Posts

Showing posts from 2015

Удержание клиентов #2: почему экспресс-анализ неточен?

Image
Итак, я продолжаю серию постов про удержание клиентов. В прошлом посте я рассказал как сделать экспресс-анализ удержания клиентов . Сегодня я расскажу почему экспресс-анализ удержания, сильно оптимистичнее , чем ситуация на самом деле. При экспресс-анализе мы смотрим на то, сколько клиентов перетекает из месяца в месяц. При использовании такого подхода возникают две проблемы: Разные месяца имеют разную длительность (28 vs 30 vs 31 день). Не честно давать одним клиентам на совершение следующей покупки 28 дней, а другим - 31. С точки зрения математики разница во времени составляет 11%! Граница месяца не учитывает, когда клиент сделал покупку. Например, клиент сделал первую покупку 9/20/2012, а вторую 10/1/2012. При выравнивании по месяцу, вторая покупка приходится на следующий месяц (period = 1). Если же считать равными периодами в 30 дней, то выходит, что клиент сделал вторую покупку через 11 дней, т.е. все еще в period = 0. Эти две с виду неважные детали, на самом деле, силь

Удержание клиентов: экспресс-анализ

Image
Удержание клиентов тема весьма необычная. Раньше о ней почти не говорили, сейчас говорят больше, но с что с этим делать для многих совершенно непонятно. Сегодня я расскажу как быстро сориентироваться в этом вопросе. Я возьму выборку одного из проектов, который я когда-то смотрел, построю когорты и посмотрю как они размываются. Строим обычный Pivot Table. По вертикали идет год и месяц первой покупки. По горизонтали идет год и месяц N-ой покупки. Когорты по дате зарождения. (Чтобы увеличить картинку, кликните по ней) Экспресс-анализ Так как каждая когорта зарождается в своем месяце, то сравнивать их между собой неудобно. Поэтому я выравниваю их по периодам (количеству месяцев, которые прошли от первой транзакции до N-ой транзакции). Когорты выравненные по периоду. (Чтобы увеличить картинку, кликните по ней) Для экспресс-анализа можно воспользоваться Conditional Formating в Excel. Это позволит быстро найти пограничные ситуации. В периоде = 0 разные когорты имеют с

Новые клиенты - кто они и как их считать?

Image
На днях у меня была интересная дискуссия на тему того, кого и как считать новым клиентом. Хотя с виду вопрос может показаться очень простым и не требующем внимания, но на самом деле там есть несколько интересных моментов. Сегодня я хотел бы бегло обрисовать возможные подходы к расчету новичков. Начнем с того, что лидов мы однозначно выводим за скобки. Если у нас есть регистрация (или заявка на покупку) но нет самой покупки, то это точно пока еще не клиент. Для того, чтобы лид перешел в разряд клиентов, он обязательно должен совершить хотя бы одну покупку.  Теперь давайте дадим возможные определения новому клиенту (новичку): ВАЖНО: все варианты расчетов корректны и разные поставщики аналитических систем выбирают логичный и/или удобный для себя вариант расчета. Ниже 4 варианта расчета основанных на когортном подходе. Мы фиксируем дату регистрации, а дальше смотрим когда и сколько купил клиент. Зарегистрировался в месяце Х, совершил покупки в этом же месяце [ #  buyers (

Когорты. Быстро определить худших, но не лучших.

Image
В прошлом посте мы обсуждали как проанализировать поведение когорт во времени . Сегодня мы сфокусируемся на одном безумно важном моменте - "локальный максимум". Начну с того, что когорты, в целом, это отличный способ узнать, кого вы привлекли и что можно ожидать от таких клиентов. И использовать их безусловно можно и нужно. Однако результат первых нескольких периодов когорты еще не является на 100% определяющим будущие свойства такой когорты. Поэтому, например, прогноз LTV когорты на основе первых нескольких периодов вполне м.б. ложным. Удивлены? Давайте смотреть. У нас есть 4 когорты Male. Посмотрим как они себя ведут за короткий промежуток времени. Вот динамика LTV когорт за первые 7 дней . Male Cohorts. LTV (7d). Согласно чарту выше самая перспективная когорта это когорта #2. Это локальный максимум за первые 7 дней. Самая низкодоходная когорта #4. Хотя разница между когортами #3 и #4 как и между когортами #1 и #2 незначительна. Т.о. за первые 7 дней опре

Когорты. Изучаем поведение.

Image
Итак, в прошлый раз мы рассмотрели простой пример. Мы построили когорты, а затем обогатили их соцдемом (добавили характеристику Female/Male). Это позволило нам количественно оценить их базовое различие. Мы выяснили, что аудитория Male подходит нам больше: она быстрее активируется, но что важнее, она лучше вовлечена в последующих периодах. Сегодня давайте рассмотрим, как соединять когорты с поведенческими характеристиками. Хотя Male нам подходит лучше, но в разные периоды мы привлекаем male клиентов из разных каналов и очевидно ведут себя такие клиенты по-разному. Давайте изучим как отличается поведение разных когорт внутри сегмента Male. Начнем с дохода. Посмотрим как когорты генерируют аккумулятивный доход. Для этого мы возьмём все те же 4 когорты и посмотрим понедельно как каждая из них наращивают свой доход. Male Cohorts. Accumulative Revenue. Сам по себе доход когорты уже полезен тем, что позволяет понять, а окупается ли она вообще. (Для простоты изложения мы не будем

Когорты. Обогащение через соцдем.

