«نرخ نگه‌‌داشت کاربر» چیست؟

حفظ یا نگه‌داشت کاربر به معنای استفاده مستمر یک کاربر (User) از یک محصول یا ویژگی است یا به عبارت دیگر توانایی یک شرکت یا محصول در نگه داشتن مشتری‌های خود در یک بازه زمانی مشخص. وقتی بخواهیم میزان نگه‌داشت را اندازه‌گیری کنیم، باید به طور دقیق تعیین کنیم که چه چیزی باید شمارش شود. در برخی موارد، Login کاربر مهم هست و آن را محاسبه می‌کنند، در جای دیگری بازدید یک تک صفحه (مثل صفحات Landing) یا در اکثر مواقع خرید محصول یا ثبت سفارش را مبنای اندازه‌گیری برای نرخ نگه‌داشت کاربر مدنظر قرار می‌دهند؛ که چون در اینجا فرآیند به پرداخت مبلغی توسط کاربر ختم می‌شود، گاها به جای User Retention از عبارت Customer Retention یا همان «نگه‌داشت خریدار» استفاده می‌کنند. معیار نگه‌داشت کاربر جزو معیارهای کلیدی و بسیار مهم است؛ زیرا این معیار ذاتی دارد که تحت تاثیر عوامل بیرونی نیست؛ بنابراین تبدیل می‌شود به معیاری قابل اعتماد، معتبر و قابل اتکا.

به عنوان کارشناس سرمایه‌گذاری در رهنما ونچرز، هر هفته با چندین استارتاپ جلسه داریم. در این میان دغدغه و اشکالات تکرارشونده زیادی را مشاهده می‌کنیم که اکثرا آنها توسط کارآفرین‌ها به درستی آدرس نمی‌شوند، محاسبه نمی‌کنند و در نهایت باعث می‌شود نتوانند استارتاپ‌شان را رشد دهند. در راستای KPIهای مهم و حیاتی کسب‌وکارها، قصد دارم مجموعه مقالاتی را بنویسیم و با شما به اشتراک بگذارم تا بتوانیم دید بهتری نسبت به این معیارها و درست سنجیدن آنها پیدا کنیم. این بار به سراع معیار سنجش بسیار مهم Retention رفته‌ام و مهم‌ترین مسائل مرتبط با آن را با مثال‌هایی شکافته‌ام.

یادگیری با مثال

اجازه دهید نرخ نگه‌داشت کاربر را با یک مثال یاد بگیریم. فرمول کلی User Retention Rate به شکل زیر است:

و اگر بخواهیم فرمول بالا را به زبانی ساده‌تر بیان کنیم به این فرمول می‌رسیم:

حال فرض کنیم ما یک فروشگاه آنلاین گل تحت نام «گُلیاتو» داریم. امروز 22 خرداد 1398 است و چند ماهی هست که از فعالیت‌مان گذشته و حالا می‌خواهیم نرخ نگه‌داشت خریداران را برای فروشگاه‌مان اندازه‌گیری کنیم. Time Frame یا بازه زمانی که می‌خواهیم اندازه‌گیری کنیم، یک ماهه هست. درواقع می‌خواهیم میزان بازگشت خریداران هر ماه را به نسبت ماه قبل آن اندازه‌گیری کنیم.

تصور کنیم که ما از ابتدای 1 فروردین تا پایان 31 فروردین در مجموع 6,500 سفارش داشتیم که توسط 5,000 مشتری منحصربه‌فرد (Unique Customer) ثبت و پرداخت شده است. عدد 5,000 می‌شود مبنای تعداد خریداران برای محاسبه Customer Retention Rate برای ماه اردیبهشت. یکی از اشتباهات رایجی که اتفاق می‌افتد این موضوع است که افراد به اشتباه به جای در نظر گرفتن مشتری منحصر‌به‌فرد تعداد کل سفارش‌ها را مبنا قرار می‌دهند.

