяцев только 6% ещё открывали письма. Самую качественную аудиторию из всех привлекли партнёрские посты ВКонтакте, 58% подписчиков из этого канала продолжали читать рассылку.

Расчёт LTV

Цель — определить LTV для пользователей, которые пришли в приложение для доставки продуктов на дом в 2020 году. Для этого рассматриваем 3 когорты — клиентов, которые сделали первый заказ в январе, феврале или марте 2020 года. Изучаем, как менялось их поведение в течение полугода. Для каждого посчитаем ARPU — средний доход с клиента. Рассчитываем сумму в рублях.

В таблице видим, что самые большие суммы клиенты тратили в марте 2020 года. И начинали меньше заказывать уже к 4-5 месяцу после первой регистрации. С одной стороны, можно считать, что рекламные кампании марта были самыми успешными, если даже пользователи, которые пришли раньше, стали заказывать больше в этом месяце.

С другой стороны, вспомним, что с марта 2020 года во многих регионах России ввели карантин, когда для многих доставка продуктов стала необходимостью. Тогда можно объяснить и спад активности к последним месяцам при таких же рекламных кампаниях. Карантин начали ослаблять, и пользователи снова стали сами ходить за покупкам.

Тестирование

Нужно проанализировать результат теста дизайна нового раздела дополнительных заказов для интернет-магазина. Есть два новых дизайна A и B, также старый — Old. Выделим их в 3 когорты — по кликам пользователей на каждый из дизайнов неделю с 5 по 11 июля. Дальше рассмотрим конверсию с каждого дизайна за 3 следующих месяца.

В итоге дизайн A получил больше кликов за первую неделю, но показатели конверсии были ниже дизайнов B и Old. Также новый дизайн не показал значительного роста конверсии по сравнению со старым — можно сделать вывод, что концепция обоих новых дизайнов не самая удачная.

Вывод

Когортный анализ — инструмент, который требует подготовки: долгого сбора данных, понимания, какую метрику надо исследовать сейчас, чтобы улучшить показатели бизнеса в будущем. Но затраты стоят результата — глубокого и подробного понимания маркетинга компании, правильного распределения бюджета и эффективных стратегий на основе данных.

Источник: www.sostav.ru

Когортный анализ как эффективный инструмент оптимизации конверсии

Вместе со всем, что говорят и пишут о сплит-тестировании и оптимизации конверсии, легко забыть и упустить из виду, что данная методика — в общем, далеко не единственный способ оценки эффективности проведенных изменений.

Одним из альтернативных вариантов можно назвать когортный анализ (Cohort Analysis), который хотя и не приобрел столь же большой популярности среди маркетологов и CRO-оптимизаторов, как сплит-тесты, но тем не менее, заслуживает самого пристального изучения.

Когортный анализ 101

Вероятно, вы думаете, будто когортный анализ — что-то невероятно сложное и недоступное рядовому маркетологу, но это вовсе не так. Когорта — всего лишь группа объектов, которые находятся в одинаковых условиях под действием одних и тех же факторов в течение определенного промежутка времени. Например, когортой можно назвать группу людей, родившихся в период с 1982 по 1989 год; или счастливчиков, переживших авиакатастрофу; или курящих водителей-дальнобойщиков.

В интернет-маркетинге когорта чаще всего приобретает следующую форму:

• число пользователей, подписавшихся на демо-версию продукта в марте;
• число новых клиентов в феврале;
• клиенты, привлеченные посредством email-маркетинга.

В то время как сплит-тестирование — это кросс-секционное исследование, когортный анализ подразумевает длительное, или лонгитюдное изучение (в лонгитюдном исследовании одна выборка обследуется, по меньшей мере, дважды за определенный период времени). Когортный анализ повсеместно используется в академических кругах (например, в медицине, социологии и психологии), где состояние объекта измеряют несколько раз для отслеживания изменений. Однако такой тип исследований весьма полезен и при оптимизации конверсии.

Рассмотрим пример типичного когортного анализа. Ниже на картинке изображены две группы студентов, которые закончили обучение в 2010 и 2011 годах соответственно:

Каждая группа — это отдельная когорта, поскольку общий признак здесь — год завершения обучения. С помощью когортного анализа мы можем попробовать найти корреляцию между характеристиками групп и их поведением. Ниже приведен график, на котором изображена динамика среднего дохода каждой из групп в течение 5 лет после получения диплома:

Средний уровень дохода студентов, закончивших обучение в 2010 году (голубая линия) и в 2011 (черная линия)

Один из вопросов, на который мы можем постараться получить ответ — есть ли зависимость между годом выпуска студентов и тем уровнем дохода, которого им удалось достичь? Когортный анализ позволяет изучить ситуацию глубже и выявить, какие факторы повлияли на финансовое положение испытуемых.

