apeescape2.com
  • Põhiline
  • Tehnoloogia
  • Kasumlikkus Ja Tõhusus
  • Tagumine Ots
  • Puldi Tõus
Andmeteadus Ja Andmebaasid

Kasvu kasvu: tehke selle avatud lähtekoodiga oma kohordianalüüs

Alejandro Rigatuso on de asutaja Postcron.com , lihtne tööriist ootel olevate Facebooki ja Twitteri ajastamiseks. Temaga saate ühendust võtta: [meiliga kaitstud] .

Kohordi analüüs , säilitamine ja määr klientide tühistamine on üks põhinäitajad tulemuslikkust ettevõtte arenguks.



See pole lihtsalt järjekordne kohordianalüüsi artikkel. Kui olete andmeteadlane õppeaine kiindunud ja teil on selle olulisusest juba teadmine, võite sissejuhatuse vahele jätta. Alustage simulaator , kus saate teada, kuidas teha kohordianalüüsi ja simuleerida käivitamise kasvu, tuginedes hoidmisele, kliendi tööprotsendimäärale ja paljudele teistele teguritele. Võite isegi õppida enda oma analüüsima PayPali logid tarkvaraga Avatud lähtekoodiga .

Kui te pole veel aru saanud, et need on kõige olulisemad näitajad, lugege edasi.

Sissejuhatus kohordianalüüsi:

Kõigepealt peame kohordianalüüsiga aru saama, millest me siin räägime. Lühidalt öeldes on kohort ühiste tunnustega subjektide rühm . Võib-olla on see teie vanus, rahvus, võib-olla teie sünnilinn jne.



Vanus on eriti hea näide. Sageli nimetame 1960. – 1980. Aastatel sündinuid X-generatsiooni liikmeteks ja 1980. – 1990. Aastate Y-generatsiooni liikmeteks. Igal kohortil, igal põlvkonnal on oma omadused .

Samamoodi saab iga ettevõte grupeerida ja analüüsida oma kliente kohordide kaudu. Tavaline ja üsna kasulik viis klientide analüüsimiseks on grupeerida nad teenuse kasutamise kuupäeva järgi.

See anonüümne tsitaat Silicon Valley kohta toob esile sisuka kohordianalüüsi tegemise olulisuse.



console.error (`viga, mis teadaolevalt rikub npm. värskendage vähemalt väärtusele $ {r

Mis siis, kui ma küsiksin teilt: 'Kui suur osa teie eelmise kuu sissetulekust tuli klientidelt, kes alustasid teiega aasta tagasi tööd?' Mitte ükski? Uued kasutajad võivad hea välja näha, kuid ainult tellimused ei võrdu tuludega. Kas tead vastust? Kui te seda ei tea, on teil abi kohordianalüüsi kohta.

Kohordi analüüs, säilitamine ja klientide tühistamise määr:

Kui analüüsite oma sissetulekut kohordide kaupa, Saate (igakuiselt) tuletada, kui suur osa teie sissetulekust tuleb uutelt kasutajatelt ja milline osa vanadelt kasutajatelt. Lisaks minge veel üks samm edasi ja prognoosige suurema täpsusega klientide hoidmisele ja turniirile omistatavat tulu.

Niisiis oleme kindlaks teinud, et kohort on ühiste tunnustega inimeste rühm. Siit jätkame näiteks pilvandmetöötluse käivitamise mõõdikute uurimisega. Alustame ühe kohordi vaatamisest. Sel juhul keskendume klientidele, kes alustasid meiega koostööd 2012. aasta jaanuaris.

Esimene oluline arvutuslik mõõdik on säilitamine: Kui palju meie jaanuari jaanuari uusi kasutajaid viibis meiega veebruaris? Oletame, et jaanuaris oli meil 100 kasutajat ja ainult 20 otsustas oma tellimuse tühistada, jättes meile veebruaris järele 80 kasutajat. Põhiline retentsioonianalüüs ütleb meile, et see on 80% retentsioonimäär. Oletame, et 8 klienti otsustas veebruaris loobuda. Nii et märtsis on meil 80-8 = 72 kasutajat. Kuna 72/80 = 90%, on meie 2012. aasta jaanuari kohordist kahe kuu möödudes 90%.

Mõned inimesed arvutavad retentsiooni algse kohordi suuruse põhjal, kuid ma eelistan arvutada retentsiooni iga kohordi eelmise kuu põhjal.

Kliendi tühistamise määr on teine oluline mõõdik . Seda saab määratleda kinnipidamise mõttes: kliendi tühistamise määr = 1 - kinnipidamine. Seetõttu tähendab 80% retentsioon 20% väljalangemist. Teisisõnu, see on kiirus, millega kliendid teie teenusest lahkuvad.

Tulles tagasi pilvandmetöötluse alguse juurde, analüüsime a ideaalne (loe: ebareaalne) juhtum : 100% retentsioonimäärast. See tähendab, et ükski meie klient ei loobu teenusest. Oletame, et meie ettevõttel on kuus uut klienti. 24 kuu pärast on sellel ettevõttel 24 000 aktiivset klienti, pole paha. Kahjuks on see stsenaarium põhimõtteliselt võimatu, kuna sajaprotsendiline hoidmine eksisteerib ainult idufirmade paradiisis.