حال تصور کنیم که ما از ابتدای 1 اردیبهشت تا پایان 31 اردیبهشت در مجموع 7000 سفارش داشتیم که توسط 4,500 مشتری منحصر‌به فرد ثبت شده است. از این 4,500 مشتری محنصر‌به‌فرد اردیبهشت، 4,000 مشتری قبلی ما هستند که در فروردین هم سفارش ثبت کرده‌اند؛ و 500 مشتری جدید دارید. پس با توجه به فرمول بالا، نرخ نگه‌داشت کاربران ما در ماه اردیبهشت به نسبت ماه فروردین به شکل زیر محاسبه می‌شود:

این یعنی 80% درصد خریداران ما دوباره باز می‌گردند و ثبت سفارش دوباره می‌دهند ( یا به عبارت دیگر، 20% از مشتریان ریزش (Churn) پیدا می‌کنند). به طور کلی هدف هر کسب‌وکاری ماکزیمایز کردن نرخ بازگشت کاربر است که عدد ایده‌آل آن 100% است؛ یعنی کل خریداران بازه زمانی قبلی دوباره به سیستم برگردند و دوبار ثبت سفارش دهند.

چرا باید نگه‌داشت کاربر را اندازه‌گیری کنیم؟

نگه‌داشت روی تک‌تک معیارهای اندازه‌گیری معناداری که ما اندازه‌گیری می‌کنیم تاثیرگذار است. وقتی نرخ حفظ مشتری، بالا باشد به معنی آن است که مشتری‌های محصول یا خدمات ما تمایل به بازگشت دوباره به آن را دارند؛ یا به عبارت بهتر محصول‌مان با نیاز کاربران هماهنگ است. در این حالت Product Market Fit اتفاق افتاده‌ست. اندازه‌گیری این معیار به ما نشانه‌های خوبی از رفتارهای مشتری می‌دهد و از طریق آن می‌توان روی زیرگروه‌های کاربری‌مان متمرکز شویم.

با یک مثال موفق جهانی ادامه مطلب را پیش می‌گیریم؛ در یک تحقیق که روی 1,432 شرکت SaaS انجام شد، بیش از 70% مدیران این استارتاپ‌ها اعلام کرده‌اند که جذب مشتری جدید اولویت اصلی آنهاست؛ و پس از آن در حدود 20% معتقد بوده‌اند که حفظ مشتری‌های قبلی را بالاترین اولویت خود بیان کرده‌اند. توجه داشته باشید که آن 70% نگفته‌اند که نگه‌داشت مشتری‌های فعلی را نمی‌خواهند، تنها اولویت‌بندی آنها متفاوت بوده است.

سال 2005 بود که شرکت Salesforce‌ به صورتی سخت و دردناک به اهمیت نگه‌داشت مشتری‌های فعلی پی برد. آنها متوجه شدند که نرخ ریزش (Churn Rate) شرکت‌شان به صورت ماهیانه 8% است؛ یا به عبارت دیگر نرخ نگه‌داشت مشتری آنها به صورت ماهیانه 92% است. در نگاه اول 92% به عنوان CRR ، عددی بسیار جذاب و خوبی برای یک کسب‌وکار محسوب می‌شود؛ اما در واقعیت 92% نرخ نگه‌داشت برای Salesforce یک فاجعه بود!

آنها متوجه شدند که اگر ریزش ماهیانه 8% داشته باشند بدین معناست که در پایان سال، سه چهارم از مشتری‌های ابتدای سال قبل خودشان را از دست داده‌اند. برای مثال اگر سال 2005 را با 1000 مشتری فعال شروع کنند و با نرخ ریزش 8 درصد ماهیانه پیش بروند آخر سال تنها 370 مشتری سابق آنها باقی مانده است و باید در طول سال 2005 ، 630 مشتری جدید ایجاد کرده باشند که تازه به آمار قبلی 1000 مشتری برسند.

کتاب Marketing Metrics به این موضوع اشاره دارد که احتمال فروش موفق به مشتری جدید در حدود 5 تا 20% است؛ این در حالیست که شانس فروش موفق به مشتری قبلی عددی در حدود 60 تا 70% است.

