Отрицательный отток (negative churn)

Продолжаем разговоры про churn rate.

Отрицательный отток — это условное выражение, под которым подразумевается не то, что вы перестали терять деньги уходящих клиентов, а то, что старые клиенты, которые не ушли, докупают новых услуг на сумму большую, чем составляют потери от ушедших.

Существует два способа достижения отрицательного оттока:

1. использовать схему оплаты, где стоимость услуги для клиента зависит от активности использования продукта (количество просмотров страниц, кол-во пользователей и тд). Тогда с ростом активности использования продукта будет расти и сумма выплат от клиентов.

2. Заниматься кросс-продажами и допродажами для существующих клиентов (продавать более дорогую версию вашего продукта или смежные продукты имеющимся клиентам).

Для того, чтобы продемонстрировать мощь негативного оттока (negative churn) давайте рассмотрим графики ниже, где для каждой когорты клиентов слева мы имеем отток в денежном эквиваленте (churn) на уровне 3%, а для когорт клиентов справа имеем отрицательный отток (negative churn) на уровне -3%.

Когорта – это конкретная группа клиентов. Для SaaS бизнеса чаще всего клиентов бьют по когортам в соответствии с месяцем, когда они подключились. В графике ниже отдельный цвет используется для каждой отдельной когорты (пользователи, которые пришли в соответствующий месяц).

На левом графике мы теряем 3% выручки с конкретной когорты клиентов каждый месяц, и при постоянном притоке новых клиентов мы достигаем выручки в 140 тысяч долларов в месяц спустя 40 месяцев. При этом темпы роста замедляются и кривая нашего дохода выполаживается.

На правом графике мы тоже теряем клиентов (churn клиентов), но оставшиеся пользователи компенсируют потери благодаря росту стоимости продукта для них или продаже им дополнительных продуктов. В итоге с отрицательным оттоком (negative churn) мы спустя 40 месяцев достигнем выручки в 450 тыс. долларов, а темпы роста все еще продолжают расти.

Когортный анализ churn

Отток клиентов vs отток доходов (Revenue Churn vs Customer Churn)

Отток можно мерить в клиентах (тут он всегда будет положительным) или в деньгах (здесь необходимо стремиться к отрицательному оттоку).

Вам может показаться странным, почему необходимо следить за каждой из этих метрик. Приведу пример. Представьте, что у вас есть 50 небольших компаний клиентов со стоимостью подписки 100 долларов в месяц и 50 крупных корпораций со стоимостью подписки 1 000 долларов. Всего у нас 100 клиентов, а MRR (Monthly Recurring Revenue — регулярный месячный доход) составляет 55 тыс. долларов. А теперь представьте, что на следующий месяц вы теряете 10 клиентов. 9 из них платили по 100 долларов, а один – 1000 долларов. Отток клиентов (Customer Churn) составит 10%, а отток прибыли всего 3,4%.

В итоге эти 2 показателя могут достаточно сильно различаться, но полезно знать каждое из них для понимания происходящих процессов(прим.: в таких случаях полезно сегментировать аудиторию).

Предоплата за длительный период

Оплата сервиса наперед является хорошей идеей, особенно если она не влияет негативно на количество новых клиентов. Такое решение поможет частично решить проблему больших убытков на первых этапах жизни компании. Стимулировать такое поведение можно скидками.

Оплата услуг вашей компании клиентом на несколько месяцев вперед также снижает отток (churn), так как клиент, который уже оплатил существенную сумму денег, с большей вероятностью потратит свое время и силы, чтобы на должном уровне разобраться с сервисом.

Но надо понимать, что требование от клиента оплатить подписку на более длительный срок, отпугнет часть из них. Несмотря на большое количество бонусов такого подхода, необходимо проверять его применимость для каждого конкретного случая.

Источник: Go practice!

Data Scientist # 1

Машинное обучение, большие данные, наука о данных, анализ данных, цифровой маркетинг, искусственный интеллект, нейронные сети, глубокое обучение, data science, data scientist, machine learning, artificial intelligence, big data, deep learning

Данные — новый актив!

Эффективно управлять можно только тем, что можно измерить.
Copyright © 2016-2021 Data Scientist. Все права защищены.