SaaS-kohorttianalyysi: löydä tuottavat asiakasryhmät datasi avulla
Asiakaskuntasi kasvaa. Tulosi kasvavat. SaaS-liiketoimintasi on ehkä jopa alkanut tuottaa voittoa. Tulevaisuus näyttää valoisalta.
Lupaava kasvu voi vaikeuttaa tehottomuuksien ja käyttämättä jääneiden mahdollisuuksien havaitsemista, mikä heikentää pitkän aikavälin näkymiäsi. Tässä SaaS-kohorttianalyysi voi ohjata strategista suunnittelua. Kun kasvat, asiakkaiden säilyttäminen on ratkaisevan tärkeää ennustetun kasvun ja kannattavuuden saavuttamiseksi.
Asiakaskuntasi yksityiskohtainen tarkastelu voi auttaa sinua ymmärtämään nykyisten asiakkaidesi tarpeita, jotta voit parantaa asiakaskokemusta, pienentää alustasi asiakaspoistumaa ja hyödyntää uusia tulomahdollisuuksia voittojen kasvattamiseksi.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Haluatko ohjelmiston hoitavan tämän puolestasi?
Käyn läpi kaikki tavat toteuttaa kohorttianalyysejä manuaalisesti, mutta jos sinulla on ohjelmistobudjetti, tilastollisen analyysin työkalu olisi todennäköisesti parempi vaihtoehto.
Clicks on the links below may earn a commission, which supports our independent testing and review of software and services. Learn more about how we stay transparent.
Mikä on SaaS-kohorttianalyysi?
Kohorttianalyysi on dataan perustuva arviointiprosessi, jossa tarkastellaan koko asiakaskunnan sisäisten pienempien segmenttien käyttäytymistä ja taloudellisen suorituskyvyn mittareita.
Nämä asiakassegmentit voidaan määritellä ja erotella monin eri tavoin. Asiakaspersoonat, tilaustasot, alustan käyttöön liittyvä käyttäytyminen, hankintakanavat ja asiakkaiden rekisteröitymispäivät ovat kaikki mahdollisia kriteerejä, joiden perusteella kohortteja voidaan muodostaa.
SaaS-kohorttianalyysissä yritysten tulisi etsiä tietoa siitä, miten eri asiakkaat käyttävät alustaa eri tavoin. Käyttävätkö pitkäaikaiset asiakkaat vähemmän aikaa uusien ominaisuuksien hyödyntämiseen? Poistuvatko tietyille tilaustasoille kuuluvat asiakkaat muita useammin vai harvemmin?
SaaS-kohorttianalyysin avulla yrityksesi voi löytää hyödynnettäviä oivalluksia, jotka mahdollistavat uudenlaiset tehokkuudet, suuremmat tulot ja ennen kaikkea alustasi paremman asiakassäilyvyyden.
Datan käyttötapaukset
SaaS-alustojen kasvaessa myös käytettävissäsi olevat asiakastietomassat kasvavat. Suuri datamäärä ei kuitenkaan hyödytä yritystäsi, jos sinulla ei ole keinoa hyödyntää näitä tietoja syvällisempien ja käytännössä hyödynnettävien oivallusten saamiseksi.
SaaS-kohorttianalyysi tarjoaa suoraviivaisen mallin tämän datan käsittelyyn ja sen hyödyntämiseen liiketoimintastrategian ohjaamisessa. Koska SaaS-kohorttianalyysi voidaan toteuttaa joustavasti, yrityksesi voi käyttää tätä arviointiprosessia useisiin tavoitteisiin ja käyttötapauksiin, kuten seuraaviin:
● Tunnista tuotevalinnat, jotka tuottavat arvoa asiakkaillesi ja parantavat säilyvyysastetta, mukaan lukien uusien ominaisuuksien julkaisut, hinnoittelumuutokset ja käyttöliittymä- ja käyttökokemuspäivitykset.
● Arvioi asiakkaiden sitoutumista ajan mittaan ja eri segmenttien välillä ymmärtääksesi paremmin asiakkaan elinkaariarvon (LTV) potentiaalia.
● Määrittele asiakaspersoonat ja -segmentit, jotta voit kohdentaa viestintää paremmin näille ryhmille.
● Mahdollista sellaisten mallien ennakoiva seuranta, jotka voivat viitata asiakkaiden olevan aikeissa lopettaa palvelun käytön. Varhainen tunnistaminen voi auttaa yritystäsi toteuttamaan toimenpiteitä jokaisen asiakkaan säilyttämiseksi.
