vil Du se det samme konstanter i alle disse eksempler:
-
ChurnedCustomerser antallet af kunder, der er vredet i den tid vindue. -
ner antallet af dage i din valgte tidsramme. Ved beregning over en måned,n=28,29,30eller31., -
Customerser en liste over antallet af kunder på en given dagi1n. For eksempel erCustomers_1det samlede antal kunder, du havde på den første dag i vinduet.
den enkle måde
den enkleste måde at beregne churn på er:
du deler det samlede antal churned kunder i perioden med antallet af kunder, du havde på periodens første dag.,
den gode & den dårlige
den vigtigste pro” i den enkle version af beregning af churn er dens enkelhed. Den churn rate formel er let forståelig og hurtigt beregnes. Du behøver kun at vide 2 hurtige tal for at finde ud af din churn sats for måneden, og alt hvad du behøver er de to numre for hver måned for at kunne sammenligne måned til måned churn.
problemet med denne enkle beregning er dog, at det har svært ved at håndtere betydelig vækst. Når du har en masse vækst, både din churn og samlede kunder kan gå op., Hvis din samlede kunder går op mere, din churn sats vil gå ned, selv når du har flere kunder kærning ud af dit produkt end den foregående måned.
Hvis du er en etableret virksomhed med en betydelig kundebase og stabil vækst måned for måned, er dette ikke et problem. Men hvis du er et nyt firma med betydelige nye kunder hver måned, kan dette føre til en mærkelig fortolkning, hvor du kan miste flere kunder pr.,
Eksempel
Her er et eksempel fra Shopify indlæg illustrerer de mangler, af den Enkle Måde:
for At beregne churn rate, begynde med antallet af kunder i begyndelsen af August (10,000). I dette eksempel mister du 500 (5%) af disse kunder, men erhverver 5.000 nye kunder i løbet af måneden, hvoraf 125 (2.5%) churn out. Dette giver dig en churn rate på 6.25% for August.625 / 10,000 = 0.0625
du starter derefter September med 14,375 kunder., Du ser nøjagtigt den samme opførsel denne måned, med 5% (719) af eksisterende brugere, der kører, 5,000 nye kunder tilslutter sig, og 2.5% (125) af disse kunder, der kører. Din enkle churn sats for September kommer ind som 5.87%. 844 / 14,375 = 0.0587
Vent, hvad skete der? Du har set den samme adfærd, 5% af eksisterende kunder og 2.5% af nye kunder churning, i begge måneder, men resultatet er to helt forskellige churn satser. Det ser ud til, at din churn rate er gået ned, men den underliggende adfærd er forblevet den samme.
Din høje vækst har forvrænget din beregning., I August tilføjes 125 churned kunder til tælleren, men de 5.000 nye kunder, der deltager i August, blev ikke føjet til nævneren—hvilket betyder, at churn er kunstigt høj. I de følgende måneder er væksten mindre proportionalt med det eksisterende kundetælling, så effekten mindskes.
den justerede måde
for at tage højde for betydelig månedlig vækst kan vi tage midtpunktet for kundetællingen for måneden i stedet for at bruge dens værdi den 1.i måneden.,
Her deler vi antallet af kærnede kunder med et justeret gennemsnit af antallet af kunder i hele vinduet.
den gode & den dårlige
denne tilgang formår at håndtere vækstproblemet ved at normalisere ændringer i de samlede kunder over tidsvinduet. Nu har du en mere stabil platform til at basere din churn rate på, med tidsvinduet for dine samlede kunder det samme som dit tidsvindue for churn.,
selvom denne tilgang til beregning af churn rate behandler vækstproblemet, undlader den at skalere med forskellige tidsvinduer. Ved hjælp af den samme beregning og de samme data får du meget forskellige svar til daglig, ugentlig, månedlig og kvartalsvis churn.
eksempel
brug af ovenstående data igen, nu med tilføjet oktober:
nu ser vi churn rate som den samme, selv med et andet antal kunder i starten af måneden.,
August bliver: 625 / 12,187.5 = 0.0513
September bliver: 844 / 16,453 = 0.0513
oktober er: 1052 / 20,505 = 0.0513
Kvartal: 2521 / 16,239.5 = 0.1552
Bingo! Problemet er løst. Vi kan alle tage hjem til te og medaljer.
ikke helt så hurtigt. Hovedproblemet med denne tilgang er, at det gør antagelser om dataene. Hvis du beregner dette i løbet af 3 måneder, kommer du ud med en churn rate på 15.52%. Del dette på tværs af 3 måneder, og du får 5.17%, meget tæt på de individuelle månedlige kundeafgang. Så langt så godt.,
men hvad nu hvis du ikke har nøjagtigt de samme numre på tværs af hver måned? Lad os gøre August til en dårlig måned for vores imaginære B2B SaaS-firma. Denne gang får det kun 100 nye kunder, hvoraf 2 churn ud.
adfærden er den samme med hensyn til churn (5% af eksisterende kunder og ~2.5% af nye kunder), og når de beregnes individuelt hver måned Viser den samme churn sats på 5.13%.
men når du beregnes som et kvartal, får du en 3-måneders churn rate på 13.72%, som fordelt på hver måned er 4.57%.,
August: 502 / 9799 = 0.0513
September: 605 / 11,795.5 = 0.0513
oktober: 825 / 16,080.5 = 0.0513
Kvartal: 1932 / 14,084 = 0.1371
Nu vores månedlige omsætningshastigheder ikke længere stemmer overens med vores kvartalsvise churn rate, selvom de bruger præcis de samme data. Dette skyldes, at vi har ændret det tidsvindue, vi beregner. Denne tilgang forudsætter, at churn fordeles jævnt inden for tidsperioden, med en lineær fordeling. Men churn er aldrig så nyttigt., En god churn rate ratio bør være i stand til at udvide eller trække sig godt sammen med den tid, den måler, og stadig levere sammenlignelige resultater.