اشتباهات رایج در اندازه‌گیری نرخ نگه‌داشت کاربر

1. انتخاب بازه زمانی اشتباه: بازه زمانی یا همان Time Frame ایده‌آل برای شما کاملا به محصول و سرویس شما بستگی دارد. اگر شما کسب‌وکاری دارید که به خانواده‌هایی که می‌خواهند در تعطیلات به سفر بروند، سرویس رزرو هتل می‌دهد، بازه زمانی یک ساله برای سرویس شما معنا دارد، اما اگر محصول شما یک فروشگاه و پخش‌کننده آنلاین موسیقی مثل بیپ‌تونز است، پس باید بازه زمانی یک روزه به عنوان معیار Retention انتخاب کنید.

دقت در تعیین بازه زمانی مناسب اهمیت ویژه‌ای دارد که اگر درست اتفاق نیفتاد، اندازه‌گیری‌های شما معنادار نیست، در نتیجه شناخت اشتباهی از کسب‌وکارتان حاصل می‌کنید و در نهایت مسیری اشتباه در پیش می‌گیرید. چه بازه‌های زمانی کوتاه‌تر و چه بازه‌های زمانی بلندتر از Time Frame‌ ایده‌آل، منجر به خطا می‌شود.

فرض کنیم ما یک اپلیکیشن مربی ورزشی تحت عنوان «سلام باشگاه» داریم. حالت ایده‌آل این هست که کاربران هر روز درگیر تمرینات ورزشی بشوند و به واسطه آن به اپلیکیشن سلام باشگاه سربزنند. اما در دنیای واقعی، اکثر افراد یک روز درمیان تمرینات ورزشی انجام می‌دهند و یا در وهله دوم حداقل هفته‌ای یک بار. هر کدام از این بازه‌های زمانی را می‌توان مانیتور کرد و به عنوان KPI در نظر گرفت. اما بازه زمانی ماهانه برای کاربران چنین اپلیکیشنی اشتباه است.

بعد از چند ماه رشد بسیار کم اپلیکیشن سلام باشگاه، اعلام ورشکستگی می‌کنیم، می‌رویم سراغ استارتاپ بعدی‌مان. صنعت بیمه برای‌مان جذاب، بِکر و پر از فرصت‌های درآمدزایی به‌نظر می‌رسد و استارتاپ جدیدمان را تحت عنوان «هایپربیمه» راه‌اندازی می‌کنیم. از آنجایی که جنس مشتریان ما معمولا یک بیمه دارند و عموما بیمه سالانه تمدید می‌شود، پس بهترین بازه زمانی برای اندازه‌گیری نگه‌داشت خریداران، یک ساله است. و اگر مبانی بازه زمانی Retention را برای این استارتاپ‌مان 1 ماهه بگیریم، باز هم به راه اشتباه رفته‌ایم.

اردیبهشت 98 استارتاپی برای جذب سرمایه از طرف رهنما ونچرز اپلای کرده بود که فعالیت خود را حدودا از مهر 96 آغاز کرده بود. از این پلتفرم آنلاین درخواست Customer Retention Rate کرده بودیم. تیم کوفاوندرهای این استارتاپ، به دلیل شناخت نادرست از این KPI ، در محاسبات خود اشتباهات بزرگی انجام داده بودند. اولین اشتباه آنها، حذف نکردن مشتریان جدید در محاسبه CRR بود. دومین اشتباه آنها انتخاب بازه زمانی 13 ماهه بود؛ این درحالی بود که براساس نوع سرویس و Stage استارتاپ‌شان، بازه 3 ماهه به عنوان Time Frame مناسب بود. و در نهایت اشتباه آخرشان این بود که برای محاسبه CRR، خریداران 13 ماهه اخیر فعالیت‌شان را با خریداران بازه زمانی 6 ماهه فعالیت‌شان در 1396 مقایسه کرده بودند. در حالیکه هر دو بازه زمانی باید یکسان باشد.

