Как с помощью когортного анализа повысить конверсию

Использование когортного анализа в разных направлениях маркетинга

Суть когортного анализа в том, что он наглядно демонстрирует изменения поведения группы в течение какого-то времени. Что нужно определить перед его выполнением? Какие данные содержит когортный анализ аудитории?

1. Общий критерий или качество, единое для всех членов когорты.

2. Величина группы – время формирования когорты.

3. Отчётное время– период наблюдения за изменениями поведения людей в когорте.

4. Критерий, которым в конечном счете будут оперировать.

Составление прогноза LTV

Под пожизненной ценностью клиента или LTV понимают сумму денежных поступлений от какого-то конкретного человека за все время пользования вашим сервисом. Только вряд ли кто соберется предсказать, сколько времени данный человек будет покупать ваши продукты или пользоваться услугами. Но этот показатель имеет значение для расчета инвестиций в рекламу и маркетинг.

Возможно ли прогнозирование LTV при помощи когортных исследований? Безусловно! Вот как это делается:

• Определяете когорту, члены которой произвели оплату в конкретный месяц, например, пусть будет январь 2020 г.

• Смотрите, как долго продолжаются оплаты от этой когорты.

• Для удобства все цифры собираете в таблице и рассчитываете данные за каждый месяц, для чего всю поступившую сумму дохода делите на численность группы.

• В завершение отчета выводите медиану покупателей, входящих в разные когорты, за предыдущие периоды – это помогает оценке прогноза LTV.

Сравнение каналов поступления клиентов

Когортный анализ помогает определить, какие источники приводят более ценных клиентов и разработать дальнейшую стратегию в плане вложения денежных средств в рекламу. Поясним с помощью примера:

• в общую когорту вписывают всех, кто посещал онлайн-площадку в определенный период времени;

• группа делится на сегменты в зависимости от канала привлечения;

• делают сравнительный анализ по месяцам коэффициентов удержания и повторных заказов;

• в зависимости от коэффициента выявляют самые перспективные источники, поставляющие лояльных к вам клиентов.

Для расчета коэффициента применяются следующие формулы:

Коэффициент удержания клиента = ((Число покупателей в конце периода − Число покупателей, привлеченных за период) / Число покупателей на дату начала отсчета времени

Коэффициент повторных покупок = Число купивших повторно / Общая численность покупателей

Оценка ROI рекламы

Конечно, если бы клиент, едва зайдя на страницу сайта, сразу делал покупки, мы бы с вами не знали горя! Однако это не так. Человек сначала изучает информацию, затем уже принимает решение покупать или отложить на потом. Бывает, что этот период слишком затягивается, поэтому становится трудно оценить эффективность рекламной кампании. Или выводы бывают слишком поспешными и неверными. Использование когортного анализа помогает оценить эффективность рекламы:

• Определяется группа людей, которые откликнулись на одну рекламу.

• Высчитывается показатель эффективности рекламного канала.

• Делается анализ динамики за несколько месяцев.

Оценка эффективности медиаисточников

Специалисты, которые анализируют работу мобильных приложений, часто сталкиваются с такой проблемой: довольно легко можно посчитать количество скачиваний, но неизвестно, откуда пришел поток наиболее активных клиентов. Как это узнать? Проблема решается с помощью когортного анализа. Посмотрите на примере:

• Выделяют группу людей, которые используют интересующую вас версию мобильного приложения.

• Затем ее разделяют на сегменты в зависимости от того, по какому каналу пришел клиент.

Проведение А/Б-тестов

Сопоставление данных по А/Б-тестам не представляет из себя ничего сложного. Во-первых, производят замену необходимого элемента на своей онлайн-площадке, делают дубль страницы с каким-либо одним изменением, пользователей информируют об этом и наблюдают за динамикой эффективности. Но долгосрочный анализ такими тестами проводить не удастся. Лучше воспользоваться когортным исследованием

Таким образом, например, тестируют внимание посетителей к обновленным кнопкам на лендинге:

• Выделяют какой-то период на тестирование, затем в одной группе объединяют тех, кто в первый раз перешел на обновленную версию сайта.

• В другую собирают людей, которые продолжали пользоваться старым сайтом.

• Анализируем показатели эффективности.

Что объясняет регрессия?

 
Прежде, чем мы приступим к рассмотрению функций MS Excel, позволяющих, решать данные задачи, хотелось бы вам на пальцах объяснить, что, в сущности, предполагает регрессионный анализ. Так вам проще будет сдавать экзамен, а самое главное, интересней изучать предмет.

