Alejandro Rigatuso er grunnleggeren av Postcron.com , en enkel måte å planlegge innlegg på Facebook og Twitter. Du kan kontakte ham på [e-postbeskyttet] .

Kullanalyse , bevaring , og churn er noen av viktige beregninger i bedriftsbygging.

Men dette er ikke bare nok en artikkel om kohortanalyse. Hvis du er en erfaren datavitenskapsmann som allerede vet viktigheten av emnet og ønsker å hoppe over introduksjonen, kan du hoppe til simulator , hvor du kan lære å gjøre kohortanalyse og simulere oppstartsvekst basert på oppbevaring, churn og en rekke andre faktorer, eller analysere dine egne PayPal-logger med programvaren jeg har åpen kilde .

Hvis du imidlertid ikke er klar over at dette er noen av de viktigste beregningene - fortsett å lese.

Introduksjon til kohortanalyse

Først kan vi forstå hva vi snakker om her med en kohortanalysedefinisjon. Kort fortalt er en kohort en gruppe fag som har en felles definerende egenskap . Kanskje det er deres alder, kanskje det er deres nasjonalitet, kanskje det er deres fødested osv.

Alder er et spesielt godt eksempel. Ofte refererer vi til de som er født mellom 60 og 80-tallet som medlemmer av 'Generasjon X' og de som ble født mellom 80 og 90-tallet som medlemmer av 'Generasjon Y'. Hver årgang, hver generasjon, har sine egne definerende egenskaper .

Tilsvarende kan ethvert selskap gruppere og analysere sine kunder etter årskull. En vanlig og veldig nyttig måte å analysere kundene på er å gruppere dem etter datoen da de begynte å bruke tjenesten din .

kvitring

Hva om jeg skulle spørre deg: “ Hvor mye av inntektene dine forrige måned kom fra kunder som begynte å jobbe med deg for et år siden? ”Noen i det hele tatt? Nye brukere kan se bra ut, men registreringer alene tilsvarer ikke inntektene. Vet du svaret? Hvis ikke, vil det være nyttig å lære om kohortanalyse.

Kohorter, oppbevaring og churn analyse

Hvis du analyserer inntektene dine etter årskull, du kan utlede (på månedlig basis) hvor mye av inntektene som kommer fra nye brukere og hvor mye som kommer fra gamle brukere . I tillegg kan du ta det neste trinnet og forutsi fremtidige inntekter knyttet til oppbevaring og regnskap for churn med en betydelig høyere grad av presisjon.

Ok, så vi har slått fast at en kohort er en gruppe mennesker med en felles definerende egenskap. Herfra fortsetter vi med et godt eksempel og undersøker beregningene av den nye hip cloud computing-oppstarten. La oss starte med å analysere bare en enkelt kohort. I dette tilfellet ser vi på kundene som begynte å samarbeide med oss ​​i januar 2012.

Den første viktige beregningen som vi trenger å beregne er oppbevaring : hvor mange av de nye januar-brukerne våre var fortsatt med oss ​​i februar? Si at vi hadde 100 abonnenter i januar, og bare 20 bestemte seg for å si opp abonnementene sine, og etterlot oss med 80 abonnenter igjen i februar. Grunnleggende retensjonsanalyse forteller oss at det er en 80% retensjonsrate. La oss si at åtte kunder bestemte seg for å kansellere i februar. Så i mars har vi 80-8 = 72 brukere. Siden 72/80 = 90% hadde vi 90% oppbevaring etter to måneder for januar 2012-kohorten.

Noen beregner retensjon som en funksjon av kohortens opprinnelige størrelse, men jeg foretrekker å beregne retensjon som en funksjon av forrige måned i hver kohort.

Churn rate er en annen viktig beregning . Det kan defineres i form av oppbevaring: churn = 1 - oppbevaring. Så 80% retensjon innebærer 20% churn. Med ord er det hastigheten som kundene forlater tjenesten din.

Når vi går tilbake til oppstarten av cloud computing, la oss analysere en ideell (les: uvirkelig) sak : 100% oppbevaringsgrad. Det betyr at ingen av våre kunder forlater tjenesten - ingen kansellerer overhodet. La oss si at selskapet vårt får 1000 nye kunder per måned. Etter 24 måneder har dette selskapet 24 000 aktive kunder. Ikke værst. Dessverre er dette scenariet i utgangspunktet umulig - 100% oppbevaring eksisterer bare i oppstartsparadiset.

La oss nå være litt mer realistiske og si at selskapet vårt har en 90% retensjonsrate. Med andre ord , mister hvert årskull 10% av kundene hver måned. Igjen antar vi 1000 nye kunder hver måned.

I dette tilfellet, etter å ha mottatt 1000 nye brukere i januar 2012, mistet vi 100 kunder i februar, 90 i mars, 81 i april og så videre. La oss se hvordan denne grafen ser ut.

Hvis du ser på forrige kohortgraf, vil du innse at det totale antallet aktive brukere når et metningspunkt rundt 9000. Det kan vises matematisk at dette selskapet ikke lenger vil vokse utover 9000 brukere, selv når det mottar 1000 brukere per måned.

