Отток клиентов (Customer Churn Rate) - как его считать?

Итак, в прошлом посте мы определились с тем, насколько важно и для стартапа и для зрелого бизнеса отслеживать и управлять оттоком клиентов.

На самом деле в любом бизнесе часть клиентов неизбежно уходит. Поэтому, вопрос оттока клиентов это всегда вопрос о том, сколько именно клиентов, привлеченных ранее, - ушло.

Отток (churn) - упрощенное определение.
Churn Rate (отток клиентов) - это соотношение тех клиентов, кто ушел в этом периоде (А), к тем клиентам, кто был активен (покупал) ранее (В). Т.е. churn rate = А/В.
Независимо от того, какую формулу вы используете, хочу вам сказать, что сравнивать churn rate за текущий период с предыдущими периодами имеет смысл лишь в том случае, если способ расчета одинаковый.

Т.е. если у вас в этом месяце сменилась формула расчета, то обязательно надо пересчитать показатели предыдущих периодов.

Отток (churn) - два важных нюанса.

Если вдумчиво прочитать определение, которое я дал ранее, то возникнет, как минимум, 2 важных вопроса:
  1. Что означает "ранее"?
  2. Кого считать активным: только старичков или старичков и новичков?
Сразу оговорюсь, что стандарта расчета показателя churn rate (оттока клиентов) просто нет. Например, у некоторых мобильных операторов связи период после которого клиент считается ушедшим 3 месяца, а других - 6 месяцев.

Даже многоуважаемая мною МВА-школа №1 в мире (Wharton), которая выпустила сильную книгу Marketing Metrics: 50+ Metrics Every Executive Should Master описала churn rate довольно обтекаемо.

Обратная сторона оттока - retention

Иногда вместо показателя churn rate (% оттока клиентов)вы можете встречать упоминание об retention rate (% удержания клиентов). Считается он так:
retention rate = 1 - churn rate
Говоря по-другому, % удержания клиентов определяет тех, кто покупал ранее и продолжил покупать в этом периоде.

Оба показателя взаимозаменяемы: churn rate = 1 - retention rate.

Дальше это уже вопрос философии, что мерять: churn или retention. И хотя я обычно меряю retention rate, дальше, для вас, практически все примеры я пересчитаю в churn rate.

Когорты - как инструмент расчета удержания

Для того, чтобы объяснять было проще я сгенерировал клиентскую базу и построил на её основе матрицу когорт (см. рисунок ниже).
Каждая строка это дата формирования когорты. Это м.б. дата регистрации клиента на сервисе. Если сервис не требует регистрации, то это может быть дата первой покупки.

Каждый столбец определяет период прошедший от даты формирования когорты.

Гранулярность периода определяется гранулярностью когорты. Если когорты сделаны по годам, то период равен 1 году, если когорты считаются по месяцам, то период равен 1 месяцу.

Как расчитывать когорты?
Что означает "ранее"?
Определяя период трекинга когорты, возможно несколько вариантов.

Очевидный вариант периода трекинга: это может быть предыдущий период (месяц, квартал, год) - см. рисунок ниже.
Как читать эту матрицу?

В 2011 году мы привлекли клиентов.
  • На конец периода 1 из клиентов периода 0 перестало покупать 51% клиентов.
  • На конец периода 2 из клиентов периода 1 перестало покупать 50% клиентов.

В 2012 году мы привлекли других клиентов.
  • На конец периода 1 из клиентов периода 0 перестало покупать 52% клиентов.

Думаю, вы уже догадались, о двух очевидных выгодах использования когорт для расчета churn rate (оттока клиентов).
  1. Используя когорты вы можете сравнивать качество клиентов которых вы привлекли в 2011 и 2012 гг.
  2. Используя когорты вы также можете также получить взвешенное значение оттока клиентов в каждом периоде. Из рисунка выше видно, что через 1 год средневзвешенный оток клиентов составил 60%.

Продолжаем определять альтернативные варианты периода трекинга когорты.

Менее очевидный вариант периода трекинга: это может быть период, когда когорта была сформирована т.е. нулевой период.
Как читать эту матрицу?

В 2011 году мы привлекли клиентов.
  • На конец периода 1 из клиентов периода 0 перестало покупать 51%.
  • На конец периода 2 из клиентов периода 0 перестало покупать 75%.