2. انتخاب رویداد اشتباه: دومین اشتباه رایجی که صاحبان کسب‌و‌کار در محاسبه CRR مرتکب می‌شوند، انتخاب رویداد بازگشت به سیستم است. درواقع رویدادی که با اتفاق افتادن آن، می‌توان گفت کاربر قبلی ما دوباره به سیستم برگشته است. بسته به محصول شما، این رویداد می‌تواند لایک کردن یا کامنت گذاشت باشد، خواندن کامل یک پست متنی، آپلود عکس، خرید یک محصول، آپگرید پلن خریداری شده از پلن رایگان به پلن غیررایگان و خیلی موارد دیگر. ولی معمول‌ترین رویدادی که برای Retention درنظر گرفته می‌شود، تعداد خرید محصول/سرویس هر کسب‌وکار است.

3. انتخاب تنها یک Retention Rate: برای بسیاری از کسب‌وکارها می‌توان بیش از 1 معیار نگه‌داشت کاربر تعریف کرد اما بیشتر صاحبان کسب‌وکارها به تعریف و مانیتور کردن تنها یک معیار بسنده می‌کنند و دیگر معیارها از نورافکن آنها مخفی می‌مانند. برای مثال در پلتفرم‌های دوسویه (Two Sided Platforms) می‌توان برای هر دسته از کاربران این پلتفرم معیارهای Retention متفاوتی تعریف کرد.

4. درنظر گرفتن مشتری انصراف داده به عنوان مشتری ریزش پیدا کرده: در بیزینس مدل‌های مبتنی بر حق اشتراک یا همان Subscription Based، یکی از اشتباهاتی که اتفاق می‌افتد تمیز ندادن مشتری ریزش پیدا کرده (Churned Customer) با مشتری انصراف داده (Canceled Customer). به مشتریانی که دیگر حاضر نشده‌اند برای سرویس اشتراکی خود پرداخت کنند، مشتری Churn شده گفته می‌شود، در حالیکه به مشتریانی که تصمیم دارند ادامه اشتراک خود را متوقف کنند ولی هنوز اشتراک فعلی‌شان تمام نشده است، مشتری Cancel کرده اطلاق می‌شود. به عنوان نمونه، اگر استارتاپ ما، سرویس حق اشتراک ماهیانه ارائه می‌کند، اگر مشتری در هفته سوم اشتراکش تصمیم بگیرد که برای ماه بعد، اشتراک خود تمدید نکند، وی یک مشتری انصرافی محسوب می‌شود. بسته به نوع سرویس استارتاپ و مدت زمان اشتراک‌هایش، شانس اینکه یک مشتری انصرافی را به سیستم خود بازگردانید تا اشتراک خود را ادامه دهد.

البته ناگفته نماند این موضوع در کشورهای دیگر بیشتر اهمیت دارد و قابل پیگیری است. در ایران به دلیل وجود نداشتن سیستم پرداخت خودکار دوره‌ای (Recurring Payment System) برای استارتاپ‌ها سخت است که تشخیص دهند مشتریان آنها قصد انصراف دارند.

5. انتخاب بازه‌های زمانی غیر پشت سر هم: وقتی می‌خواهیم میزان Retention بازه زمانی n را محاسبه کنیم، تنها مجاز هستیم این بازه زمانی را با بازه زمانی n-1 مقایسه کنیم. فرض کنیم بازه زمانی مناسب برای کسب‌وکار ما، بازه‌های سه ماهه هست. اگر بخواهیم Retention Rate را برای سه ماهه زمستان محاسبه کنیم، باید به مشتریان منحصربه‌فرد سه ماه پاییز نگاه کنیم و بررسی کنیم چند درصد‌ آنها در سه ماهه زمستان همچنان مشتری ما بوده‌اند؛ نه تابستان و نه بهار.