Будем надеяться, вы знакомы с понятием функции из математики. Функция – это взаимосвязь двух переменных. При изменении одной переменной что-то происходит с другой. Изменяем X, меняется и Y, соответственно. Функциями описываются различные законы. Зная функцию, мы можем подставлять произвольные значения X и смотреть на то, как при этом изменится Y.

 
Это имеет большое значение, поскольку регрессия – это попытка объяснить с помощью определённой функции на первый взгляд бессистемные и хаотичные процессы. Так, например, можно выявить взаимосвязь курса доллара и безработицы в России.

 
Если данную закономерность обнаружить удастся, то по полученной нами в ходе расчетов функции, мы сможем составить прогноз, какой будет уровень безработицы при N-ом курсе доллара по отношению к рублю.

Данная взаимосвязь будет называться корреляцией. Регрессионный анализ предполагает расчет коэффициента корреляции, который объяснит тесноту связи между рассматриваемыми нами переменными (курсом доллара и числом рабочих мест).

Данный коэффициент может быть положительным и отрицательным. Его значения находятся в пределах от -1 до 1. Соответственно, мы может наблюдать высокую отрицательную или положительную корреляцию. Если она положительная, то за увеличением курса доллара последует и появление новых рабочих мест.

Выбор модели мы делаем в зависимости от того, какая регрессия будет соответствовать конкретно нашему случаю, какая модель будет максимально близка к нашей корреляции. Рассмотрим это на примере задачи и решим её в MS Excel.

Линейная регрессия в MS Excel

 
Для решения задач линейной регрессии вам понадобится функционал «Анализ данных». Он может быть не включен у вас поэтому его нужно активировать.

• Жмём на кнопку «Файл»;
• Выбираем пункт «Параметры»;
• Жмём по предпоследней вкладке «Надстройки» с левой стороны;

• Снизу увидим Надпись «Управление» и кнопку «Перейти». Жмём по ней;
• Ставим галочку на «Пакет анализа»;
• Жмём «ок».

Пример задачи

Функция пакетного анализа активирована. Решим следующую задачу. У нас есть выборка данных за несколько лет о числе ЧП на территории предприятия и количестве трудоустроенных работников.

Нам необходимо выявить взаимосвязь между этими двумя переменными. Есть объясняющая переменная X – это число рабочих и объясняемая переменная – Y – это число чрезвычайных происшествий.

Распределим исходные данные в два столбца.  

 

Перейдём во вкладку «данные» и выберем «Анализ данных»

 
Нажимаем «Ок». Анализ произведён, и в новом листе мы увидим результаты.
 
Наиболее существенные для нас значения отмечены на рисунке ниже.    
Множественный R – это коэффициент детерминации. Он имеет сложную формулу расчета и показывает, насколько можно доверять нашему коэффициенту корреляции. Соответственно, чем больше это значение, тем больше доверия, тем удачнее наша модель в целом.
 
Y-пересечение и Пересечение X1 – это коэффициенты нашей регрессии. Как уже было сказано, регрессия – это функция, и у неё есть определённые коэффициенты. Таким образом, наша функция будет иметь вид: Y = 0,64*X-2,84.
 

Что нам это даёт? Это даёт нам возможность составить прогноз. Допустим, мы хотим нанять на предприятие 25 работников и нам нужно примерно представить, каким при этом будет количество чрезвычайных происшествий. Подставляем в нашу функцию данное значение и получаем результат Y = 0,64 * 25 – 2,84. Примерно 13 ЧП у нас будет происходить.

Посмотрим, как это работает. Взгляните на рисунок ниже. В полученную нами функцию подставлены фактические значения по вовлеченным работникам. Посмотрите, как близки значения к реальным игрекам.  

 
Вы так же можете построить поле корреляции, выделив область игреков и иксов, нажав на вкладку «вставку» и выбрав точечную диаграмму.
   

Точки идут вразброс, но в целом двигаются вверх, как будто посередине лежит прямая линия. И эту линию вы так же можете добавить, перейдя во вкладку «Макет» в MS Excel и выбрав пункт «Линия тренда»

 

Заключение

Будем надеяться, что данная статья дала вам большее понимание о том, что такое регрессионный анализ и для чего он нужен. Всё это имеет большое прикладное значение.