На какие вопросы когортный анализ способен дать ответ?

Для маркетологов когортный анализ интересен тем, что позволяет сравнить характеристики одной и той же группы интернет-пользователей в разные промежутки времени и выявить корреляцию между динамикой этих характеристик и проведенными изменениями.

Когортный анализ выявляет корреляцию между динамикой пользовательских характеристик и внесенными правками.

Итеративность является ключевым компонентом любой программы оптимизации, поскольку пользователь, принимающий участие в исследовании в этом году, получит совершенно иной опыт, чем тот, кто участвовал в прошлом. Когортный анализ позволяет сопоставить данные обеих групп и раскрыть имеющиеся закономерности.

Алистер Кролл (Alistair Croll) и Бенджамин Йосковитц (Benjamin Yoskovitz) в своем бестселлере «Простая аналитика: как использование данных поможет вам запустить стартап максимально быстро» (Lean Analytics: Use Data to Build a Better Startup Faster) приводят интересный пример, иллюстрирующий ценность когортного анализа, взяв за основу данные гипотетического интернет-ритейлера:

Январь	Февраль	Март	Апрель	Май
Число клиентов	1,000	2,000	3,000	4,000	5,000
Средний уровень дохода с одного покупателя	$5,00	$4,50	$4,33	$4,25	$4,50

Просто смотря на такую таблицу, трудно сделать какой-либо вывод о том, становится ли лучше ситуация в отношении новых/старых клиентов с течением времени, потому как все данные, грубо говоря, «свалены в кучу».

Однако если вы разложите информацию так, как показано ниже, вы сможете увидеть, что в мае новые пользователи в среднем тратили гораздо больше, чем новые пользователи в январе:

Сегментируя имеющиеся у вас данные, вы получаете сведения, которые оказались бы недоступными при анализе всей совокупности сразу. В итоге, это позволяет вам провести более качественные и результативные тесты, потому что вы можете выделить тенденции изменений для каждой из групп.

Конечно, когорты могут быть использованы для поиска ответов и на множество других вопросов — все зависит от того, что вы стремитесь узнать. Вот примерный перечень:

1. Каковы отличия в поведении тех покупателей, которые были привлечены в период новогодних праздников, от тех, кто был привлечен в другое время года?
2. Видит ли конкретная группа (когорта) маркетинговое сообщение так же, как и другие группы?
3. Как изменяется средняя стоимость показа от группе к группе с течением времени?
4. Какова динамика коэффициента удержания в зависимости от канала привлечения?
5. Насколько притягателен ваш продукт для новых клиентов и т. д.

Также когортный анализ позволяет получить очень важные для многих маркетологов данные — а именно, составить портрет идеального покупателя. Вот что пишет об этом Линкольн Мерфи (Lincoln Murphy), бизнес-эксперт компании Sixteen Ventures:

«Существует множество способов с пользой применить когортный анализ в своей деятельности, но один из моих любимых — составление портрета идеального покупателя.

Для начала вы должны установить параметры этого портрета, определить временные рамки, в течение которого будете проводить наблюдение, и целевые значения.

Затем, если у вас уже есть база клиентов и вы хотели бы узнать, кто из них является вашим идеальным покупателем, можете начать анализ: разделите всех своих клиентов на группы, последовательно задавая им вопросы по 7 направлениям».

Оптимальный путь применения когортного анализа — составление портрета покупателя.

Например, это могут быть следующие направления и группы:

1. Готовность к покупке

• прошлогодние клиенты, которые совершили покупку с минимальным числом контактов со стороны компании (то есть, включились в диалог с компанией сразу на нижних этапах воронки продаж);
• прошлогодние клиенты, которые подписались на ваш ресурс только после определенного числа напоминаний с вашей стороны.

2. Добровольность (интерес)

• прошлогодние покупатели, которые приобрели продукт не сразу, а только после использования демо-версии;
• прошлогодние покупатели, которые конвертировались, но не имели представления о стимулирующих акциях со стороны компании.

3. Покупательная способность

• прошлогодние клиенты, которые приобрели продукт по полной цене;
• прошлогодние клиенты, которые приобрели продукт по предоплате.

4. Потенциал к достижению успеха

• прошлогодние покупатели, которым удалось достичь первого результата через X дней после покупки;
• прошлогодние клиенты, чей NPS (индекс потребительской лояльности) равен 9-10 (высокая приверженность продукту).

