Analiza kohortowa retencji: jak przygotować tabelę i jak ją czytać

Czym jest analiza kohortowa?

Analiza kohortowa (cohort analysis) to metoda analityki zachowań, która dzieli klientów na grupy o wspólnej cesze z określonego okresu i analizuje każdą grupę osobno. W analizie retencji kohortę tworzą zwykle klienci, którzy rozpoczęli współpracę w tym samym miesiącu lub kwartale. Kohorty można też definiować według zachowania, np. klienci, którzy zaczęli korzystać z określonej funkcji po jej wprowadzeniu. David Skok w tekście „SaaS Metrics 2.0” (2013) opisuje kohorty liczone zarówno według liczby klientów, jak i według przychodu powtarzalnego.

Jakie dane są potrzebne?

Wystarczy tabela z identyfikatorem klienta, datą rozpoczęcia współpracy i informacją o aktywności lub przychodzie w kolejnych miesiącach. Wcześniej ustala się definicję aktywnego klienta, np. opłacona subskrypcja albo co najmniej jedno zamówienie w miesiącu. Definicja musi być taka sama dla wszystkich kohort. Przydatne są też atrybuty do późniejszego podziału: kanał pozyskania, segment, plan cenowy, handlowiec prowadzący.

Jeden wiersz odpowiada jednemu klientowi w jednym miesiącu od startu. Taki układ pozwala policzyć z tej samej tabeli retencję klientów i retencję przychodu. Dane pobiera się z systemu rozliczeń; CRM jest słabszym źródłem, jeśli nie odnotowuje rezygnacji i zmian planu.

Jak zbudować tabelę?

Tabelę buduje się w czterech krokach, od przypisania klienta do kohorty po podział przez liczebność kohorty w miesiącu startu.

1. Każdego klienta przypisuje się do kohorty według miesiąca lub kwartału rozpoczęcia współpracy.
2. Dla każdej kohorty liczy się aktywnych klientów w kolejnych miesiącach od startu (M0, M1, M2…).
3. Liczbę aktywnych klientów dzieli się przez liczebność kohorty w M0.
4. Drugą tabelę przygotowuje się dla przychodu: przychód kohorty w kolejnych miesiącach dzieli się przez przychód w M0.

Jak czytać tabelę?

Tabelę czytamy w pionie: porównujemy kolejne kohorty w tym samym miesiącu od startu.

Liczba klientów w każdej kohorcie rośnie, ale retencja po trzech miesiącach spada z 80% do 70%. Łączna retencja w M3 dla trzech kohort wynosi 74,7% ((160 + 190 + 210) ÷ (200 + 250 + 300) = 560 ÷ 750) i wygląda poprawnie, choć najnowsza kohorta jest o 10 punktów procentowych słabsza od styczniowej. Typowe przyczyny takiego obrazu to zmiana kanału pozyskania, zmiana profilu klientów lub obietnice sprzedaży niezgodne z produktem.

Drugi sposób czytania to krzywa retencji jednej kohorty w poziomie. Kohorta styczniowa traci 20 punktów procentowych w pierwszych trzech miesiącach, 10 punktów w kolejnych trzech i 10 punktów w następnych sześciu. Spłaszczająca się krzywa oznacza, że odejścia koncentrują się na początku współpracy, więc działania kieruje się na wdrożenie i aktywację. Tabela kohortowa pozwala też sprawdzić skutek takich działań: David Skok opisuje przypadek, w którym odejścia w pierwszym miesiącu spadły z 15% do 4%.

Retencja klientów czy retencja przychodu?

Retencja klientów pokazuje, ilu klientów zostaje, a retencja przychodu pokazuje, ile zostaje pieniędzy, z uwzględnieniem rozszerzeń i zmniejszeń umów. Przykład: kohorta styczniowa zaczyna z przychodem 400 000 zł. W M12 zostaje 120 z 200 klientów (60%), ale ich przychód wynosi 360 000 zł, czyli 90% wartości startowej, ponieważ pozostali klienci rozszerzyli umowy. W modelach B2B z dużym zróżnicowaniem wielkości klientów retencja przychodu jest ważniejsza: utrata wielu małych klientów może mieć mniejszy wpływ niż zmniejszenie jednej dużej umowy.

Jakie są typowe błędy i ograniczenia?

• Zmiana definicji aktywnego klienta w trakcie serii bez przeliczenia starszych kohort.
• Wnioski z małych kohort: przy 30 klientach jeden klient to 3,3 punktu procentowego retencji.
• Traktowanie braku danych dla młodych kohort jako zera, co zaniża średnie.
• Łączenie kohort z różnych kanałów pozyskania bez osobnych tabel.
• Pomijanie sezonowości przy porównywaniu kohort z różnych miesięcy roku.
• Liczenie wyłącznie retencji klientów w bazie, w której kilku klientów odpowiada za większość przychodu.

Źródła

• Wikipedia: Cohort analysis
• David Skok, For Entrepreneurs: SaaS Metrics 2.0 (2013)