● Arvioi uusien tuoteparannusten, käyttökokemuksen kehitysten ja muiden asiakaskokemukseen vaikuttavien muutosten onnistumista. ● Opi lisää siitä, miksi asiakkaat lopettavat palvelun käytön, ja tunnista strategioita asiakassitoutumisen ja -säilyvyyden parantamiseksi.
Aikaperusteinen ja segmenttiperusteinen kohorttianalyysi
SaaS-kohorttianalyysi voidaan toteuttaa monenlaisiin taloudellisiin ja muihin suorituskykymittareihin liittyvien oivallusten tuottamiseksi. Analysoitavat asiakaskohortit määritellään ja ryhmitellään kuitenkin jommallakummalla kahdesta menetelmästä.
Aikaperusteiset kohortit
Aikaperusteiset ryhmittelyt, jotka tunnetaan myös hankintakohortteina, ovat suoraviivainen tapa segmentoida asiakkaita: kohortit määritellään sen perusteella, milloin kyseiset asiakkaat liittyivät alustallesi. Olipa tarkastelujakso kuukausi, vuosineljännes, vuosi tai jokin muu aikaperusteinen ajanjakso, tämän lähestymistavan avulla on helppo analysoida, miten asiakassuhteet ovat muuttuneet SaaS-tuotteesi kanssa ajan mittaan.
● Sopii parhaiten: SaaS-yrityksille, jotka haluavat arvioida uusien tuotekehitysten ja/tai yleisen käyttökokemuksen vaikutusta ajan mittaan. Tämä strategia voi myös paljastaa tietoa siitä, miten asiakassuhteet ovat muuttuneet SaaS-yrityksen kasvattaessa käyttäjäkuntaansa.
Segmenttiperusteiset kohortit
Segmenttipohjaiset kohortit määrittelevät asiakasryhmiä käyttäytymistietojen, demografisten tietojen tai muiden yleisesti jaettujen tietopisteiden perusteella ilman aikasidonnaisia tekijöitä. Asiakaspersoonia, SaaS-palvelun käyttötapoja, tilausluokkia ja vastaavia kriteerejä voidaan käyttää sellaisten segmenttien luomiseen, joita analysoimalla voidaan oppia lisää näiden kohorttien välisistä eroista.
● Sopii parhaiten: Ymmärtämään, millaiset käyttäjätyypit tuottavat yrityksellesi eniten arvoa ja tuloja. Segmenttipohjaisia kohortteja voidaan analysoida, jotta voidaan selvittää, miksi alustallasi voi olla vaikeuksia sitouttaa tietyntyyppisiä käyttäjiä, millaiset asiakaspersoonat tarjoavat parhaan LTV:n ja markkinoinnin ROI:n sekä monia muita oivalluksia, jotka ovat mahdollisia oman ensikäden kohorttidatan avulla.
Kohorttianalyysin tekeminen
Onko sitoutunein yleisösi myös arvokkain yleisösi? Tuottavatko eniten maksavat tilausluokat parhaan asiakas-LTV:n? Mitkä kohortit tarjoavat parhaan vastineen markkinointibudjetillesi, ja mitkä asiakasryhmät rasittavat yritystäsi korkealla asiakaspoistumalla?
SaaS-kohorttianalyysi voi auttaa sinua vastaamaan kaikkiin näihin kysymyksiin ja moniin muihin. On tärkeää muistaa, että korrelaatio ei aina tarkoita kausaliteettia, mutta yksinkertainen kohorttianalyysi voi olla lähtökohta syvemmälle A/B-testauksen ja muiden strategioiden tarkastelulle, joiden tavoitteena on todistaa hypoteesisi.
Kohorttianalyysia aloittaessasi tarvitset ohjelmistotyökalun, joka tarjoaa sisäänrakennetut kohorttiraportointityökalut. Google Analytics on yksi suosituimmista resursseista tähän tarkoitukseen, mutta ProfitWell ja Mixpanel kuuluvat useisiin hyväksi havaittuihin työkaluihin, jotka helpottavat kohorttiraportointia.
Kun olet ottanut jonkin näistä työkaluista käyttöön, voit tehdä oman analyysisi jollakin seuraavista tavoista:
Käyttäytymisanalyysi
Voit tehdä käyttäytymisanalyysin määrittelemällä asiakasryhmiä SaaS-alustallasi seurattavien toimintojen perusteella. Jos esimerkiksi haluat tietää, käyttävätkö korkeamman tason tilaajat maksamiaan kalliita ominaisuuksia, jaa käyttäjät ryhmiin sen perusteella, ovatko he käyttäneet kyseistä ominaisuutta tietyn ajanjakson aikana.
