Алехандро Ригатузо е основател на Postcron.com , лесен начин за планиране на публикации във Facebook и Twitter. Можете да се свържете с него на [имейл защитен] .

Кохортен анализ , задържане , и отбиване са някои от ключови показатели във фирмена сграда.

Но това не е просто поредната статия за кохортния анализ. Ако сте опитен учен за данни който вече знае важността на темата и иска да пропусне въведението, можете да преминете към симулатор , където можете да научите как да правите кохортен анализ и симулират стартиране на растеж въз основа на задържане, отбиване и редица други фактори, или анализирайте вашите собствени дневници на PayPal със софтуера, който имам с отворен код .

Ако обаче не осъзнаете, че това са едни от най-важните показатели - продължете да четете.

Въведение в кохортния анализ

Първо, нека разберем за какво говорим тук с дефиниция на кохортен анализ. Накратко, кохорта е група субекти с обща определяща характеристика . Може би това е тяхната възраст, може би това е тяхната националност, може би това е техният град на раждане и т.н.

Възрастта е особено добър пример. Често имаме предвид родените между 60-те и 80-те години като членове на „Поколение X“, а родените между 80-те и 90-те години като членове на „Поколение Y“. Всяка кохорта, всяко поколение има свои собствени определящи характеристики .

По същия начин всяка компания може да групира и анализира своите клиенти по кохорта. Чест и много полезен начин за анализ на вашите клиенти е да групирайте ги по датата, на която са започнали да използват вашата услуга .

Tweet

Ами ако трябва да ви попитам: „ Колко от приходите ви през миналия месец идват от клиенти, които са започнали да работят с вас преди година? - Има ли изобщо? Новите потребители може да изглеждат добре, но само регистрациите не се равняват на приходите. Знаете ли отговора? Ако не, ще бъде полезно да научите за кохортния анализ.

Кохорти, задържане и анализ на оттока

Ако анализирате приходите си по кохорти, можете да изчислите (на месечна база) каква част от приходите Ви идват от нови потребители и колко от стари потребители . Освен това можете да направите следващата стъпка и да прогнозирате бъдещи приходи, свързани с задържането и отчитането на оттока със значително по-висока степен на точност.

Добре, така че установихме, че кохорта е група хора с обща определяща характеристика. Оттук нататък ще продължим като пример, изследвайки показателите на новото ни стартиране на хип облачни изчисления. Нека започнем, като анализираме само една кохорта. В този случай ще разгледаме клиентите, които са започнали да работят с нас през януари 2012 г.

Първият важен показател, който трябва да изчислим, е задържането : колко от новите ни потребители през януари все още бяха с нас през февруари? Да кажем, че имахме 100 абонати през януари и само 20 решиха да анулират своите абонаменти, оставяйки ни 80 абонати, останали през февруари. Основният анализ на задържането ни казва, че това е 80% степен на задържане. Да кажем, че 8 клиенти решиха да се откажат през февруари. Така през март имаме 80-8 = 72 потребители. Тъй като 72/80 = 90%, имахме 90% задържане след 2 месеца за нашата кохорта от януари 2012 г.

Някои хора изчисляват задържането като функция от първоначалния размер на кохортата, но аз предпочитам да изчислявам задържането като функция от предходния месец на всяка кохорта.

Скоростта на отбив е друга основна метрика . Може да се определи от гледна точка на задържане: churn = 1 - задържане. Така че 80% задържане предполага 20% отбив. С думи, това е скоростта, с която клиентите напускат вашата услуга.

Връщайки се към нашето стартиране на изчислителни облаци, нека анализираме идеален (прочети: нереален) случай : 100% степен на задържане. Това означава, че никой от нашите клиенти не напуска услугата - никой не отменя каквото и да било. Да предположим, че нашата компания получава 1000 нови клиенти на месец. След 24 месеца тази компания има 24 000 активни клиенти. Не е много лошо. За съжаление този сценарий е по същество невъзможен - 100% задържане съществува само в стартовия рай.

Сега, нека бъдем малко по-реалистични и да кажем, че нашата компания има процент на задържане от 90%. С други думи , всяка кохорта губи 10% от клиентите си всеки месец. Отново ще приемаме 1000 нови клиенти всеки месец.

В този случай, след като получихме 1000 нови потребители през януари 2012 г., загубихме 100 клиента през февруари, 90 през март, 81 през април и т.н. Нека да видим как изглежда тази графика.

Ако погледнете предишната кохортна графика, ще разберете, че общият брой на активните потребители достига точка на насищане около 9000. Може да се докаже математически, че тази компания вече няма да нарасне над 9000 потребители, дори когато получава 1000 потребители на месец.

С 1000 нови потребители на месец при 90% процент на задържане на клиентите, имаме около 9000 активни потребители месечно след 24 месеца. Сравнете това със 100% запазване и ние имаме само 37,5% от идеалния случай (24 000 клиенти).