6. احتساب مشتری ریزش پیدا کرده در Retention: بگذارید این اشتباه را با مثالی آغاز کنم؛ فرض کنید استارتاپی تحت عنوان «واش‌کار» وجود دارد که تخصص‌اش شست‌وشوی خودرو در محل است. بازه زمانی Retention Rate در این استارتاپ هم 1 ماهه تعیین شده است. حال، من به عنوان مشتری این استارتاپ، در تاریخ 25 فروردین برای شست‌وشوی خوردو درخواست سرویس می‌دهم. بنابراین جزو مشتری‌های جدید این استارتاپ در ماه فروردین محسوب می‌شوم. در 15 اردیبهشت برای بار دوم و از در 30 اردبهشت برای بار سوم از این استارتاپ سرویس دریافت کردم. در نتیجه در محاسبه Retention Rate ماه اردیبهشت من به حساب می‌آیم. اما در خرداد ماه به دلیل اینکه از ماشین از خانه خارج نکردم، نیازی به کارواش نداشته‌ام. در نتیجه این عدم درخواست سرویس، باید جزو آمار مشتری‌های Churn شده استارتاپ واش‌کار در ماه رخداد محسوب شوم.

در 4 تیر ماه برای بار چهارم از این استارتاپ درخواست سرویس می‌دهم. با وجود آنکه مشتری قدیمی این استارتاپ بوده‌ام و در ماه‌های فروردین و اردیبهشت سرویس گرفته‌ام ولی چون خرداد درخواست سرویس کارواش در محل نداشتم و Churn شده بودم، تیم مدیریتی استارتاپ واش‌کار در محاسبه Retention Rate ماه تیر باید من را جزو مشتری‌های جدید حساب کند.

معیارهای مهم مرتبط با Retention Rate

در کنار معیار نرخ نگه‌داشت کاربران که تا الان توضیح دادیم، چندین معیار دیگر وجود دارد که هر کدام اهمیت خودشان را دارند. این معیارها به شرح زیر هستند:

1. نرخ ریزش (Churn Rate): این معیار دقیقا مکمل معیار Retention Rate‌ است. استارتاپی که نرخ نگه‌داشت کاربرش %85 است، نرخ ریزش 15% ای دارد.

2. نرخ ارتقاء (Upgrade Rate): در برخی از کسب‌وکار و استارتاپ‌ها، سرویس، محصول یا ویژگی‌هایی که ارائه می‌کنند دارای سطرح قیمتی مختلف هستند که براساس نیاز و پول خود می‌توانید Plan یا سطح مناسب خود را خریداری کنید. در این کسب‌وکارها بحث معیاری به میان می‌آید تحت عنوان Upgrade Rate و بیانگر تعداد خریدارانی است که با پرداخت مبلغ بیشتری سطح سرویسی را که در حال استفاده از آن هستند را به سطحی بالاتر ارتقاء می‌دهند.

محاسبه این نرخ به این صورت انجام می‌پذیرد که در بازه زمانی تعریف شده، تعداد افرادی را که سرویس خود ارتقاء داده‌اند، به کل افراد سطح قبلی، ضربدر 100.

همان استارتاپ گلیاتو که بالاتر آن را مثال زدیم را دوباره درنظر بگیرید؛ تصور کنید این استارتاپ سرویس اشتراک دوره‌ای (Subscription) گل دارد که در هر بار خرید اشتراک آن، هفته‌ای یک بار و به مدت 4 هفته، دسته گل برایتان ارسال می‌کند. فرض کنیم این استارتاپ دارای دو سطح قیمتی A و B برای سرویس دوره‌ای خود است که گل‌های سطح A ارزان‌تر از سطح B هستند. این استارتاپ در فروردین ماه 200 خریدار Plan A داشته‌اند که در طول ماه، از کل این 200 مشتری، 12 نفر، سرویس خود را به پلن سطح B ارتقاء داده‌اند. بناراین نرخ ارتقاء به شکل زیر محسابه می‌شود:

3. میانگین زمان ریزش (Mean Time Churn): معیار دیگری که در رابطه با Retention معنا دارد، میانگین زمان ریزش یا همان Churn کاربران است. زمان ریزش عبارت است از زمانیکه یک Customer جدید در سیستم به وجود می‌آید تا زمانیکه سیستم را ترک می‌کند، یا رها می‌کند، یا حتی سطح سرویس خود را به سرویسی پایین‌تر Downgrade می‌کند.