Keskitä tarkastelu lyhyisiin ajanjaksoihin vähentääksesi muuttujia, jotka voivat häiritä näitä analyyseja. Harkitse esimerkiksi asiakaskäyttäytymisen analysointia kahden viikon tai 30 päivän ajalta kuuden kuukauden sijaan, sillä kausivaihtelut ja muut alustalla tapahtuvat muutokset voivat heikentää tietojesi laatua.
Kun olet määritellyt ajanjakson, vertaile eri kohortteja nähdäksesi, osoittaako jokin käyttäjäryhmä kohdekäyttäytymisen ja asiakaspysyvyyden välillä korrelaatiota.
Asiakaspoistuman analyysi
Asiakaspoistuman analyysi sopii erinomaisesti sen selvittämiseen, millaiset sitoutumismallit ja alustan käyttötavat aiheuttavat asiakkaiden poistumista.
Laskeaksesi asiakaspoistuman tunnista tiettynä päivänä tai tietyn ajanjakson aikana rekisteröityneet käyttäjät ja vertaa heidän määräänsä tiettynä päivänä edelleen aktiivisten asiakkaiden määrään. Prosenttiosuus edustaa asiakaspoistuma-astettasi.
Asiakaspoistuman analyysi voidaan tehdä luomalla kohortteja esimerkiksi rekisteröitymispäivän, tilausluokan, liiketoimintatyypin tai muiden kriteerien perusteella, jotta voidaan eristää muuttujat, jotka saattavat aiheuttaa tai edistää korkeaa asiakaspoistumaa. Tulosten testaamiseksi ja johtopäätösten vahvistamiseksi voidaan tehdä useita kohorttianalyyseja.
Tuloanalyysi
Tuloanalyysi alkaa määrittämällä analyysin ajanjakso ja selvittämällä asiakaspoistuma kyseisen ajanjakson aikana. Sen jälkeen muodostat kohortit sen taloudellisen ryhmittelyn perusteella, jota haluat tarkastella — yleisissä segmentoinneissa keskitytään tilausluokkiin, asiakkaan kokoon ja tulonmuodostuksen vaihteluväleihin silloin, kun hinnoittelumallisi perustuu käyttäjien määrään tai alustan käyttöön.
Tarkastele asiakaspoistuman ajanjakson aikana, miten tulojen muodostuminen on kasvanut kussakin näistä ryhmistä. Yrityksesi vaiheesta ja tuottamistasi oivalluksista riippuen voit tarkastella tätä bruttodollaripysyvyyden tai nettotulojen pysyvyyden näkökulmasta (lisää näistä jäljempänä). Tunnista, mitkä kohortit kasvavat nopeimmin ja missä kohorteissa tulojen kasvu pysähtyy tai vähenee.
Tämän jälkeen voit analysoida näiden kohorttien välisiä eroja — mahdollisesti käyttämällä muita segmenttipohjaisia analyyseja — tunnistaaksesi käyttäytymiseen, demografiaan ja muihin tekijöihin liittyvät syyt näiden tuloerojen taustalla.
Bruttodollaripysyvyys
Bruttodollaripysyvyys (jota kutsutaan myös bruttotulojen pysyvyydeksi) kuvaa SaaS-yrityksesi onnistumista nykyisten asiakkaiden säilyttämisessä. Se on erinomainen tietopiste nuoremmille SaaS-yrityksille, koska sen avulla voit arvioida nykyisen asiakaskantasi vakautta.
Bruttodollaripysyvyys lasketaan vähentämällä tulojen menetykset kuukausittain toistuvista tuloista (MRR) — ottamatta huomioon uusia tuloja — ja jakamalla tämä pienempi luku MRR:llä. Jos MRR:si on $25,000 mutta menetät asiakaspoistuman vuoksi $5,000 tuloja, jaat $20,000 luvulla $25,000 ja saat bruttodollaripysyvyydeksi 80 prosenttia.
Nettotulojen pysyvyys
Kun bruttodollaripysyvyys keskittyy vain yrityksesi onnistumiseen olemassa olevien tulojen säilyttämisessä, nettotulojen pysyvyys ottaa huomioon myös uusien asiakkaiden tuoman tulojen kasvun. Tämä hieman monimutkaisempi laskelma kuvaa kattavammin yrityksesi tulojen kasvua.
