I dlaczego dobrze jest włączyć znajomość tych narzędzi do palety umiejętności controllerów?
Czym są analiza kohort i segmentacji?
W dzisiejszym dynamicznym otoczeniu biznesowym, analiza szans i zagrożeń stanowi kluczowy element podejmowania świadomych decyzji. Identyfikowanie trendów i anomalii w zachowaniach nabywców, stanowi z tej perspektywy jeden z głównych obszarów zainteresowania, zwłaszcza przedsiębiorstw oferujących swoje produkty lub usługi klientom indywidualnym (B2C).
Narzędziami wykorzystywanymi w tym celu są analiza kohort oraz segmentacji. W mojej ocenie, powinny one znaleźć się również w arsenale instrumentów wykorzystywanych (a co najmniej intepretowanych) przez osoby / działy trudniące się planowaniem i analizami finansowymi i/lub controllerów.
Na czym polegają wymienione typy analiz?
Analiza Kohort grupuje klientów na podstawie wspólnych charakterystyk lub zachowań w określonym czasie. Umożliwia to śledzenie ich działań oraz reakcji na różne bodźce. Przykładowo, analizując kohorty klientów, można zidentyfikować, które grupy mają najdłuższy cykl życia tj. najdłużej będą pozostawać w gronie klientów przedsiębiorstwa lub które kampanie marketingowe są najbardziej efektywne.
Analiza Segmentów dzieli klientów na różne segmenty na podstawie kryteriów demograficznych, geograficznych, behawioralnych itp. Pozwala na lepsze zrozumienie tych klientów. Różni się od analizy kohort tym, że skupia się na analizie różnic pomiędzy grupami klientów w danym momencie. Analiza kohort patrzy na zachowania tych samych grup w czasie.
Kohorty to grupy użytkowników o wspólnych cechach w określonym okresie czasu lub wydarzeniu — na przykład nowi klienci, którzy zostali aktywowani lub utrzymani w ciągu ostatnich 30 dni. Kohorta może być zarówno oparta na wydarzeniu (pierwsze nabycie produktu lub usługi), jak i ograniczona czasowo.
Segmenty to grupy o wspólnych zainteresowaniach i o podobnych zachowaniach. Klienci zaklasyfikowani do danego segmentu dzielą te same cechy i zachowania. Sam segment nie jest jednak ograniczony czasowo. Te cechy mogą obejmować wszystko, od wielkości klienta, branży, miesięcznych powtarzalnych przychodów (MRR), lokalizacji, wyniku NPS (patrz niżej), wysiłku klienta itp.
Obie metody analizy dostarczają różnych perspektyw i mogą być wykorzystywane razem. Dzięki temu można uzyskać holistyczny obraz klientów i rynku.
Przykłady zastosowania analizy kohort i segmentacji
Analiza kohort
Zrozumienie potrzeb klientów
Analiza kohort umożliwia zrozumienie, co użytkownikom najbardziej się podoba lub nie, w produkcie oferowanym przez przedsiębiorstwo. Na przykład możemy, czy konkretna kohorta akceptuje lub odrzuca cechy produktu (np. nowe funkcjonalności) w czasie.
Zwiększenie zaangażowania
Dzięki analizie kohort możliwa jest identyfikacja cech i funkcji, które generują największe zaangażowanie. Istnieje duże prawdopodobieństwo, że najbardziej angażujące funkcje generują również największe przychody.
Priorytetyzacja
Dzięki danym uzyskanym w toku analizy kohort przedsiębiorstwo może podejmować świadome decyzje dotyczące np. priorytetu wdrożenia lub ulepszenia poszczególnych funkcji. Priorytet zyskują inicjatywy przekładające się pozyskania, konwersje klientów, wydłużenie ich cyklu życia (lifetime, LT), zwiększenie wartości generowanej w trakcie tego cyklu (lifetime value, LTV).
Zrozumienie reakcji klientów
Śledzenie skuteczności wdrożenia nowych funkcji jest możliwe dzięki np. utworzeniu kohort w określonym momencie np. krótko po aktualizacji produktu.