Думаю, вы уже догадались, что второй способ расчета когорт дает понимание, когда когорта полностью "умрет". Так вы сможете понять максимальный срок жизни когорты - ее жизненный цикл.

Снова продолжаем определять альтернативные варианты периода трекинга когорты.

Не очевидный вариант периода трекинга: это может быть не дата, а событие. Например, предыдущая покупка.

Как читать эту матрицу?

В 2011 году мы привлекли клиентов.
  • После совершения 1-й покупки до второй покупки не дошло 58% клиентов.
  • После совершения 2-й покупки до третьей покупки не дошло 40% клиентов.

По сути мы получаем вероятность не совершения следующей покупки. Памятуя о том, что retention rate = 1 - churn rate мы можем высчитать вероятность совершения каждой следующей покупки.

Если вы по прежнему со мной и улавливаете смысл происходящего, то давайте двигаться дальше - дадим ответ на следующий вопрос.
Кого считать активным: только старичков или старичков и новичков?
Этот вопрос на самом деле несколько сложнее, чем кажется с первого взгляда. И вот почему. Недавно мне показали вот такую усредненную формулу - формулу расчета churn rate, которая не использует когорт и при этом учитывает новичков (см. выделенную строку):
Какие проблемы я вижу в использовании такой формулы?
  • С одной стороны, выделенная формула чувствительна к общему объему базы. Возьмем правый кейс (m10 и m11). В 10-м месяце чистая доля оттока = 20% (20 000 / 100 000). Но, в 11-й месяце, при том, что чистая доля оттока по прежнему = 20% (19 000 / 95 000) churn rate понизился с 20,51% до 20,43%.
  • С другой стороны, выделенная формула интересно себя ведет при нулевом привлечении. Возьмем левый кейс (m1 и m2). Так, если количество новичков = 0, то формула завышает churn rate.
Но главное, на мой взгляд, это даже не математические особенности усредненной формулы, а ее суть.

Если вы не считаете churn rate покогортно, то тогда вы считаете некое усредненное число, которое не учитывает нескольких моментов:

Во-первых: новички, по сути, являются новой когортой и их время оттока, очевидно, еще не пришло. В общих формулах на подобие той, что выше, они будут занижать ваш churn rate.

Во-вторых: скорость оттока у разных когорт м.б. разной. Например, если в последующих когортах привлечения вы понизили качество клиента, то у вас начнет расти churn rate. Но общая формула не несет в себе такой информации, а значит у вас не будет шанса понять причину происходящего.

Если вернуться к шкурному вопросу о том, как это можно было бы посчитать, то могу сказать, что для расчета вам необходимо совсем немного.
  1. Написать SQL-запрос, чтобы получить минимально необходимую информацию по заказам/клиентам.
  2. Экспортировать результат SQL-запроса в Excel/PowerPivot.
  3. Рассчитать порядковый номер каждого заказа для каждого клиента и период каждого заказа.
  4. Написать на DAX расчет % retention rate.
  5. Написать на DAX инверсию в % churn rate.
  6. Построить PivotTable.
Надеюсь, мне удалось хоть немного раскрыть тему customer churn rate (клиентского оттока клиентов).

P.S. На самом деле все еще немного сложнее. Сейчас поясню.

Как и в привлечении, где конверсия конверсии - рознь, так и в оттоке, разные клиенты имеют разную ценность для бизнеса (читай - разный LTV). И в момент расчета вами LTV, который напрямую связан связан с retention rate, вам возможно будет неприятно узнать, что использование усредненной формулы retention rate может давать вам дельту ошибки расчета LTV до 50%!

Говоря по-другому, усредненный LTV дает вам искаженную (как правило, заниженную) картину доходности клиента, а значит возможность принять правильное решение о том сколько инвестировать в привлечение вы не сможете.

Не верите мне? Тогда читайте вот этот пост одной из лидирующих американских компаний по customer analytics.

А потому, желательно мерять не только customer churn rate, но revenue churn rate, а потом сравнивать их динамику. В следующем посте я расскажу об этом подробнее.

Если что-то для вас осталось непонятным, задавайте вопросы. Постараюсь, по мере возможности, ответить на них.

Comments

Popular posts from this blog

IV/WOE - хороший способ понять какой информацией вы обладаете

A/B-тестирование: смотреть на конверсию vs смотреть на продажи

Продуктовая аналитика: влияние продуктовых фич на ретеншн