Казано просто: 10% спад на процента на задържане е причинил 62% спад на общия брой активни потребители след 24 месеца .

Ключовите неща за взимане тук: ниско нивата на задържане ограничават растежа , и използването на софтуер за кохортен анализ е полезно за разбиране на степента на задържане .

Нарастващ растеж

Сега може би си мислите: „Но Алехандро, почакай! Ако всяка компания има процент на отбив, а отбивът ограничава растежа, как постигат някои компании стик за хокей растеж?'

На което бих отговорил: „Защото растежът им расте.“

Има няколко начина за увеличаване на растежа: увеличаване на маркетинговия бюджет, оптимизиране на реализациите , и създаване реферални програми всички могат да допринесат за вирусен растеж . Нека анализираме случая с вирусен растеж, при който броят на новите клиенти се влияе от общия брой активни клиенти на компанията. С други думи: повече клиенти в системата се равняват на повече хора, насочвайки нови клиенти, се равнява на повече нови клиенти .

Да кажем, че компанията расте вирусно с постоянен (К) коефициент 0,20 и че формула кандидатствахме за изчисляване на броя на новите клиенти е:

Нови клиенти (месец) = k * Общ брой клиенти (месец-1)

Сега, нека визуализираме същия пример както преди (1000 нови потребители на месец при задържане на 90%), но този път ще добавим малко вирусно нарастване (с K = 0,20).

От тази графика на кохортния анализ има два ключови варианта: първо, постоянен коефициент 0,20 е довел до 1000% увеличение на общия брой активни клиенти (~ 90 000) след 24 месеца; и второ, системата все още расте след 24 месеца - не е достигнала точка на насищане .

Така че, за да компенсираме нашата 90% степен на задържане, трябва да създадем механизми за растеж на растежа ни всеки месец .

Сега, на този етап, може би ще кажете: „Леле, Алехандро: вирусният растеж е очевидно по-важен от задържането. Вижте как това се отрази на нашата клиентска база! “

На което щях да отговоря: „Не толкова бързо.“

Нека анализираме още един случай. Доброто ни стартиране на облачни изчисления, но с 50% степен на задържане. Ще се придържаме към 1000 нови потребители на месец и скорост на вирусен растеж K = 0,20. Но независимо от вируса, нашата компания се представя много лошо, губейки 50% от нашите клиенти във всяка кохорта, всеки месец.

След 24 месеца нашата компания има само 3000 активни клиенти вместо 90 000 - това е 30 пъти разлика! Задържането наистина е от ключово значение.

Но защо задържането има толкова мощен ефект? Накратко: Тъй като растежът на вирусите зависи от броя на активните клиенти, така че ако задържим потребителите си по-дълго, ще имаме повече реферали .

За да обобщите:

• Най-общо казано, отбиването ограничава растежа.
• Задържането увеличава вирусния растеж.
• Доброто задържане и вирусният растеж са предпоставки за мащабиране на компанията до милиони или дори милиарди потребители.

Последна дума за анализа на скоростта на оттока

Доста често се случва да видите повече клиенти да анулират услуга през първия месец на използване, отколкото по-късно. Ето защо в следващата симулация ви предоставям два процента на задържане: процент на задържане през първия месец и процент на задържане в дългосрочен план. Използването на тези параметри в нашите изчисления ще доведе до по-точни резултати.

Заключение

Целта на този урок за кохортен анализ не беше да ви даде подробен клас за метрики и кохортен анализ; всъщност други обсъждаха сложността на тези статистически данни в далеч повече дълбочина . Вместо това искам да ви събудя за важността на този тип анализ и, което е по-важно, да покажа на читателите собствените си примери за кохортен анализ на приходите и процентите на отбиване с моето софтуерно решение за кохортен анализ с отворен код.

Ако има само един въпрос, който да ви събуди, това е следното:

Колко от действителните ви приходи идват от потребители, които са започнали да работят с вас преди година?

Как да направите свой собствен кохортен анализ

Сега е твой ред! Има два начина да анализирате задържането и промяната на собствения си бизнес:

1. Качване вашите данни на PayPal в инструмента, който съм внедрил . За пълно разкриване, моля, имайте предвид, че с помощта на този инструмент вашият регистрационен файл временно ще бъде поставен на сървър за обработка (изтрит веднага щом се покажат данните). Ако обаче предпочитате, винаги можете ...
2. Изтегли отворения код и разположете инструмента сами . README съдържа подробни инструкции как да го направите. Ако нямате акаунт в PayPal, можете лесно да хакнете кода, за да анализирате други видове акаунти.

Като алтернатива можете да си поиграете с нашия симулатор и да визуализирате стартовия растеж въз основа на всички параметри, обсъдени по-горе.

Благодаря за четенето!