Определение признаков

При наличии предположений о том, что в группе возникнут патологии, предполагается, что на нее влияют определенные факторы. Признаки когорты определяются специалистами в соответствии с рабочей гипотезой о воздействии причин на вероятность развития болезней у субъектов, обладающих этими критериями. Ими могут выступать возраст, физиологическое состояние, пол, время, профессия, вредные привычки, какое-то событие, территория проживания и прочее.

Допустим, что в качестве рабочей гипотезы выступает наличие связи между сниженной физической активностью и повышенным артериальным давлением у мужчин 30-40 лет. Из этого следует, что когорту нужно создавать не из всех граждан и даже не из всех взрослых мужчин, а только из тех, кто достиг 30-40 лет.

Если исследуются факторы, заведомо не оказывающие влияние на каждого субъекта из популяции (к примеру, гиподинамия, курение, гипертензия), определяется одна популяция, а после из нее формируется одна когорта.

Если будет исследоваться причинная роль какого-либо фактора, заведомо влиявшего на всех людей, в исследовании будет участвовать 2 группы. Основную отбирают из экспонированных лиц, контрольную – из неэкспонированных, которая по всем прочим параметрам похожа на первую.

Исправление существенных ошибок бухгалтерской отчетности

Перспективное применение – применение нового положения учетной политики в отношении операций, других событий и условий, возникших после даты изменения учетной политики, и отражения изменений в расчетной оценке в текущем и последующих отчетных периодах, затронутых изменением.

Ретроспективное применение означает, что новая учетная политика применяется к событиям и сделкам таким образом, как если бы эта новая политика использовалась всегда

При оценке необходимости корректировки предыдущих периодов Фонд принимает во внимание существенность такой корректировки

Изменения в учетной политике Фонда применяются ретроспективно за исключением тех случаев, когда величина соответствующей корректировки, относящейся к предшествующим периодам, не поддается обоснованному определению, либо когда оговариваются правила переходного периода по применению новых положений МСФО. Любая полученная корректировка должна представляться в отчетности как корректировка сальдо нераспределенной прибыли на начало периода.

Изменение в учетной политике должно быть применено перспективно в случае, когда сумма корректировки сальдо нераспределенной прибыли на начало периода для всех предыдущих периодов не может быть обоснованно определена, а также когда перспективное применение разрешено стандартом.

При пересчете сравнительных показателей вследствие изменения учетной политики, исправления ошибок или перегруппировки статей бухгалтерского баланса необходимо раскрытие бухгалтерского баланса на три отчетные даты, включая начало предыдущего отчетного периода. В то время как в отношении других форм отчетности (например, отчет о совокупном доходе) требуется представление информации за два отчетных периода.

Дата добавления: 2015-04-06; просмотров: 3979; Опубликованный материал нарушает авторские права? | Защита персональных данных |

Не нашли то, что искали?

Gross profit

Предположим, что наш бизнес не имеет издержек COGS и 1sCOGS, а следовательно рассчитывать на их не надо (иначе поступаете точно так же, как с конверсией, APC и т.д., строите таблицу получаете нужное значение). Для этого мы вычисляем ARPPU по формуле ARPPU = (Av.Price — COGS) x APC — 1sCOGS. У нас получается следующая таблица:

Как видно, значение ARPPU для когорты с каждым месяцем растет. Аналогичным образом получаем значение ARPU = ARPPU x C1.

Для вычисления Gross Profit нам необходимо знать, сколько мы потратили денег на создание каждой когорты. Предположим, что наш маркетинговый бюджет равен 400 000 рублей в месяц. Следовательно, каждый месяц мы тратим деньги на формирование когорты по 400 000 рублей. Это позволяет нам рассчитать стоимость привлечения посетителя в когорту CPA. У нас получаются следующие данные: Январская когорта 400 000 / 18 849 = 21.22 рубля, февральская — 18.99, мартовская — 18.05, апрельская — 19.91 и майская — 17.63. Теперь мы можем, посчитать GP для каждой когорты на каждый месяц.

Давайте разберем нашу таблицу. Январская когорта в январе принесла нам 86 500 рублей, при этом на февраль (январь + февраль) она принесла нам уже 382 250 рублей и так далее на май мы имеем 1 064 504 рубля. Это связано с тем, что значение ARPU со временем растет, а значение CPA остается неизменным. Однако давайте посмотрим какой доход мы получаем именно в каждый месяц, а не накопительным итогом.