Selles näite kohortide retentsioonianalüüsis on kujutatud võimatut 100% retentsiooni.

Olgem nüüd veidi realistlikumad ja ütleme, et meie ettevõtte retentsioonimäär on 90%. Teisisõnu kaotab iga kohort iga kuu 10% oma klientidest. Jällegi eeldame, et kuus on 1000 uut klienti.

Sel juhul oleme pärast 1000 uue kasutaja vastuvõtmist 2012. aasta jaanuaris kaotanud veebruariks 100 klienti, märtsiks 90 klienti, aprilliks 81 klienti jne. Vaatame, mida näitab järgmine graafik:

Seekord kujutab kohordianalüüsi tarkvara igas kohordis 10% muutust.

1000 uue kasutajaga kuus, 90% -lise säilitamismääraga, on meil 24 kuu pärast umbes 9000 aktiivset kasutajat kuus. Võrrelge seda 100% -lise säilitamisega ja jõuame lõpuks 37,5% -ni ideaalsest juhtumist (24 000 klienti).

Teisisõnu: säilitamise määra 10% langus põhjustas 24 kuu pärast aktiivsete kasutajate koguarvu 62% languse.

Põhipunktid siin: Madal retentsioonimäär piirab kasvu ja kohordianalüüsi tarkvara kasutamine on teie retentsioonimäärade mõistmisel abiks.

Kasv kasvab

Siinkohal võid mõelda: „Aga Alejandro, oota! Kui igal ettevõttel on kliendi turniir ja see piirab kasvu, siis kuidas mõned ettevõtted aastal kasvu saavutavad tagurpidi L kuju ?

Isiklikult vastaksin: 'Sest selle kasv kasvab.'

Kasvu suurendamiseks on mitu võimalust: turunduseelarve suurendamine, konversioonide optimeerimine ja loomine suunamisprogrammid , saab kõiki neid viise omistada viiruse kasv . Analüüsime viiruslikult kasvamise juhtumit, kus uute klientide arvu mõjutab ettevõtte aktiivsete klientide koguarv. Teisisõnu: rohkem kliente süsteemis võrdub rohkemate inimestega, viidates uutele klientidele, võrdub rohkem uusi kliente.

Oletame, et ettevõte kasvab viiruslikult püsiteguriga (K) 0,20 ja et valem uute klientide arvu arvutamiseks kasutame järgmist:

uued kliendid (kuu) = k * klientide koguarv (1. kuu)

Nüüd näeme sama näidet nagu varem (1000 uut kasutajat kuus @ 90% retentsioon), kuid seekord lisame, et mõned kasvavad viiruslikult (K = 0,20).

See kohordianalüüs kujutab viiruse kasvu 20% ja 10% puhangu määra.

Selles kohordianalüüsi tabelis on kaks põhipunkti: esiteks on pidev tegur 0,20 24 kuu pärast põhjustanud aktiivsete klientide koguarvu (~ 90 000) kasvu 1000 protsenti Ja teisel kohal süsteem kasvab 24 kuu möödudes ja ei jõudnud küllastuspunkti.

Nii et meie 90% -lise säilitamise määra kompenseerimiseks peame looma mehhanismid oma kasvu kasvatamiseks iga kuu.

Nüüd võiksite sel hetkel öelda: 'Vau, Alejandro! Viiruse kasv on selgelt olulisem kui retentsioon. Vaadake, kuidas see mõjutab meie kliendibaasi! '

Kuhu ma vastaksin: 'Mitte nii kiiresti'.

Analüüsime veel ühte juhtumit. Kasutame oma vana head sõpra, pilvandmetöötluse käivitamist; kuid seekord 50% retentsioonimääraga. Keskendume 1000 uuele kasutajale kuus ja viiruskasvu määraks K = 0,20. Kuid hoolimata sellest, kui viiruslik see on, on meie ettevõte töötanud väga halvasti, kaotades igas kohordis ja seega ka igas kuus 50% klientidest.

Selles säilitamisanalüüsis on kujutatud, et ettevõttel läheb halvasti.

24 kuu pärast on meie ettevõttel 90 000 asemel ainult 3000 aktiivset klienti, mis on 30x erinevus. Säilitamine on tõeliselt võti.

Kuid miks on sellisel hoidmisel nii võimas mõju? Kokkuvõttes: kuna viiruse kasv sõltub aktiivsete klientide arvust, nii et kui soovime oma kasutajaid kauem hoida, on meil rohkem suunajaid.

Kokkuvõtteks:

  • Üldiselt piirab kasvu kliendi klienditase.
  • Retentsioon suurendab viiruse kasvu.
  • Hea hoidmine ja viiruskasv on eeltingimused ettevõtte laiendamiseks miljonite või isegi miljardite kasutajateni.