Pomoże to odpowiedzieć na pytanie, jaki procent użytkowników faktycznie uznaje modyfikacje produktu za przydatne.
Analiza segmentów
Identyfikacja trudności
Dzięki możliwości segmentowania użytkowników na podstawie ich zachowania, łatwiejsza staje się analiza ich cyklu życia. Tym samym, przedsiębiorstwo uzyskuje lepsze zrozumienie, które etapy tego cyklu są problematyczne. Na przykład, może ono zaobserwować i zrozumieć, dlaczego na danym etapie stosunkowo duża grupa klientów rezygnuje z produktu / usługi lub nie dokonuje zakupu. Jest to podstawowe narzędzie pomocne w ograniczaniu poziomu rezygnacji (churn).
Poprawa doświadczenia klienta (customer experience)
Dzięki analizie segmentów można np. zidentyfikować klientów nieaktywnych lub takich, których cechuje niski poziom zaangażowania. Poprzez zrozumienie łączących ich cech bardziej prawdopodobne jest dostarczenie im lepiej dopasowanego produktu lub usługi. A może jakiś etap nabywania lub korzystania z usługi jest problematyczny? Dzięki zrozumieniu sytuacji klientów możliwe jest np. zaoferowanie lepszych, bardziej przystępnych instrukcji obsługi, samouczków lub innych rozwiązań.
Zwiększenie poziomu retencji klientów
Segmentacja klientów może być używana do zwiększenia współczynnika retencji klientów. W szczególności, zyskujemy szansę na zrozumienie jakie ewentualnie problemy czy błędy wpływają na decyzje klientów o rezygnacji. Możemy proaktywnie skontaktować się z wybranymi grupami klientów i próbować przekonać te osoby do dalszego korzystania z produktu lub usługi.
Przykład analizy kohort i segmentów w ChatGPT
Krok pierwszy, analiza kohort
Zaczniemy od analizy churnu dla poszczególnych kohort. Kohorty zostały pogrupowane w oparciu o miesiąc pierwszego nabycia usługi / produktu. Dane do tego przykładu umieściłem tutaj.
Dane te zawierają informację o numerze kohorty, miesiącu z cyklu życia kohorty, liczbie klientów, którzy zrezygnowali, liczbie klientów którzy pozostali, poziomie rezygnacji.
Analizę kohort przeprowadziłem w ChatGPT, z wykorzystaniem modelu GPT-4 oraz modułu Advanced Data Analysis. Te funkcjonalności są udostępnione dla użytkowników płatnej wersji ChatGPT Plus. Wykorzystaną była wersja modelu językowego na 25 września 2023 r.
Poniżej przedstawiłem tekst prompta wraz z pobranym plikiem z danymi.
I oto uzyskany wynik. Jak widać, w przypadku trzech kohort zaobserwowano bardzo wysoki poziom churnu. Każdorazowo miał on miejsce w czwartym miesiącu od nabycia usługi. Przyczyną są zapewne wydarzenia mające miejsce w miesiącach poprzedzających decyzję klientów o rezygnacji.
W dalszej analizie, przedstawionej w tym poście, skupię się na kohorcie trzeciej. Pierwszym krokiem będzie zatem podzielenie tej kohorty na bardziej szczegółowe segmenty, na przykład na podstawie oceny NPS (Net Promoter Score).
NPS to miara, która pokazuje, na ile prawdopodobne jest, że klienci polecą przedsiębiorstwo, produkt lub usługę innym osobom. Jest to wskaźnik lojalności klientów, który jest szeroko stosowany na całym świecie. NPS przyjmuje wartości od -100 (wszyscy klienci są krytykami) do +100 (wszyscy klienci są promotorami).
NPS jest obliczany na podstawie odpowiedzi na jedno pytanie: "Jak prawdopodobne jest, że polecisz naszą firmę/produkt/usługę znajomemu lub koledze?" Odpowiedzi są udzielane na skali od 0 do 10, gdzie 0 oznacza "zupełnie nieprawdopodobne", a 10 oznacza "bardzo prawdopodobne".