Для этого нам надо из накопительного итога вычесть доходы от предыдущих месяцев, и нас получится следующая таблица:

Теперь мы видим сколько денег мы получаем каждый месяц ото всех когорт. Из таблицы хорошо видно, что хотя с каждым месяцем доход от каждой когорты падает, доход каждый месяц растет за счет того, что растет число когорт.

Контрольные группы

Одним из наиболее эффективных способов измерения эффекта от реализации отдельных составляющих программы лояльности является использование контрольных групп.

Контрольная группа – это случайным образом выбранная группа клиентов, по отношению к которым не будут применяться те или иные действия маркетингового характера. Контрольная группа должна представлять собой репрезентативную выборку. В нее должны быть включены представители всех сегментов в пропорции, аналогичной их доле в клиентской базе.

Как правило, контрольная группа формируется для проверки отдельных маркетинговых кампаний и механик программы. Объективно сложно создать контрольную группу для программы лояльности в целом, так как в этом случае придется оградить ее членов от доступа к информации о программе, что практически нереально, если компания продвигает ее публично.

Пример

Компания решила модернизировать существующую программу лояльности и реализовать в ней специальный статус для наиболее ценных клиентов. В результате проектирования были разработаны два альтернативных варианта реализации подобной механики. Для того, чтобы выбрать лучший из них, а также оценить эффект от внедрения статуса, компания отобрала 9 000 клиентов. 3 000 из них получили возможность пользовать первым вариантом нового статуса, другие 3 000 – вторым вариантом и оставшиеся 3 000 клиентов были включены в контрольную группу. После 12 месяцев тестирования компания подвела итоги. Оба варианта нового статуса показали свою эффективность. Клиенты, пользовавшиеся статусами стали больше потреблять по сравнению с клиентами, включенными в контрольную группу. Второй вариант статуса показал лучший результат и в итоге был внедрен для всех клиентов компании.

Отток клиентов и отток дохода

Как мы уже знаем, ценность ушедших клиентов играет ключевую роль в процессе удержания. Один ценный клиент может заменить двух, трёх и более обычных клиентов — с точки зрения доходности. Определение оттока доходности (Revenue Churn) помогает не только понять, сколько денег потеряла компания из-за ушедших клиентов, но и определить качество оставшихся.

MRR — Monthly Recurring Revenue (регулярная месячная выручка).

В общем случае действует правило, что если за период Revenue Rate больше, чем Churn Rate, то ушедшие клиенты были ценными и с вами остались менее прибыльные, и наоборот. Тогда становится понятно, стоит ли прилагать усилия, чтобы их вернуть.

Churn Rate и Revenue Rate также наиболее показательны, если использовать продвинутый вариант расчёта.

Анализ предприятия в Excel: примеры

Для анализа деятельности предприятия берутся данные из бухгалтерского баланса, отчета о прибылях и убытках. Каждый пользователь создает свою форму, в которой отражаются особенности фирмы, важная для принятия решений информация.

• скачать систему анализа предприятий;
• скачать аналитическую таблицу финансов;
• таблица рентабельности бизнеса;
• отчет по движению денежных средств;
• пример балльного метода в финансово-экономической аналитике.

Для примера предлагаем скачать финансовый анализ предприятий в таблицах и графиках составленные профессиональными специалистами в области финансово-экономической аналитике. Здесь используются формы бухгалтерской отчетности, формулы и таблицы для расчета и анализа платежеспособности, финансового состояния, рентабельности, деловой активности и т.д.

Когортный анализ для SaaS

В SaaS-проектах когортный анализ может помочь оптимизировать различные этапы цикла продаж. Вот несколько способов сегментировать ваши данные, чтобы получить полезную информацию:

Бесплатные демо-версии (Trial)

Советы от Линкольна Мерфи:

Чтобы понять, на какой период предоставлять триал, объедините в одну когорту пользователей, пользующихся пробной версией в течение 15 дней, а в другую – тех, что сидят на триале 30 дней. В какой группе больше переходов к платной версии? Какие тарифные планы они выбирают? Кто пользуется пробной версией более 30 дней? Помимо конверсии, можно оценивать и другие критерии – например, Lifetime Value (LTV).

Цены

Вы можете, например, выделить когорту пользователей с самым дорогим тарифным планом, и изучить их характеристики. В том числе, через какие каналы они были привлечены.