Viimane sõna kliendi suremuse indeksi analüüsimiseks

Üsna tavaline on see, et esimesel kasutamiskuul loobub rohkem teenuseid teenusest kui hiljem. Sellepärast pakun teile järgnevas simulatsioonis kahte retentsioonimäära: esimese kuu retentsioonimäär ja pikaajalise retentsiooni määr. Nende parameetrite kasutamine arvutustes annab tulemuseks täpsemad tulemused.

järeldus

Selle kohordianalüüsi õpetuse eesmärk ei olnud anda teile üksikasjalikku õppetundi mõõtmiste või kohordianalüüsi kohta; tegelikult arutasid teised eksperdid selle statistika keerukust põhjalikumalt. Pigem soovin, et mõistaksite seda tüüpi analüüside olulisust ja mis veelgi olulisem, näidaksite lugejatele minu avatud lähtekoodiga tarkvaralahenduse kohordianalüüsiga oma näiteid tulude kohordianalüüsi ja klientide turniirimäärade kohta.

Ja sellepärast mõtlete pärast õpetuse lugemist ...

Kui suur osa teie reaalsest sissetulekust pärineb kasutajatelt, kes alustasid teie ettevõttes töötamist aasta tagasi?

Kuidas teha oma kohordianalüüs

Nüüd on teie kord! Ettevõtte hoidmise määra ja kliendi töökordade määra analüüsimiseks on kaks võimalust:

  1. Laadige andmed teie PayPali kontolt minu juurutatud tööriista juurde. Täieliku läbipaistvuse tagamiseks pidage meeles, et selle tööriista abil paigutatakse teie logifail töötlemise tõttu ajutiselt serverisse (need kustutatakse kohe, kui andmed kuvatakse). Kuid kui soovite, võite alati ...

  2. alla laadida Avatud lähtekood ja rakendage tööriist ise. README-fail sisaldab üksikasjalikke juhiseid, kuidas seda teha. Kui teil pole PayPali kontot, saate koodi hõlpsalt häkkida, et analüüsida muud tüüpi kontosid.

    avalike märkmete KKK pöörduge mobiililiidese poole

Teise võimalusena võite mängida meie simulaatoriga ja visualiseerida kasvu algust ülalnimetatud parameetrite põhjal.

Aitäh, et lugesid!

Kas USA omakapitali ühisrahastuse turg on ootusi täitnud?

Investorid Ja Rahastamine

Kas USA omakapitali ühisrahastuse turg on ootusi täitnud?
Django installimine IIS-i: samm-sammuline õpetus

Django installimine IIS-i: samm-sammuline õpetus

Andmeteadus Ja Andmebaasid

Lemmik Postitused
MIDI õpetus: brauseripõhiste helirakenduste loomine, mida kontrollib MIDI riistvara
MIDI õpetus: brauseripõhiste helirakenduste loomine, mida kontrollib MIDI riistvara
Peatage prügikast: juhend pikka aega kestvate liideste kujundamiseks
Peatage prügikast: juhend pikka aega kestvate liideste kujundamiseks
Kujundus täpsusega - Adobe XD ülevaade
Kujundus täpsusega - Adobe XD ülevaade
MCMC meetodid: Metropolis-Hastings ja Bayesi järeldus
MCMC meetodid: Metropolis-Hastings ja Bayesi järeldus
Kuidas kujundada suurepäraseid kogemusi asjade Interneti jaoks
Kuidas kujundada suurepäraseid kogemusi asjade Interneti jaoks
 
Kuidas C ++ töötab: kompileerimise mõistmine
Kuidas C ++ töötab: kompileerimise mõistmine
Mida Game UX saab meile toote disaini kohta õpetada
Mida Game UX saab meile toote disaini kohta õpetada
CSS-i paigutuse õpetus: klassikalistest lähenemistest kuni uusimate tehnikateni
CSS-i paigutuse õpetus: klassikalistest lähenemistest kuni uusimate tehnikateni
Koodi optimeerimine: optimaalne viis optimeerimiseks
Koodi optimeerimine: optimaalne viis optimeerimiseks
Kujundame Facebooki ümber: 10 inspiratsiooni alustamiseks
Kujundame Facebooki ümber: 10 inspiratsiooni alustamiseks
Lemmik Postitused
  • disainimustri määratlemise põhimõtted
  • anonüümse funktsiooni sees kasutage jaluse div valimiseks jquery. sellel on jalus.
  • töötaja arvutustabeli kalkulaatori tegelik maksumus
  • graafilise disaini põhimõtted ja elemendid
  • kuidas kirjutada ühikute testimisjuhtumeid
  • spordi juhtimise üks ainulaadne aspekt on see, et kaudsed tulud ületavad sageli otseseid tulusid
Kategooriad
Mobiilne Disain Inimesed Ja Meeskonnad Puldi Tõus Tagumine Ots Finantsprotsessid Nõuanded Ja Tööriistad Kasumlikkus Ja Tõhusus Veebi Kasutajaliides Kujundusprotsess Tehnoloogia

© 2021 | Kõik Õigused Kaitstud

apeescape2.com