تحلیل کوهورت - بهترین روش تحلیلی برای Retention

وقتیکه می‌خواهید به صورت مختصر وضعیت Retention کاربران‌تان را به کسی بگویید، مثلا به سرمایه‌گذاران ارائه کنید، استفاده از فرمول‌ها و اطلاعات برخی مواقع بالا کافیست. اما وقتیکه واقعا می‌خواهید روی کسب‌وکار خود تجزیه و تحلیل انجام دهید، براساس آنالیز به اطلاعات مناسبی دست پیدا کنید و از طریق استراتژی درست کسب‌وکارتان را رشد دهید، فرمول Retention Rate دیگر کافی نیست. بهترین روش، استفاده از Cohort Analysis است.

ابتدا با تعریف تجزیه و تحلیل کوهورت آشنا شویم: «تجزیه و تحلیل کوهورت زیرمجموعه‌ای از تحلیل‌های رفتاری (Behavioral Analytics) است که به جای اینکه تمام کاربران را به صورت یک واحد ببیند، آن‌ها را برای تجزیه و تحلیل به دسته‌های مرتبط تقسیم‌بندی می‌کند. این دسته‌های مرتبط یا ‌همان کوهورت‌ها، معمولا در مدت زمانی مشخص، از ویژگی‌ها و تجریبات مشترکی برخوردار هستند. تجزیه و تحلیل کوهورت به شرکت اجازه می‌دهد تا «الگوهای چرخه عمر یک مشتری (یا کاربر) را به وضوح مشاهده کند. به جای اینکه تمام مشتریان را بدون درنظر گرفتن اینکه چه مسیری را طی کرده‌اند تقسیم کند». یکی از ساده‌ترین کوهورتی که می‌توان درنظر گرفت، کاربرانی هستند که در یک روز ثبت‌نام کرده‌اند. کاربرانی که روز بعد ثبت‌نام کنند، کوهورت دیگری تشکیل می‌دهد. در اینجا «روز ثبت‌نام» را به عنوان ویژگی مشترک درنظر گرفته‌‌ایم و افراد با روز ثبت‌نام مشترک را در یک دسته یا کوهورت قرار داده‌ایم.

چرا تحلیل کوهورت؟

در رهنما ونچرز با تعداد زیادی کسب‌وکار در ارتباط هستیم؛ از استارتاپ‌هایی که تازه شروع کرده‌اند تا استارتاپ‌ها بزرگ یا حتی SMBها. در تحلیل این کسب‌وکارها به نکات جالبی روبرو شدیم که بینش‌های مفیدی به ما می‌دهد؛ یکی از این بینش‌ها، ارتباط صاحبان کسب‌وکار با تحلیل داده‌هاست. با وجود آنکه تحلیل داده‌ها برای رشد کسب‌وکار حیاتیست، ولی کارآفرین‌ها به دلایل مختلف از آن دوری می‌کنند. این دو مورد جزو شایع‌ترین دلایل آن است:

1. کمبود منابع زمانی و فنی: اکثر صاحبان کسب‌وکار و مارکترها، زمان و منابع اندکی برای تحلیل داده‌ها دارند. آنها خیلی درگیر کسب‌وکارشان و رشد آن هستند. جالب است بدانید یکی از کارآفرین‌های خارجی در وصف استفاده از داده‌ها و تحلیل‌‌هایش گفته است:

«تحلیل داده‌ها برای یک کسب‌وکار به مثابه بیرون کشیدن پیانو از یک اتاق در حال سوختن است؛ داشتن تحلیل داده‌ها زیبا و کارآمد است، ولی من اولویت‌های دیگری دارم.»

