Удержание клиентов: экспресс-анализ
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.
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).
Для экспресс-анализа можно воспользоваться Conditional Formating в Excel. Это позволит быстро найти пограничные ситуации.
Скрининг
Хотя Conditional Formating в Excel помогает уловить некоторые тренды, лучше рассчитать hard numbers.
Для быстрой оценки рассчитаем quick retention rate (retention rate на конец 2-го периода, т.е. по прошествии 3-х месяцев).
Здесь я обычно начинаю задать себе вопросы о зависимостях, и чтобы ответить на каждый такой вопрос я строю график (Scatter Charts).
Вопрос 1. Есть ли прямая зависимость между размером когорты и ее quick retention rate?
Как видно из чарта выше прямой зависимости между размером когорты и ее quick retention rate нет.
Так например, когорта за 8-й, 10-й и 5-й месяца имеют практически одинаковые размеры но при этом разные quick retention rate.
Вопрос 2. Есть ли прямая зависимость между датой зарождения когорты и ее quick retention rate?
На чарте выше видно, что сезон создания когорты определенно влияет на quick retention rate. Просматриваются 3 кластера: {M1, M2, M3}, {M4, M5, M6, M7} и {M8, M9, M10, M11, M12}.
Сохранится ли такая кластеризация в более поздних периодах - это большой вопрос. Но однозначно, что на такой чарт будет влиять период, в котором делается срез (в quick ret rate период = 2).
РЕЗЮМЕ:
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
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 сильно отличающиеся размеры.
Так например, 9-я когорта по размеру в два раза меньше, чем когорта 2-я. - В периоде = 1 все когорты уже очень сильно размылись.
- Когорты размываются неоднородно, некоторые определенно быстрее.
Так например, 6-я и 7-я когорта ближе всего к полному размыванию.
Скрининг
Хотя Conditional Formating в Excel помогает уловить некоторые тренды, лучше рассчитать hard numbers.
Для быстрой оценки рассчитаем quick retention rate (retention rate на конец 2-го периода, т.е. по прошествии 3-х месяцев).
Quick retention rate. (Чтобы увеличить картинку, кликните по ней) |
Здесь я обычно начинаю задать себе вопросы о зависимостях, и чтобы ответить на каждый такой вопрос я строю график (Scatter Charts).
Вопрос 1. Есть ли прямая зависимость между размером когорты и ее quick retention rate?
Анализ: есть ли прямая зависимость между размером когорты и ее quick retention rate? (Чтобы увеличить картинку, кликните по ней) |
Как видно из чарта выше прямой зависимости между размером когорты и ее quick retention rate нет.
Так например, когорта за 8-й, 10-й и 5-й месяца имеют практически одинаковые размеры но при этом разные quick retention rate.
Вопрос 2. Есть ли прямая зависимость между датой зарождения когорты и ее quick retention rate?
Анализ: есть ли прямая зависимость между датой зарождения когорты и ее quick retention rate? (Чтобы увеличить картинку, кликните по ней) |
На чарте выше видно, что сезон создания когорты определенно влияет на quick retention rate. Просматриваются 3 кластера: {M1, M2, M3}, {M4, M5, M6, M7} и {M8, M9, M10, M11, M12}.
Сохранится ли такая кластеризация в более поздних периодах - это большой вопрос. Но однозначно, что на такой чарт будет влиять период, в котором делается срез (в quick ret rate период = 2).
РЕЗЮМЕ:
- Очевидно, что оба чарта будут различаться для продуктов с разным циклом потребления.
- Тем не менее, уже в нескольких проектах я замечал следующие патерны:
- в Q1, как правило, приходят самые долгоживущие клиенты.
- в Q2, как правило, приходят самые короткоживущие клиенты.
Comments
Post a Comment