Med 1000 nye brukere per måned med en oppbevaringsgrad på 90%, har vi rundt 9000 aktive brukere per måned etter 24 måneder. Sammenlign dette med 100% oppbevaring, og vi har bare 37,5% av den ideelle saken (24 000 kunder).

Enkelt sagt: en nedgang på 10% på oppbevaringsgraden forårsaket en nedgang på 62% på det totale antallet aktive brukere etter 24 måneder .

De viktigste takeaways her: lav retensjonsgrenser begrenser veksten , og å bruke programvare for kohortanalyse er nyttig for å forstå retensjonsgraden din .

Voksende vekst

Nå tenker du kanskje: “Men Alejandro, vent! Hvis hvert selskap har en churn-rate, og churn-rate begrenser veksten, hvordan oppnår noen selskaper hockey pinne vekst?'

Som jeg vil svare på: 'Fordi veksten deres vokser.'

Det er flere måter å øke veksten på: øke markedsføringsbudsjettet, optimalisere konverteringer , og skape henvisningsprogrammer kan alle bidra til viral vekst . La oss analysere saken om viral vekst, der antallet nye kunder påvirkes av selskapets totale antall aktive kunder. Med andre ord: flere kunder på systemet tilsvarer flere som henviser til nye kunder, tilsvarer flere nye kunder .

La oss si at selskapet vokser viralt med en konstant (K) faktor på 0,20 og at formel vi har søkt om å beregne antall nye kunder er:

Nye kunder (måned) = k * Totalt antall kunder (måned-1)

La oss nå visualisere det samme eksemplet som før (1000 nye brukere per måned @ 90% retensjon), men denne gangen vil vi kaste inn litt viral vekst (med K = 0,20).

Fra denne kohortanalysegrafen er det to viktige takeaways: For det første har en konstant faktor på 0,20 forårsaket en økning på 1000% i det totale antallet aktive kunder (~ 90.000) etter 24 måneder; og for det andre systemet vokser fremdeles etter 24 måneder - det nådde ikke et metningspunkt .

Så, for å kompensere for vår 90% oppbevaringsgrad, vi trenger å lage mekanismer for å øke vår vekst hver måned .

Nå, på dette punktet, kan du kanskje si: “Wow, Alejandro: viral vekst er helt klart viktigere enn oppbevaring. Se på hvordan det påvirker kundebasen vår! '

Som jeg vil svare på: 'Ikke så fort.'

La oss analysere en sak til. Vår gode oppstart av cloud computing, men med en 50% retensjonsrate. Vi vil holde oss til 1000 nye brukere per måned og en virusvekst K = 0,20. Men uansett viralitet, presterer selskapet vårt veldig dårlig og mister 50% av kundene våre på hver kohort hver måned.

Etter 24 måneder har selskapet vårt bare 3000 aktive kunder i stedet for 90 000 - det er 30 ganger forskjell! Oppbevaring er virkelig nøkkelen.

Men hvorfor har oppbevaring så kraftig effekt? Kort oppsummert: Fordi viral vekst avhenger av antall aktive kunder, så hvis vi beholder brukerne våre lenger, får vi flere henvisninger .

For å oppsummere:

• Generelt begrenser churn veksten.
• Retensjon øker viral vekst.
• God oppbevaring og viral vekst er forutsetninger for å skalere et selskap til millioner, eller til og med milliarder brukere.

Et siste ord om churn rate analyse

Det er ganske vanlig å se flere kunder avbryte en tjeneste i løpet av den første måneden for bruk enn senere. I den følgende simuleringen gir jeg deg to retensjonsrater: den første månedens retensjonsrate og den langsiktige retensjonsgraden. Å bruke disse parametrene i våre beregninger vil føre til mer presise resultater.

Konklusjon

Hensikten med denne kohortanalyseveiledningen var ikke å gi deg en detaljert klasse om beregninger og kohortanalyser; faktisk diskuterte andre kompleksiteten av denne statistikken i langt mer dybde . I stedet vil jeg vekke deg til viktigheten av denne typen analyser, og enda viktigere, å vise leserne sine egne eksempler på inntektskohortanalyser og churn-priser med min åpen kildekode-kohortanalyseprogramvare.

Hvis det bare er ett spørsmål å vekke deg, er det følgende:

Hvor mye av den faktiske inntekten din kommer fra brukere som begynte å jobbe med deg for et år siden?

Hvordan gjøre din egen kohortanalyse

Nå er det din tur! Det er to måter å analysere din egen virksomhets oppbevaring og churn på:

1. Laste opp PayPal-dataene dine til verktøyet jeg har distribuert . For fullstendig utlevering, vær oppmerksom på at ved å bruke dette verktøyet vil loggfilen din midlertidig bli plassert på en server for behandling (slettet så snart dataene vises). Men hvis du foretrekker det, kan du alltid ...
2. nedlasting åpen kildekode og distribuere verktøyet selv . README inneholder detaljerte instruksjoner for hvordan du gjør det. Hvis du ikke har en PayPal-konto, kan du enkelt hacke koden for å analysere andre typer kontoer.

Alternativt kan du leke med simulatoren vår og visualisere oppstartsvekst basert på alle parametrene som er diskutert ovenfor.

Takk for at du leste!