Respondenci są następnie podzielani na 3 kategorie:
Promotorzy (ocena 9-10): Zadowoleni klienci, którzy prawdopodobnie polecają markę/produkty/ przedsiębiorstwo innym.
Zadowoleni (ocena 7-8): Klienci, którzy są zadowoleni, ale nie na tyle, aby aktywnie promować ww.
Krytycy (ocena 0-6): Niezadowoleni klienci, którzy mogą zaszkodzić przedsiębiorstwu przez negatywne opinie lub słowo ustne.
NPS jest następnie obliczany za pomocą następującego wzoru:
Większość przedsiębiorstw uważa wynik NPS powyżej 0 za "dobry", powyżej 50 za "świetny" i powyżej 70 za "doskonały".
Krok drugi, analiza segmentacji
Kolejnym krokiem będzie analiza wyselekcjonowanej kohorty. Dane niezbędne do tej analizy znajdziecie Państwo tutaj.
Ponownie skorzystamy z ChatGPT, model GPT-4, z aktywowanym modułem Advanced Data Analysis.
Prompt, z którego skorzystałem, przedstawia się następująco:
Wstępna analiza wykazała, że klienci sklasyfikowani jako krytycy charakteryzują się niższą średnią częstością oraz wartością zakupów.
Ciekawą moim zdaniem obserwacją może być to, że krytycy cechują się nieco niższym średnim wiekiem, aniżeli klienci zaklasyfikowani do grup "Promotorów" oraz "Zadowolonych". Może to wynikać z różnych czynników, takich jak znajomość technologii, siła nabywcza lub różne oczekiwania.
Kolejne kroki, to przeanalizowanie różnych etapów z cyklu życia danej kohorty. Okazuje się, że w bardzo dużym stopniu na niskie niezadowolenie wpłynęły brak określonych form płatności oraz niedostępność produktów / usług w magazynie.
Analiza uzyskanych wyników
Dostępność produktu
Identyfikacja problemu: Niedostępność produktów zdaje się być wyraźnym problemem dla krytyków.
Zalecane działanie: Zapewnienie dostępności produktu może znacząco poprawić NPS. Strategie mogą obejmować poprawę zarządzania zapasami, optymalizację łańcucha dostaw oraz potencjalne wdrożenie funkcji powiadamiania o ponownej dostępności produktu dla klientów.
Preferowana forma płatności
Niektórzy klienci, nie mają dostępnej swojej preferowanej opcji płatności.
Zalecane działanie: Zbadanie i ewentualne zintegrowanie szerszego zakresu opcji płatności może złagodzić ten problem i zwiększyć wygodę klientów. Problem może też nie leżeć w braku dostępności formy, a trudności w jej "odnalezieniu". W takim przypadku przydatne może być przeprowadzenie (i trwałe wdrożenie do instrumentarium zarządzania produktem) testów A/B, o czym za chwilę.
Demografia i zachowania klientów
Młodsi klienci, osoby robiące zakupy mniej często oraz klienci wydający mniej średnio wydają się być mniej zadowoleni.
Zalecane działanie: Zrozumienie specyficznych potrzeb i bolączek tych segmentów za pomocą ankiet lub wywiadów może ujawnić działania, które mogą poprawić ich doświadczenia.
Dalsze kroki
Jednym z możliwych kroków może być przeprowadzenie analizy A/B. Może być to zasadne, jeżeli w toku dalszej analizy wykażemy, że problemem nie jest brak rodzaju płatności, tylko np. fakt, że określone grupy osób nie są w stanie odnaleźć niezbędnej dla nich informacji.
Testy A/B to technika używana w marketingu internetowym, analizie danych i badaniach naukowych, która polega na przeprowadzeniu eksperymentu z dwiema (lub więcej) wersjami czegoś. Pozwala to na ocenę, która wersja (tego czegoś) jest bardziej skuteczna.