تحلیل داده موضوعیست که تبحر پیدا کردن در آن زمان‌بر است. روز اول نمی‌توان بینش خوبی در سریع‌ترین زمان از دیدن داده‌ها پیدا کنید. در طول زمان و با کلی سروکله زدن با تحلیل‌های مختلف، کم‌کم سرعت‌تان در تحلیل بالا می‌رود و بر درستی تحلیل‌تان افزوده می‌شود.

2. معیارهای بیهوده: معیارهای سنجش بیهوده یا همان Vanity Metrics به شما حال خوبی در مورد کسب‌وکارتان می‌دهد، ولی در واقعیت کمکی به تصمیم‌های بیزینسی شما نمی‌کنند؛ به همین دلیل است که به آنها معیارهای بیهوده می‌گویند. ضرر سروکله زدن با معیارهای بیهوده وقتی به اوج‌اش می‌رسد که اگر به طور کل روی داده‌ها تحلیلی انجام ندهید، اوضاع بهتری نسبت به وقتی دارید روی معیارهای سنجش بیهوده تحلیل انجام می‌دهید! شاید این حرف من برای‌تان عجیب به‌نظر برسد ولی در اکثر مواقع تحلیل معیارهای بیهوده نه‌تنها زمان شما را تلف می‌کنند، بلکه باعث می‌شوند که بینش (Insight) اشتباهی از تحلیل این معیارها به دست بیاورید و در نهایت تصمیم‌های اشتباهی بگیرید!

تصور کنید که وب‌سایتی دارید که تعداد New Sessions آن ناگهان دوبرابر می‌شود. خب تا اینجای کار همه چی خوب به‌نظر می‌رسد. ولی آیا این بدین معناست که اوضاع کسب‌وکارتان خوب است؟ اگر با افزایش تعداد New Sessions نرخ بازگشت کاربران افزایش پیدا نکند چه؟ یا حتی اگر نرخ آن کاهش پیدا کند معنای آن چیست؟ این یعنی حال کسب‌وکارتان با وجود بهتر شدن تعداد New Sessions ، اصلا خوب نیست.

اینجاست که تحلیل کوهورت (Cohort Analysis) به کمک ما می‌آید تا از دو مشکل بالا رهایی پیدا کنیم؛ محدودیت زمان و تحلیل اشتباه حاصل از معیارهای سنجش بیهوده. در مقاله‌ای دیگر به معیارهای سنجش بیهوده خواهم پرداخت.

مثالی از تحلیل کوهورت

حال صحبت در مورد تجزیه‌وتحلیل کوهورت را با مثالی بسیار ساده ادامه می‌دهیم:

در مثال بالا، ما با 6 کوهورت مواجه هستیم؛ درواقع کاربرانی که اولین ویزیت‌شان از سایت ما در یک هفته مشترک است را در یک کوهورت قرار گرفته‌ایم. در این بازه 6 هفته‌ای در مجموع 4.8 میلیون بازدیدکننده محنصربه‌فرد داشتیم.

بریم سراغ تحلیل کوهورت اول یا همان ردیف 21 تا 27 آوریل:

• از این 4.8 میلیون کاربر، 712 هزار کاربر در فاصله 21 تا 27 آوریل اولین ویزیت‌شان را انجام داده‌اند (هفته صفر)
• از این 712 هزار، تنها 2.67% شان هفته یکم (یعنی بازه 28 آوریل تا 4 می) دوباره به سایت برگشته‌اند
• همچنین از همان 712 هزار، 1.54% آنها که در بازه 28 آوریل تا 4 می، به سایت سر نزده‌اند، اما در هفته دوم بازگشته‌اند.
• و همین طور تا آخر که هفته 6 ام می‌رسم (ستون آخر سمت راست)؛ از 712 هزار کاربر، 0.28% آنها در فاصله هفته‌های اول تا پنجم به سایت نیامده‌اند ولی در هفته 6 ام به سایت برگشته‌اند.

