- PVSM.RU - https://www.pvsm.ru -
Продолжаю цикл статей по анализу продукта (начало [1])
В прошлой статье [2] я погрузился в анализ выручки и разбил ее на 2 компоненты — MRPU и кол-во клиентов. Сегодня рассмотрим дальнейшие шаги в анализе и разложим на составляющие кол-во клиентов и их динамику.
Теперь общая схема анализа выглядит так:
Когортный анализ позволяет объяснить тенденции, протекающие в клиентской базе и пробрасывает прямой мост в воронку продаж и действия по удержанию и возвращению клиентов.
Что такое когортный анализ? Это разложение клиентов по датам их "прихода". Для разных продуктов это может быть различные события, например:
Все зависит в итоге от вашего определения, когда вы считаете, что у вас появился клиент. Логичнее всего привязываться к моменту получения дохода или появления у клиента обязательств что-то заплатить. Хотя у каждого продукта могут быть свои особенности и клиентом можно уже считать и того, кто подписал какой-то договор, еще без внесения денег.
Если мы разобьем всех клиентов по датам "прихода", сгруппируем по месяцам (или неделям, дням зависит от типичных циклов жизни клиентов) и посчитаем кол-во клиентов, кто все еще продолжает быть клиентом (все еще платит, не расторгнул контракт) мы получим примерно такую картину:
Для простоты анализа часто близкие по датам начала когорты объединяют, чтобы диаграмма не выглядела как лапша.
В моем примере с привлечением клиентов все хорошо и клиентская база прирастает за счет привлечения новых клиентов. При этом в какой-то момент удается вернуть старых клиентов (мы видим, что самая старая когорта увеличивается к концу периода).
В анализе когорт у нас есть ряд важных производных характеристик, на которые стоит обратить внимание:
Хочу отметить, что обычно не существует "срока жизни" клиента, т.к. чаще всего когорты дляться и дляться, просто в них становится все меньше и меньше клиентов. В этом смысле бытовое значение слова "срок жизни" оказывается неверной интерпретацией распада когорт. Если мы говорим о 3 месяцах "среднего срока жизни", то не верно это понимать, что у вас не остается клиентов через 3 месяца. Употребление термина "средний срок жизни" становится некоторым математическим трюком. Дело в том, что распад когорты характеризует именно темп убывания клиентов. И вы можете перевести этот темп в термины: я теряю 50% когорты за 3 месяца. Или еще более жесткий — я теряю 95% когорты за 12 месяцев. Но возможно, что типичный срок потери всей когорты растянется на года. Поэтому хорошо прояснять в своей аналитике, что какую метрику вы хотите использовать.
Использования метрики "Х% за Y периодов" хороший количественный способ для сравнения качества когорт между собой. Дело в том, что любая когорта — это небольшой "эксперимент". Люди в каждой когорте проходят встречу и ознакомление с вашим продуктом с нуля. И историческая ретроспектива когорт показывает ваши успехи и неудачи в отношении onboarding, а затем и в отношении retentionchurn. Если вы методически добиваетесь повышения характеристики Y, то это означает, что вы хорошо развиваете продукт и взаимоотношения с клиентами. В целом это дело вкуса, вы можете как оперировать "средним сроком жизни" в том смысле в котором я его обозначил выше, либо же использовать оценку распада когорты в процентах.
Еще одним хорошим методом "взгляда" на когорты является анализ потоков клиентской базы. Это более наглядная свертка данных в когортах. Мы соединяем наши когорты и их динамику следующим образом:
Такая картинка наглядно показывает баланс притоков и оттока клиентской базы. И если ваш отток выше притока, ты вы сразу понимаете, что у вас проблемы.
В этом примере баланс потоков клиентов сильно в сторону притоков и поэтому клиентская база растет быстрыми темпами.
Что дает нам разложение клиентов на когорты:
Я уже замечал, что пока мы находимся на анализе всех средних. Но ваша клиентская база может иметь различные сегменты и кластеры. Ваш анализ по когортам станет еще продуктивнее, если вы проведете сегментацию и кластеризацию клиентской базы.
В следующих паре статей я напишу по подготовку данных для когортного анализа и про прогнозирование когорт в будущее для прогноза динамики клиентской базы.
Автор: Бог сервера
Источник [3]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/data-mining/283760
Ссылки в тексте:
[1] начало: https://habr.com/sandbox/121807/
[2] В прошлой статье : https://habr.com/sandbox/121985/
[3] Источник: http://habrahabr.ru/sandbox/122127/
Нажмите здесь для печати.