Доход

Здесь в центре вашего внимания наверняка окажутся клиенты, которые тратят больше остальных. Например, регулярно пользуются вашими предложениями по апселлу. Постарайтесь выяснить, откуда они к вам приходят, что влияет на их решения, сколько потратили на их привлечение. Кстати, тут может выясниться, что клиенты с самыми большими суммами заказов – не обязательно самые выгодные.

Пример построения базового когортного анализа

Определение параметров

1. Признак формирования когорты — дата подписки.
2. Размер когорты — месяц.
3. Временной интервал — с января 2018 по ноябрь 2019.
4. Ключевой показатель — CR.

Исходные данные

• ID подписчика (в качестве ID может выступать email);
• дата подписки.

• ID подписчика;
• дата совершения действия;
• рассылка, в которой совершено действие.

Алгоритм работы

1. Группируем пользователей по дате подписки, учитывая размер когорты. Получаем количество подписчиков в каждой когорте.
2. Объединяем таблицу 2 с таблицей 1, используя в качестве ключа общее поле — ID подписчика.
3. Группируем полученную из пункта 2 таблицу по полям «дата совершения действия» и «дата подписки» и подсчитываем для такой пары общее количество кликов.
4. Рассчитываем для каждой пары значение ключевого показателя.

Анализ результатов

1. Когорты «Январь 2018», «Март 2018» и «Апрель 2019» оказались очень неактивными. Если посмотреть на количество подписчиков в данных когортах, картина становится более ясной.В январе и марте 2018 было огромное количество подписок. Вероятно, проводились «очень успешные» кампании, которые собрали такую базу. Если смотреть на общие ежемесячные показатели, то выглядит вполне убеждающе — кампании сработали и подняли CR.Когортный анализ показывает, как выглядит ситуация на самом деле. CR увеличился за счёт когорты февраля 2018. А большинство подписчиков, зарегистрировавшихся в январе и марте 2018, не являются целевой аудиторией и только загрязняют базу.Когорта «Апреля 2019» не является сильно выпадающей из общей картины. Чтобы определить причину таких невысоких показателей, надо иметь больше данных: откуда пришли эти клиенты, не было ли каких-нибудь тестирований, не изменялась ли рекламная стратегия и так далее.
2. Подписчики 2019 года в первые месяцы более активны, чем подписчики 2018 года.

3. В октябре 2018 года CR был слишком мал. Даже те когорты, которые до этого месяца и в следующие месяцы показали себя довольно лояльными, в октябре 2018 плохо взаимодействовали с рассылками.

   Причины могут быть разные. Может, компания решила сменить подход к контенту (увидели, что сделали только хуже, и вернулись к прошлому варианту). А возможно, ссылки оказались некликабельными. Если устанавливать размер когорты в день или неделю, то можно оперативно отслеживать работоспособность не только в рассылках.
   Есть ещё один вариант представления когортного анализа в виде матрицы, где значения в столбцах — это номер месяца, следующий за месяцем подписки.
   При таком представлении удобно сравнивать когорты по их взаимодействию и определять время жизни подписчика.

Базовые понятия

Думаю, еще со школы все знакомы с линейной функцией, она как раз и лежит в основе тренда:

Y — это объем продаж, та переменная, которую мы будем объяснять временем и от которого она зависит, то есть Y(t);

t —  номер периода (порядковый номер месяца), который объясняет план продаж Y;

a0 — это нулевой коэффициент регрессии, который показывает значение Y(t), при отсутствии влияния объясняющего фактора (t=0);

a1 — коэффициент регрессии, который показывает, на сколько исследуемый показатель продаж Y зависит от влияющего фактора t;

E — случайные возмущения, которые отражают влияния других неучтенных в модели факторов, кроме времени t.

Как отток клиентов влияет на показатели в бизнесе

Тесно связан с Churn Rate показатель Retention Rate — он отражает процент клиентов, которые продолжают пользоваться вашими услугами. В целом эти показатели являются взаимозаменяемыми. RR должен стремиться к 100%, а CR — к 0%.

В теории можно утверждать, что чем меньше значение Churn Rate, тем меньше клиентов уходит и тем больше доход (Revenue). На практике это станет особенно заметно, если сосредоточиться на удержании ценных клиентов.

ARPU — доход на одного клиента.