Jatketaan edellä esitetystä tilanteesta: oletetaan, että yrityksesi aloitti kuukauden 25 000 dollarin MRR:llä, menetti asiakaspoistuman vuoksi 5 000 dollaria, mutta kuukauden lopussa MRR oli uusien käyttäjien liittymisen ansiosta 32 000 dollaria. Kun vähentäisit asiakaspoistuman kuukauden lopun MRR:stä (uudet tulot mukaan lukien), jakaisit 27 000 dollarin nettotulot alkuperäisellä 25 000 dollarin luvulla ja saisit nettotulojen pysyvyydeksi 108 prosenttia.
Kun bruttodollaripysyvyys ei voi koskaan ylittää 100 prosenttia, terveen nettotulojen pysyvyysluvun tulisi olla selvästi yli 100 prosenttia, mikä kuvastaa yrityksesi kasvavaa tulopohjaa.
Kohorttianalyysin mittareiden ymmärtäminen
Riippumatta siitä, miten jaottelet ja analysoit asiakaskuntaasi, SaaS-kohorttianalyysi keskittyy ensisijaisesti yhteen tai useampaan seuraavista kolmesta SaaS-mittarista:
● Asiakaspoistuma: Kuten edellä mainittiin, korkea asiakaspoistuma – vaikka se koskisi vain yhtä asiakaskuntasi kohorttia – on ongelma, johon on puututtava. Kohorttianalyysi voi auttaa havaitsemaan korkeat asiakaspoistuman tasot ja niiden mahdolliset syyt.
● Asiakkaan elinkaariarvo (LTV): Korkea asiakaspoistuma laskee asiakkaan LTV:tä. Vahva asiakaspysyvyys yhdistettynä strategiseen hinnoitteluun, lisämyyntiin ja muihin tulojen kasvattamisstrategioihin maksimoi kustakin yksittäisestä asiakkaasta saatavat tulot.
● Asiakashankinnan kustannus: Mitä kalliimpaa asiakkaiden hankkiminen on, sitä korkeampi asiakkaan LTV:n täytyy olla. Jos asiakaspoistuma ja asiakashankinnan kustannukset (CAC) ovat korkeat, yrityksesi voi nopeasti alkaa menettää rahaa, kun se käyttää varoja pyrkiessään korvaamaan menetettyjä tuloja.
Tulosten toimeenpano
SaaS-kohorttianalyysi on korvaamaton apuväline huolestuttavien mallien ja niiden mahdollisten selitysten tunnistamisessa. Koska asiakaspoistumaan vaikuttaa kuitenkin niin moni muuttuja, asiakkaiden sitoutumiseen ja yleiseen käyttäjäkokemukseen, heikon asiakaspysyvyyden syystä ei voi olla varma ennen kuin toteutat muutoksia, joilla ongelmaan puututaan.
Jos esimerkiksi päättelet, että premium-tason tilaajat poistuvat, koska he eivät hyödynnä alustasi tehokkaimpia toimintoja asianmukaisesti, sinun kannattaa harkita perehdytysoppaan tai alustansisäisen koulutusmoduulin rakentamista käytön lisäämiseksi ja toimintojen tutuksi tekemiseksi.
Riippumatta siitä, mitä ongelmia tunnistat, kehitä ja toteuta toimiva ratkaisu ja seuraa kohorttimittareita jatkossa. Jos asiakaspoistuma ja/tai asiakaskohtaiset tulot kasvavat, voit olla varma, että tunnistit ongelman oikein.
Ole pelokas, kun muut ovat ahneita
Asiakasarvioiden, kyselyiden ja muiden palautemuotojen ohella SaaS-kohorttianalyysi hyödyntää luotettavaa omista lähteistä saatua dataa paljastaakseen asiakaskuntasi merkitykselliset trendit ja mallit. Mitä enemmän SaaS-ratkaisusi kasvaa, sitä arvokkaammaksi tämä strategia muuttuu kohorttidatan läpikäymisessä ja sellaisten oivallusten löytämisessä, joita et ehkä löytäisi mistään muualta.
Parhaassakin tapauksessa SaaS-kohorttianalyysin tulosten käsitteleminen voi kuitenkin olla jonkin verran arvauspeliä. Yksi parhaista tavoista lähestyä tätä haastetta on keskustella muiden taloustiimisi jäsenten sekä muiden kokeneiden talousjohtajien kanssa, jotka ovat kohdanneet samanlaisia haasteita omien SaaS-tulovirtojensa rakentamisessa ja suojaamisessa.
Löydä lisää oivalluksia ja resursseja, jotka tukevat tämän päivän teknologia-alan talousjohtajia – tilaa The CFO Clubin uutiskirje jo tänään.