Image
Сегодня я снова хочу вернуться к теме когорт. Когорты - весьма простой и мощный инструмент для анализа клиентов во времени. Именно это свойство - собрать клиентов пришедших в одно время, а затем изучать эволюцию этой группы во времени - делает его таким полезным. На каком этапе анализа стоит начинать применять когорты? Первое что приходит на ум, это просто взять и построить когорты по всем клиентам, т.е. применить их сразу. Просто задать каждому клиенту характеристику год/месяц/неделя первой покупки и начать изучать как такие когорты эволюционируют. Этот подход безусловно может рассказать много полезных деталей о вашем бизнесе, однако здесь нужно быть осторожным с выводами. General Cohorts. Например, на чарте General Cohorts видно, что когорта #4 практически в каждом периоде показывает себя хуже, чем усредненная когорта (AVG). Если предположить, что каждая из когорт была приведена из отдельного источника трафика, то появляется желание отключить такой канал привлечения.

Почему имейл-маркетинг неустойчив?

Image
На днях я выступал на 2-й конференции по имейл-маркетингу . В общем, все как обычно. Всех интересуют стандартные вещи: какой %  открытий  считается нормой, какие тактики повышают кликабельность, как делать А/Б-тесты и т.д. Но, что меня действительно удивило, так это то, как мало маркетологи говорят о том, как системно развивать клиентов в клиентской базе, как строить сегменты клиентов, которым надо помочь перейти из одного состояния в другое. Фактически, на сейчас все рассматривают имейл-рассылки как отдельную дисциплину. Определенная логика в этом есть. Ведь имейл-рассылка, как и другие каналы привлечения/удержания, имеет свои особенности: доставляемость, открываемость, layout, клики и т.д. Тем не менее, я пришел к выводу, что все эти особенности ситуативны и вот почему. Каждый раз когда вы делаете рассылку на активную базу подписчиков, вы пытаетесь сделать оптимизацию открываемости/кликабельности. Но эти показатели редко сильно двигаются вперед и уж тем более редко можно встрети

Удержание под разными углами. Attrition vs Retention

Image
Где-то раз в год я возвращаюсь к теме удержания клиентов и обдумываю ее заново. В этот раз я решил прояснить для себя такой вопрос. Разные специалисты по теме удержания используют разную терминологию: одни источники пишут attrition (churn) , другие источники - retention . Раньше я не различал эти термины. Но со временем я пришел к выводу, что разница между  attrition и retention  есть и эта разница огромная. Attrition (churn) Attrition - это чистый когортный подход. Вы формируете когорту по дате 1-го заказа. А затем смотрите как эта когорта размывается в последующих периодах. Т.е. это анализ при котором вы берете точку в прошлом и изучаете поведение клиентов от той точки до сейчас. Attrition анализ. Что может рассказать Attrition анализ? Вы понимаете сколько клиентов уходит в N периоде. Вы понимаете через сколько периодов отток когорты стабилизируется. Вы понимаете когда возникает сезонность. Вы понимаете через сколько периодов когорта размоется полностью (умрет).

Как посчитать LTV? Просто о сложном.

Image
На днях у меня был интересный диалог с Дмитрий Кудренко и Андрей Панкратов на тему алгоритма расчета LTV. Поэтому сегодня будем говорить о том, как рассчитать LTV и какие нюансы возникают при расчёте LTV. Единой схемы расчета LTV для разных бизнес-моделей - нет.  Например, для SaaS компаний все достаточно просто. Клиент покупает подписку. У подписки, как правило, есть срок действия. Если в последний день окончания подписки клиент не продлевает подписку, то на следующий день такой клиент считается "ушедшим". Для e-commerce компаний все не так однозначно. Клиент мог купить товар или несколько товаров, потом какой-то период времени (иногда продолжительный) не покупать, а затем снова вернуться к покупкам. В этом случае понять когда клиент действительно "ушел" уже нетривиальная задача. Быстрый старт Дима и Андрей проделали отличную работу и создали модель с  шаблоном в Google Sheets , который на основе таблицы заказов бизнеса рассчитывает Когорты , Churn rat

Исследование RJMetrics: чем отличаются лучшие компании от остальных

Image
Сегодня мне на почту пришло  исследование  от RJMetrics на тему Ecommerce Growth за 2015 год. [RJMetrics одна из немногих SaaS компаний, которая понимает толк в метриках, собирает правильные данные и умеет неплохо их визуализировать].   Быстро ознакомившись с основными результатами я решил, что вы обязательно должны узнать про эти простые и важные инсайты. Я решил написать небольшое саммари. Итак, подход к исследованию у RJMetrics был следующий. По всем участникам исследования (молодые компании возрастом до 3-х лет) был рассчитан набор метрик. По результатам расчетов каждая из компаний попадала в один из 4-х квартилей (Q1, Q2, Q3, Q4). Анализ метрик у каждого квартиля оказался весьма красноречивым. Рост оборота Опережающий темп роста оборота топ-компаний (Q1) формируется в первые 6-12 месяцев и затем сохраняется на уровне не менее 3Х, по сравнению с остальными компаниями. Totl Revenue Давайте разбираться, как получается такой выдающийся результат. Серий