Коэффициент оттока влияет на среднее время жизни клиента (Average Customer Lifetime): чем меньше отток, тем дольше клиент остаётся с вами. Не забывайте, что период расчёта для обоих показателей одинаковый (если CR рассчитывался в период, равный неделе, то ACL будет равен количеству недель).

Ещё одной важной метрикой, с которой связан отток клиентов и его расчёт, является жизненная ценность клиента (Customer LifeTime value или LTV). Чем дольше клиент находится с вами, тем больше денег он тратит

LTV имеет несколько вариантов расчёта в зависимости от наличия данных и вида бизнеса, но в любом варианте Churn Rate влияет на значение LTV.

Например, влияние Churn Rate в первом расчёте уже заложено в рассматриваемой метрике ACL, а во втором варианте — в RR. Здесь AOV (Average Order Value) — средняя стоимость заказа, AGM (Average Gross Margin) — валовая маржа за среднюю продолжительность жизни клиента.

Психическое заболевание

Шизофрения

Шизофрения — это пример расстройства, которое напрямую влияет на предвзятость прошлого. Предвзятость ретроспективного взгляда сильнее влияет на людей с шизофренией, чем на людей из широкой общественности.

Эффект предвзятости в ретроспективе — это парадигма, демонстрирующая, как недавно приобретенные знания влияют на восприятие прошлой информации. Недавно полученные знания имеют странное, но сильное влияние на шизофреников в отношении ранее полученной информации. Новая информация в сочетании с отказом от прошлых воспоминаний может опровергнуть поведение и бредовые убеждения, которые обычно встречаются у пациентов, страдающих шизофренией. Это может вызвать нарушение памяти, что может привести к задним умениям и веры в то, что они знают то, чего не знают. Склонные к заблуждению люди, страдающие шизофренией, могут делать ложные выводы . Поспешные выводы могут привести к ретроспективному анализу, который сильно влияет на бредовые убеждения у людей с шизофренией. Согласно многочисленным исследованиям, когнитивно-функциональный дефицит у больных шизофренией снижает их способность представлять и поддерживать контекстную обработку.

Пост-травматическое стрессовое растройство

Посттравматическое стрессовое расстройство (ПТСР) — это повторное переживание и избегание связанных с травмой стрессоров, эмоций и воспоминаний о прошлом событии или событиях, которые оказывают на человека драматическое когнитивное воздействие. ПТСР можно отнести к функциональным нарушениям структуры префронтальной коры (ПФК). Нарушения когнитивной обработки контекста и аномалии, от которых страдают пациенты с посттравматическим стрессовым расстройством, могут повлиять на ретроспективное мышление, например, когда солдаты в бою считают, что они могли изменить исход событий на войне. Системы PFC и дофамина являются частями мозга, которые могут нести ответственность за нарушение когнитивного контроля обработки контекстной информации. PFC хорошо известна тем, что управляет мыслительным процессом с предвзятым взглядом на то, что что-то произойдет, когда этого явно не произойдет. Нарушение мозга в определенных областях мозга также может влиять на мыслительный процесс человека, который может думать задним числом.

Когнитивные воспоминания и другие связанные с травматическим событием особенности могут вызвать сильный стресс и негативные эмоции, такие как непростительное чувство вины. Например, были проведены исследования характеристик вины ветеранов войны с хроническим посттравматическим стрессовым расстройством, связанных с травмами 8. Несмотря на ограниченность исследований, значительные данные свидетельствуют о том, что предвзятость в ретроспективе влияет на личное восприятие ветеранами войны правонарушений с точки зрения вины и ответственность за травматические события войны. Они винят себя и, оглядываясь назад, понимают, что могли предотвратить то, что произошло.

Запуск пилотной программы

Как правило, компаниям сложно оценить эффект от реализации программы до ее запуска. Это значит, то ожидания будут далеки от реальности, а точность бизнес-кейса будет невысокой. Лучший способ спрогнозировать результаты программы – проверить ее эффективность до полномасштабного запуска. Пилотный проект – отличный способ проверки базовых гипотез, заложенных в программу, и оценки ее влияния на поведение клиентов.

Данный подход особенно актуален для компаний в области розничной торговли с географически распределенной структурой, так как отдельные магазины выступают в качестве контрольных групп. Запуская программу лояльности в определенном регионе или области, компании могут оценить возможности программы, оптимизировать ее механику и только после этого запустить на всю сеть. При этом нужно учитывать, что от региона к региону потребительское поведение может существенно отличаться.

