У меня плохие когорты - что мне делать?

Сегодняшним постом я начинаю серию заметок о продуктовой аналитике. Сегодня мы поговорим о том, что делать, когда общая картина ваших когорт выглядит не очень, но не совсем понятно, что с этим делать.

Итак, вы продуктовая компания. У вас, как и в любом бизнесе, есть этап привлечения клиентов. Обычно этому этапу компания посвящает больше всего времени. Так происходит потому, что на этом этапе компания явно и активно тратит деньги в маркетинг, а потому ТОП-менеджмент хочет четко понимать, есть ли там ожидаемый прирост дохода и положительный ROI.

Но, после привлечения клиентов работа маркетолога-продуктолога не заканчивается, а только начинается. Почему?

Ниже перед вами чарт с когортами клиентов.

Buyers cohorts.

Мы видим, что привлеченные когорты вяло переходят в следующий период. Так, в среднем, с нулевого периода в первый переходит только 34% всех привлеченных клиентов. И хотя некоторые клиенты могут активироваться просто позже (например сделать свою повторную покупку, скажем, в пятом периоде) это всего лишь возможность, а не факт.

В целом из-за такой вот неравномерности клиентов внутри каждой ячейки (кто-то, например, сделал вторую покупку, а кто-то 10-ю) я очень лимитировано использую когорты.

Раз когорты здесь не сильно полезны, давайте искать другие инструменты, чтобы посмотреть на наших клиентов и их поведение под другими углами.

Итак, перед вами Life-Cycle Grid построенный по табличке транзакций пользователей.

Ось Х: здесь клиенты раскладываются по ячейкам исходя из того, сколько времени прошло с момента своей последней покупки до сейчас. Эта ось называется Recency.

Ось Y: здесь клиенты раскладываются по ячейкам исходя из того, сколько покупок они совершили до сейчас. Эта ось называется Frequency.

Life-Cycle Grid: by buyers.

Из таблицы мы видим, что в нашем бизнесе как минимум 34% всех транзакций это one-time buyers.

Почему как минимум?

Да потому, что в крайнем справа столбце с Recency 0-30 есть новые клиенты [R: 0-30, F: 1] у которых еще не было достаточно времени, чтобы проявить себя.

Если этот столбец убрать, то картина будет выглядеть вот так (% one-time buyers = 37%):

Life-Cycle Grid: without "fresh" buyers.

По моему опыту в e-commerce проектах % one-time buyers колеблется от 40-60%.

Мы сейчас не будет касаться темы как можно было бы возвращать уходящих one-time buyers (сдвигаются влево по оси X). Вместо это мы зададимся вопросом, как активировать новых клиентов и собственно почему шкала Recency в первой колонке 0-30 дней.

Мой первый ответ заключается в том, что так очень удобно выравниваться на финансовое планирование, которое, как правило, помесячное. Но, все же это слабый аргумент.

Очевидно, что здесь очень многое зависит от цикла использования продукта. Если это, например холодильник, то не стоит рассчитывать, что купивший холодильник клиент купит его еще раз через 30 дней. Однако, зачастую клиент, купивший одну вещь имеет неплохие шансы купить еще одну вещь у вас. А потому смотреть на некий промежуток между первой и повторной покупкой точно резонно.

Поэтому вопрос трансформируется в следующий: какой период является оптимальным для совершения повторной покупки?

Для этого давайте построим Activation Matrix (FI-матрица).

Ось Х: здесь клиенты раскладываются по ячейкам исходя из того, сколько покупок они совершили до сейчас.

Ось Y: здесь клиенты раскладываются по ячейкам исходя из порядкового номера совершенной покупки.

p_lag (avg): это метрика, которая рассчитывает среднее время между покупками. Это метрика часто называется Latency.

Activation Matrix.

Возможно вы удивлены тем, что для клиента который сделал две покупки (F_buy = 2), индекс второй покупки = 1. Почему?

Я, как правило, индексирую целевые действия начиная с нуля. Как я упоминал уже ранее, немалое количество клиентов совершают всего одно целевое действие (в данном контексте - покупку). Мне же больше интересны повторные целевые действия клиента и, собственно, p_idx = 1 говорит мне, что этот клиент совершил одно повторное целевое действие (т.е. совершил одну повторную покупку).

Итак, ранее я упомянул, что шаг в 30 дней по Recency просто удобен для выравнивания на фин. отчетность. Сейчас мы уже готовы сказать разумно ли было ставить такой шаг по Recency в Life-Cycle Grid.

Мы видим, что, в среднем, вторую покупку клиент совершает через 23 дня. Это информация дает нам два сигнала:
  1. Шаг Recency 0-30 достаточный, чтобы дождаться совершения второй покупки средним клиентом. Если бы результат был бы например 50 дней, то однозначно стоило бы изменить начальный шаг Recency в сторону увеличения.
  2. Все-таки клиент совершает в среднем следующую покупку раньше на 7 дней, а потому когда мы захотим начинать активировать клиента на вторую покупку, то ждать 30 дней несколько рискованно. Ведь, чем дольше мы бездействуем, тем "холоднее" становится клиент и шансы на его активацию сильно уменьшаются.
И хотя кажется, что мы уже нашли ответ на вопрос, останавливаться все же еще рано.

Дело в том, что среднее арифметическое может быть весьма обманчивым. Выбросы (outliers) могут очень сильно завысить (или занизить) его значение. Поэтому, очень рекомендуется оценить распределение выборки. 

F2: p_lag distribution.

Итак, посмотрев на данные мы находим, что некоторые клиенты решались на вторую покупку через 1,645(!) дней, т.е. через 4.5 года. Очевидно, что такие данные сильно искажают наше среднее.

Давайте увеличим этот график и посмотрим подробно на распределение Latency за 30 дней.

F2: p_lag distribution limited by 30 days.

Из чарта выше становится ясно, что 23 дня это все же очень не оптимальная оценка, которая сильно смещена вправо из-за длинного хвоста.

Более реальными будут такие оценки:
  • ~80% перцентиль: 10 дней между первой и второй покупкой
  • ~50% перцентиль (медиана): 4 дня между первой и второй покупкой.

Какой оценке отдать предпочтение зависит от цели и финансовой доктрины:
  • Если вы планируете делать финансовую инициативу (например скидку на вторую покупку), то выбрав 80% перцентиль вы минимизируете расходы на эту инициативу и т.о. образом максимизируете прибыль этой инициативы, т.к. большинство клиентов уже совершило свою повторную покупку.
  • Если вы планируете делать финансовую инициативу выбрав медиану, вы максимизируете оборот (не прибыль), т.к. немалая часть клиентов еще бы купила сама по себе, хотя и позже.

Возвращаясь к теме медианы: для нас, маркетологов-продуктологов - это недвусмысленный сигнал, что времени у нас на раскачку практически нет. 

С одной стороны, необходим системный запуск механики по реактивации уже на 5й день после первой покупки. И хотя это маркетингово-коммуникационная задача, продукт все же может здесь очень здорово помочь.

С другой стороны, необходим подробный анализ того, какие user actions клиента за эти 4 дня приводят его к пониманию ценности продукта и последующему регулярному использованию продукта.

Нахождение переломных точек пользования продуктом (aha-момент), их анализ и направление других пользователей через них - ключевая задача продакта.

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