Retention curve - вчерашний день аналитика

Я давно хотел написать этот пост про retention curve (кривую удержания).

Дело в том, что современная клиентская аналитика развивается очень быстро. SaaS компаний с инструментами аналитики достаточно много. Но не каждая смогла сделать значимый вклад в новые подходы к аналитике.

Тем не менее, для себя я могу выделить следующие компании, которые сильно повлияли на мое видение аналитики и на мой подход к онлайн-маркетингу через аналитику. Итак,
И вот в 2016 году я познакомился с think-tank компанией Amplitude.com.

Мое глубокое убеждение в том, что компания предоставляющая аналитический продукт не удержит свои позиции, если будет просто создавать еще один продукт (даже если он будет немного быстрее и удобнее). Аналитическая компания должна искать новые способы выжать больше инсайтов из данных, отобразить суть происходящего коротко и предельно ясно.

Так вот сегодня я хочу продолжить тему тунельного зрения в большинстве компаний. Существует мнение, что задаваться такими вопросами как например ниже - это пустая трата времени.
  1. почему мы анализируем вопрос Х используя эту метрику Y?
  2. как можно усилить качество существующей метрики Y?

Я думаю, к 2017 году уже многие аналитики слышали и/или сталкивались с таким понятием как когорта.

И один из способов визуализации когорты - это retention curve (кривая удержания).
Retention curve. Source: amplitude.com
Эта кривая позволяет ответить на 3 важных вопроса:
  • какой темп размывания вашей когорты?
  • когда отток стабилизируется?
  • какой lifetime вашей когорты?

Но обладая такими существенными плюсами эта кривая также обладает некоторыми важными недостатками.

Первый недостаток: 

анализировать одну когорту просто. Но когда бизнесу 24+ месяца, то работать с когортами уже неудобно - их много. А сравнивать их иногда и бесполезно - менялся продукт, механики активации/удержания, новые тарифы, новые каналы трафика и т.д.

Второй недостаток: 

retention curve сводит вместе клиентов на разных этапах жизненного цикла. Ранние точки (слева) - это новые клиенты, средние точки - это активные клиенты ну крайние точки справа - это старые клиенты, вероятно уже уходившие и возвращавшиеся.

Опыт подсказывает нам, что клиент слева и справа retention curve это не одно и тоже. "Возраст" внутри бизнеса и вклад в бизнес у них очень разные. А потому, весьма вероятно, что и LTV у них будут отличаться на порядки.

Тем не менее, многие аналитические компании предлагают строить однотипные retention curves, давая аналитику в руки лишь инструмент по сегментации retention curves по дате регистрации, каналу привлечения, среднему чеку и т.д. Что на самом деле помогает только опытным аналитикам и размывает фокус у новичков.

И вот Amplitude решилась сказать вслух, что классический подход на основе retention curve морально устарел! 
Customer's life-cycles. Source: amplitude.com
Правильно смотреть на клиентскую базу не в целом, а через призму клиентских циклов.
  1. Каждый цикл фокусируется на части клиентов логически разнесенных во времени и ставит перед собой одну-две (в редких случаях 3) четкие задачи.

  2. Метрики внутри цикла уже не смешивают новых, активных и ушедших клиентов. Диагностика бизнеса как и принятие решений становится более быстрым и намного более точным. Появляется фокус на клиенте.
Хотя, на самом деле, эта идея не нова и Jim Novo писал о ней в своей книге еще в далеком 2004(!) году. 

Я думаю, что в ближайшие 2-3 года, продвинутые компании перейдут на циклы, добавят к ним machine learning алгоритмы и выйдут на новый уровень понимания и работы с клиентами.

А вы готовы работать с клиентскими циклами (customer life-cycles)?

P.S. Короткий пост Amplitude об этом можно прочесть здесь:
https://amplitude.com/blog/2016/11/02/retention-lifecycle-framework

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