خب، اگر ردیف رنگی اول را جمع بزنیم، به عدد 7.64% می‌رسیم؛ یا به عبارتی دیگر از 100% کاربران بازه 21 تا 27 آوریل که 712 هزار کاربر منحصر به‌فرد بوده‌اند، تنها 7.64% در فاصله زمانی 6 هفته‌‌ای به سایت برگشته‌اند و مابقی Churn شده‌اند.

همین تحلیل بالا را می‌توانیم روی ردیف‌های بعدی (کوهورت‌های بعدی) نیز انجام دهیم. و اگر بخواهیم تحلیل سطح بالاتری داشته باشیم، می‌توانیم به سطح All Users دقت کنیم. در این ستون به طور میانگین، میانگین نرخ بازگشت کاربران در هفته‌های آتی پس از اولین بازدیدشان را نشان می‌دهد. به عنوان مثال، به طور میانگین 2.66% از کل کاربران هر هفته وب‌سایت ما، در هفته اول به وب‌سایت بازگشته‌اند، 1.29% آنها در هفته دوم، 1% در هفته سوم و همین‌طور تا آخر.

اما تحلیل‌های جالب دیگری از جدول بالا می‌توان داشت. بیایید نگاهی به ردیف 12 تا 18 ماه می داشته باشیم؛ در این هفته ما 920 هزار کاربر جدید داشته‌ایم و یک جهش جدی نسبت به 3 هفته قبل مشاهده می‌کنیم. خب تا اینجا جای کارمان خوب بوده است که توانسته‌ایم نسبت به به طور میانگین 25% کاربر بیشتری جذب کنیم.

اما در همان ردیف به ستون Week 1 نگاه کنیم. تنها 2.28% از این 920 هزار کاربر در هفته دوم به سایت برگشته‌اند و این یعنی نسبت میزان بازگشت به سایت کاربران این هفته نسبت به هفته‌های قبلی پایین‌تر است ( در راستای همان بحث معیارهای سنجش بیهوده). این نرخ بازگشت به سایت کاربران در هفته اول، برای 720 هزار کاربری که در بازه زمانی 26 می تا 1 ژوئن (ردیف آخر) از وب‌سایت ما بازدید کرده‌اند، بدتر می‌شود و 1.04 درصد می‌رسد که عددی بسیار پایین و افتضاح محسوب می‌شود.

جدول پایین مربوط به آمار وب‌سایتی دیگر است. اگر این جدول را با جدول بالا مقایسه کنیم نسبتا آمار بازگشت کاربران بهتری دارد؛ حتی میانگین‌های بازگشت کاربران هر کوهورت به ازای هر هفته، نزدیک به هم هست که نشانگر متعادل بودن کاربران جذب شده به وب‌سایت است:

یکی از بهترین جاهایی که از تحلیل کوهورت می‌توان استفاده کرد، سنجش کارایی کمپین‌های مارکتینگی است. اما همیشه این موضوع را پس ذهن خود داشته باشید که بهبود آمار در زمان Run شدن یک کمپین مارکتینگی اتفاق می‌افتد، یک مساله همبستگی (Correlation) است و الزاما به مساله علیتی (Causation) تبدیل نمی‌شود؛ به زبانی ساده دلیل بهبود آمار شما می‌تواند دلایل دیگری داشته باشد و اجرا کردن کمتر هیچ بازدهی نداشته است. تنها در صورتیکه با تکرار کمپین به نتایج بهبود مشابه رسیدید، می‌توانید آن را به صورت Causation ای در نظر بگیرید و تحلیل کنید.

سخن پایانی

وقتی Retention Rate پایین باشد، نشانه خوبی برای کسب‌وکار شما نیست؛ یا به عبارت دیگر، کاربرانی که حاضر شده‌اند حداقل یک بار از سرویس یا محصول شما استفاده کنند یا حتی بابت آن پول پرداخت کنند، به هر دلیلی راضی نشده‌اند که بخواهند دوباره برگردند. پس دلایل ریزش (Churn) آنها اهمیت ویژه‌ای پیدا می‌کند.