Podczas testu A/B, poszczególne wersje (np. dwie różne strony internetowe, e-maile lub reklamy) są prezentowane różnym grupom ludzi. Następnie analizowane są uzyskane wyniki, takie jak wskaźniki kliknięć, konwersji, czy inne metryki. Pozwala to na ocenę, która wersja jest bardziej skuteczna.
Przykład: Załóżmy, że nasze przedsiębiorstwo prowadzi sklep internetowy. Naszym celem jest zwiększenie sprzedaży. Jednym z pomysłów jest zmiana koloru przycisku "Dodaj do koszyka" na bardziej wyrazisty, przyciągający uwagę. Możemy stworzyć dwie wersje strony: jedną z czerwonym przyciskiem (wersja A) i drugą z niebieskim przyciskiem (wersja B). Połowa odwiedzających zostanie przekierowana na wersję A, a połowa na wersję B. Po pewnym czasie, konieczne jest przeanalizowanie danych i sprawdzenie, która wersja przyciągnęła więcej klientów i generowała więcej sprzedaży.
Wykorzystanie LLM w projektowaniu wariantów strony internetowej.
Najnowsza edycja ChatGPT umożliwia generowanie wielu pomysłów na projektowanie stron internetowych, np. na potrzeby testów A/B. W tym celu ponownie potrzebujemy modelu GPT-4, tym razem z aktywowanym dodatkiem DALL-e 3.
Celem wygenerowania takich wersji, wpisałem w ChatGPT poniższy prompt.
Inne możliwe działania to np. szczegółowa analiza opinii lub recenzji (jeśli są dostępne) od różnych segmentów NPS. Powinna ona dostarczyć więcej kontekstu i umożliwić doprecyzowanie obszarów, na których należy się skoncentrować się w pierwszej kolejności. Warto być może upewnić się, na ile obserwowane różnice są istotne statystycznie. W tym celu można rozważyć przeprowadzenie testów np. analizy wariancji. Wreszcie, przydatnym narzędziem może być analiza regresji, dzięki której ocenimy czy i które zmienne są istotnymi zmiennymi tłumaczącymi NPS. W dalszym horyzoncie warto rozważyć wdrożenie modeli do przewidywania NPS na podstawie cech klientów, co pomoże w rozwijaniu spersonalizowanych strategii ich angażowania.
Podsumowanie
W dzisiejszym dynamicznie rozwijającym się świecie biznesu, zrozumienie potrzeb i zachowań klientów to klucz do sukcesu. W tym kontekście analiza kohort i segmentacji należy do niezbędnego instrumentarium każdego przedsiębiorstwa funkcjonującego w modelu B2C.
Analiza kohort pozwala na grupowanie klientów według wspólnych cech lub zachowań w danym okresie czasu. W szczególności, pozwala na śledzenie tego, jak różne grupy klientów reagują na pewne bodźce i jakie aspekty oferty są dla nich najbardziej atrakcyjne. Dzięki temu, przedsiębiorstwa mogą lepiej dostosowywać swoje produkty i usługi, a także identyfikować kluczowe momenty cyklu życia klienta. W szczególności te, które wymagają interwencji lub poprawy.
Analiza segmentów skupia się na podziale klientów na grupy według określonych kryteriów, takich jak dane demograficzne czy geograficzne. Pozwala to na głębsze zrozumienie potrzeb poszczególnych segmentów rynku i dostosowywanie oferty do ich specyficznych wymagań. Przykładowo, oferty skierowane do młodszych konsumentów mogą być inaczej kształtowane niż te dla starszych pokoleń.
Korzystanie z tych narzędzi daje przedsiębiorstwom konkretne, oparte na danych wskazówki. Dzięki temu, mogą one lepiej spełniać oczekiwania klientów, zwiększając ich satysfakcję i lojalność.
Dla controllerów, znajomość i umiejętność korzystania z analizy kohort i segmentacji może być bardzo przydatna. Wprowadza ona nowy wymiar do planowania, prognozowania i analizy finansowej, umożliwiając bardziej świadome i oparte na danych podejmowanie decyzji.