Пример

Монобрендовая сеть продуктов питания запустила пилотную программу лояльности в трех регионах. Программа показала положительный результат по всем отслеживаемым показателям. Вместе с тем удалось выявить ряд неэффективных механик и недочетов и тем самым сэкономить бюджет и повысить привлекательность программы для покупателей. После доработки программа была успешно запущена во всех торговых точках сети.

Анализ результатов программы до и после запуска

Чтобы за деревьями увидеть лес, важно отслеживать базовые показатели программы лояльности на регулярной основе. Оценка результатов до и после запуска программы наиболее очевидный и простой способ измерения полученных эффектов

Какие измерения в данном случае наиболее актуальны? Динамика изменения среднего чека, частоты совершения покупок и уровня оттока. Ключевое слово при этом – динамика.

Подобная оценка происходит по принципу черного ящика, когда неважно, что внутри, важен конечный результат. Чаще всего руководству компании в меньшей степени нужны детали и доскональные расчеты

Им нужна оценка влияния программы лояльности на бизнес компании в целом.

Интерпретация показателей до и после запуска программы должна осуществляться через призму аналогичных метрик среди неучастников программы. Это позволит отсечь сезонные колебания и внешние по отношению к компании изменения.

Пример

Месяц с момента запуска	Участники программы	Неучастники программы
Ср. чек	Частота покупок	Ср. чек	Частота покупок
0 (до вступления)	100	2,5	100	2,5
1	105	3	103	2,7
…	…	…	…	…
16	130	3,4	107	2,7
17	130	3,5	106	2,6
18	134	3,7	108	2,4

Специфика ретроспективного анализа

Сведения, которые получены в ходе исторического исследования, считаются не такими надежными, как выводы проспективного изучения. Это обуславливается тем, что с течением времени критерии качества обнаружения, диагностики и учета заболевших лиц, а также признаки и методы выявления факторов воздействия меняются.

При этом ретроспективное исследование отличается простотой организации. Если архивные данные о влиянии факторов риска и выявленные случаи заболеваемости надежны, приоритет отдается историческому анализу. К примеру, ретроспективный метод используется при изучении профессиональных заболеваний, патологий с выраженными клиническими симптомами, причин смерти и прочее.

Как это можно использовать в бизнес-аналитике?

Для бизнес-приложений вы можете сравнивать когорты или анализировать поведение отдельных когорт, чтобы находить паттерны, поддерживающие гипотезу роста. Эта гипотеза может затрагивать что угодно.

К примеру, вы могли бы предположить, что пользователи, которых удалось привлечь за счет дисплейной рекламы, имеют более высокий показатель LTV (lifetime value — пожизненная ценность), чем те, кого привлекли через Facebook. Аналогичным образом допустим, что вы хотите определить причину падения вашего коэффициента удержания. В такой ситуации вы могли бы сформировать гипотезу о том, что удержание клиента коррелирует с его первой покупкой.

Чтобы установить взаимосвязь между этими переменными, разбиваем клиентов по когортам на основе их первой покупки и строим график удержания по месяцам: 

Прибыль от клиентов, распределенных по когортам, на основе их первой покупки. Сверху вниз: зефир, кексы, бейглы

Как видите, пользователи, которые в первый раз покупали зефир, продемонстрировали более высокий LTV в сравнении с другими когортами, даже несмотря на то что удержание в целом снизилось. Разумеется, теперь главная задача компании заключалась бы в том, чтобы побудить как можно больше людей к приобретению зефира в рамках их первой сессии на сайте.

Важно отметить: это вовсе не значит, что причиной удержания является зефир. Этот анализ просто показал вам, что между покупкой зефира и удержанием присутствует корреляция

Корреляция не тождественна причинности, так что вам еще нужно проверить, связан ли этот товар с более высоким удержанием.

Когортный анализ дает вам представление о тенденции и основу для тестирования. Не причину.

Суть отчета когортного анализа в Google Analytics

Эта тепловая карта позволяет вам быстро определить самые высокие (и самые низкие) показатели по когорте. Неделя 0 представляет неделю, в которую пользователи этой группы провели свой первый сеанс. Эта когортная тепловая карта не может быть экспортирована, поэтому вам, возможно, придется скопировать / вставить или сделать снимок экрана.