5. Эффективность привлечения

• прошлогодние клиенты, чей цикл продаж составил меньше Х недель;
• прошлогодние клиенты, чья стоимость привлечения оказалась ниже определенной суммы.

6. Потенциал к расширению

• прошлогодние клиенты, которые за время использования продукта увеличили число активных аккаунтов на заданное значение;
• прошлогодние клиенты, которые открыли два и более новых отделов компании.

7. Потенциал к продвижению бренда

• прошлогодние клиенты, оставившие на стороннем сайте как минимум один положительный отзыв;
• прошлогодние клиенты, которые привели к сделке как минимум двух новых клиентов.

Анализ по этим параметрам позволит в итоге выявить когорту идеальных покупателей.

Когортный анализ и оптимизация конверсии

Когортный анализ предоставляет такую информацию, которая при сплит-тестировании обычно недоступна. Это происходит благодаря тому, что в ходе когортного анализа отслеживаются различные сегменты пользователей.

Амин Ариана (Amin Ariana), сооснователь платформы Sponsorbrite, делится секретами своего метода работы:

«Сплит-тест сравнивает две выборки генеральной совокупности на основе различных критериев для получения конкретного результата. Когортный анализ — это тот же сплит-тест, но с учетом воздействия таких величин, как место и время.

К примеру, вы выдвигаете гипотезу, что на вашем сайте красный цвет CTA-кнопки способствует большей конверсии, нежели синий. Вы организуете сплит-тест, в котором одна группа испытуемых видит страницу с красной кнопкой, другая — с синей. В результате оказывается, что группа, которая видела красную кнопку, на самом деле показала больший процент конверсии.

Но затем вы решаете провести когортный анализ. Вы сегментируете всех пользователей по месяцу их привлечения и месторасположению. После проведения серии тестов вы понимаете, что на красный цвет активно реагируют только те клиенты, которые совершили покупку в летние месяцы и проживающие у побережья. В отношении остальных групп результаты не были такими очевидными.

Далее, анализируя более детально эту когорту (которая активно реагировала на красный цвет), вы поймете причины такого смещения: люди, которые живут у побережья, в силу понятных причин становится невосприимчивы к синему цвету (они видят его каждый день), и красный для них более привлекателен.

Для всех остальных разница в цвете не несет каких-либо значительных последствий. Если бы вы полагались только на результаты сплит-теста, то сделали бы неверный вывод о предпочтительности красного цвета».

Однако когортный анализ хорош не только с точки зрения верификации данных, полученных с помощью сплит-теста, но и для генерации свежих идей для теста. По сути, вы получаете возможность взглянуть на ваших клиентов с несколько иной стороны, узнать их куда лучше.

Различия сплит- и мультивариантного тестирований, сегментирования и когортного анализа:

Сегментирование — кросс-секционное сравнение всей совокупности, разделенной на группы по каким-либо критериям (полу, возрасту, увлечениям);

A/B-тест — последовательное изменение какого-либо элемента и отслеживание реакции;

Мультивариантный анализ — изменение нескольких характеристик с целью изучения реакции.

Когортный анализ — сравнение похожих групп с течением времени.

Однако, следует заметить, что без уточняющего сплит-тестирования когортный анализ становится обычным последовательным исследованием, в ходе которого вы просто меняете какой-либо элемент на сайте, а затем на протяжении определенного времени наблюдаете за изменением показателей конверсии.

Совместное использование этих двух методик покажет вам реальную динамику вашего роста и укажет на те области, где требуется доработка.

Когортный анализ для SaaS

В секторе SaaS когортный анализ может помочь вам оптимизировать ситуацию на разных этапах воронки продаж. Помимо ежемесячной когорты, есть некоторые другие способы анализа данных, которые также приводят к весьма интересным результатам.

1. Бесплатные пробные версии продукта

Когортный анализ дает более верное представление об эффективности ваших бесплатных пробных версий продукта (free trial). Вот что на этот счет пишет уже упомянутый выше Линкольн Мерфи:

«Если вы тестируете продолжительность бесплатного периода, вы можете сравнить друг с другом когорты пользователей, которые, к примеру, получили возможность тестировать продукт бесплатно в течение 15 дней, с теми, кто использует продукт в том же формате, но уже на протяжении 30 дней. Какая из групп покажет больший процент конверсии? По какой цене они будут готовы купить продукт? Кто останется вашим клиентом по истечении 90 дней?