Допустим, вы запускаете новую кампанию ремаркетинга Adwords на неделе 11 сентября, чтобы ретаргетировать пользователей, которые посетили сайт. Как вы можете видеть в отчете Когортный анализ выше, количество пользователей на этой неделе значительно возросло. Это может свидетельствовать о том, что кампания ремаркетинга увеличивает удержание пользователей, что эти данные можно дополнительно изучить в своем отчете AdWords (в ​​разделе «Приобретение»).

Вот почему рекомендуется развернуть ваш маркетинговый календарь в отдельном окне, чтобы наложить когортную тепловую карту на контекст маркетинговой деятельности. Если вы просто хотите отслеживать даты своих маркетинговых кампаний, предлагаем попробовать встроенную функцию аннотаций в отчетах Google Analytics.

Аннотации позволяют писать заметки за определенные дни в отчетах Google Analytics, полезных  для маркировки, когда начинаются и заканчиваются новые маркетинговые действия или кампании. Чтобы получить доступ к аннотациям, просто щелкните вкладку со стрелкой вниз в нижней части графика для отчета.

Если вы ищете более совершенную маркетинговую календарную платформу, изучите инструменты для совместной работы, такие как CoSchedule.

В любом случае, просмотр вашего отчета Когортный анализ и вашего маркетингового календаря (или аннотаций Google Analytics) бок о бок особенно полезен, если вы организуете свою маркетинговую деятельность по дням, неделям или месяцам.

Например, возможно, ваша команда контент-маркетинга публикует новые сообщения в блоге каждый понедельник. Вы можете видеть, имеют ли ваши когорты в понедельник более высокий уровень удержания пользователей (возможно, они стали более активными, подпишутся на рассылку и будут чаще возвращаться на сайт).

Или, возможно, ваша команда решает тестировать другую целевую аудиторию каждый месяц в течение трех месяцев. Различия в уровне удержания пользователей по месяцам можно увидеть в отчете Когортный анализ, чтобы узнать, какая аудитория наиболее заинтересована в вашем контенте или рекламе. Вы можете проводить такие эксперименты, чтобы протестировать различные маркетинговые каналы, кампании, дизайн веб-сайтов, новые предложения продуктов и рекламные акции.

Предупреждение: Остерегайтесь выходных, когда вы проводите когортный анализ по дням. Многие компании увидят падение показателей, таких как удержание в выходные дни по сравнению с рабочими днями.

Вы можете заметить небольшой спад в для когорты 9/22 для магазина товаров Google. Это может быть связано с тем, что 9/22 — это пятница, а 1-й день (у которого коэффициент удержания ниже 2,74%) — суббота.

Оценить ROI рекламы

Человеку, впервые посетившему ваш сайт, нужно время, чтобы пройти по воронке и совершить конверсионное действие. Иногда пользователям надо много времени, чтобы прийти к покупке. И чем оно больше, тем сложнее оценить эффективность рекламных каналов, а шансы сделать ошибочные выводы увеличиваются.

Чтобы оценить окупаемость рекламы с помощью когортного анализа:

1. Выделите в когорту людей, которые пришли из одного рекламного канала.
2. Рассчитайте ROI рекламной кампании.
3. Отслеживайте динамику ROI по месяцам.

Например, если вы выделите в когорту людей, которые пришли из платной рекламной кампании в Google Ads в феврале, то увидите, что в первый месяц ROI такой рекламы ниже 100%, но в последующие месяцы коэффициент увеличивается. То есть, люди шли к покупке больше месяца.

На графике видно, как от месяца к месяцу меняется ROI по каждой из пяти когорт: февральской, мартовской и т. д.

Анализ «Что-если» в Excel: «Таблица данных»

Мощное средство анализа данных. Рассмотрим организацию информации с помощью инструмента «Что-если» — «Таблица данных».

Важные условия:

• данные должны находиться в одном столбце или одной строке;
• формула ссылается на одну входную ячейку.

Процедура создания «Таблицы данных»:

1. Заносим входные значения в столбец, а формулу – в соседний столбец на одну строку выше.
2. Выделяем диапазон значений, включающий столбец с входными данными и формулой. Переходим на вкладку «Данные». Открываем инструмент «Что-если». Щелкаем кнопку «Таблица данных».
3. В открывшемся диалоговом окне есть два поля. Так как мы создаем таблицу с одним входом, то вводим адрес только в поле «Подставлять значения по строкам в». Если входные значения располагаются в строках (а не в столбцах), то адрес будем вписывать в поле «Подставлять значения по столбцам в» и нажимаем ОК.