den prædiktive måde
enhver god churn rate beregning bør give nogle handlingsrettede råd. I dette eksempel har Shopify forsøgt at indarbejde et forudsigeligt element i ligningen. De forsøger at bestemme en vægtet gennemsnitlig churn rate, så rate*customers vil forudsige den sandsynlige churn rate på en given dag.,
InactiveCustomers er et array af, hvor mange kunder, der er aktive på dagen i er inaktiv om dagen i+n, dvs en måned senere. Hvis du har 1000 kunder den 1. September, ser du frem til tiden for at se, hvor mange af disse 1000 har churned den 1.oktober. Du opsummerer det, divider derefter med summen af de samlede kunder i September.
den gode & den dårlige
det virker fantastisk at kunne forudsige churn. At have en vægt, som du kan formere med kunder for at få forudsagt churn ville være fantastisk til at planlægge din økonomi., Hvem vil ikke gøre det?
Nå har du sikkert bemærket et kritisk problem med denne tilgang: “…så ser du frem i tiden…”
dette kræver to måneders data for at køre en måneds beregning. For at bestemme din churn rate for denne måned, skal du vente til slutningen af næste måned. Det er ikke godt for en måling, der skal holde dig opdateret om din virksomheds succes. Hvis du har et antal konti, der annulleres i September, har du ikke disse oplysninger før i Oktober.,
flip af dette er, at når du kommer til slutningen af oktober og har en churn sats, er det nu fra en måned siden. Det er ikke aktuelt. Du kan ikke længere rapportere churn satser til dine medarbejdere for den foregående måned, du i stedet fortæller dem, hvad der skete for en måned siden.
denne tilgang har alle de samme problemer som rullende målinger, og du ved, at du skal holde dig væk fra dem.
beregninger i SaaS-målinger skal tage alle dine data og omdanne dem til let forståelige, handlingsmæssige tal. Denne beregning gør dine numre mere komplicerede og mindre Handlingsrettede.,
Shopify Wayay
i stedet for at tage gennemsnittet af den første dag og sidste dag i måneden, som vi gør med den justerede måde, kan vi tage gennemsnittet af hver dag i måneden for at få en mere præcis beregning.
du deler dit nummer kærnet med gennemsnittet af dit kundetælling mellem dag 1 og n.
det gode & det dårlige
dette omhandler de problemer, der plager de andre variationer. Du kan bruge det i perioder med høj vækst, og det skalerer pænt på tværs af forskellige tidsvinduer., Du kan også bruge det i tide og få en up-to-date churn rate.
men der vil altid være variationer i dine tal, som en enkelt beregning ikke kan tage højde for. Nyere kunder kærning til en højere sats de ældre kunder, forskelle i kohorter, i planer, i størrelse af konto. Ingen af disse er fanget i denne formel, og ved at bruge det, kunne virksomheder har en falsk følelse af sikkerhed, at det nummer, de får hver dag, uge, måned eller kvartal er hele historien om deres churn.,
hvorfor du skal gøre det nemt for dig selv
som Noah Lorang på Basecamp påpeger, bør SaaS analytics ikke være raketvidenskab. En af hans “tre hemmeligheder” er at “gøre det nemt.”
Når du reducerer kompleksiteten på din churn-beregning, får du følgende fordele, som ikke kan undervurderes.
-
det er let forståeligt — alle i din organisation kan forstå dette nummer. Dette er absolut kritisk for en nøgle metrisk. Hvis ingen forstår dit nummer, kan de ikke handle på det.,
-
det er let sammenligneligt — jo mere kompleksitet du tilføjer, og jo flere tilfælde du forsøger at redegøre for, jo sværere vil det være at sammenligne din churn-beregning på tværs af forskellige tidsperioder. Du skaber konsistens ved at tage den enkle og ligetil vej.
-
det tjener som udgangspunkt for dybere analyse — du er i stand til nemt at forstå, hvad dit nummer tegner sig for, hvad det ikke gør, og hvor du skal grave i for at lære mere. Med mere komplekse beregninger vil dit første skridt minde dig selv om, hvordan du beregner det.,derfor bruger vi på profit .ell den enkle måde med et månedligt tidsvindue.
Vi holder det enkelt, så du kan bruge din tid på at tage et dybere dykke på nummeret, analysere churn efter kohorte og så videre—ikke bruge det til at beregne, hvordan vi ankom til vores nummer. Denne metode har fungeret for tusinder af vores kunder, og den kan også fungere for din B2B SaaS-virksomhed (eller enhver anden abonnementsvirksomhed).
alle dine top-line målinger er bare overskrifter. Det er ikke historien. Historien er begravet dybt inden for tallene., Du skal se i dybden på hvordan og hvorfor af din churn snarere end at forsøge at tage højde for hver variabel i din churn rate beregning.
dit dybe dyk ned i tallene er, hvor du rent faktisk finder ud af om din virksomhed, og hvordan du vil være i stand til at tage handlingsmæssige beslutninger for at forbedre kundefastholdelsesgraden.Ofte Stillede Spørgsmål om fælles Churn Rate
Churn er et vanskeligt emne, men vi får mange af de samme spørgsmål om churn igen og igen. Her er nogle af de mest stillede spørgsmål, og vores svar til dem.
Hvad er en god churn rate?,
gennemsnitlige churn satser er overalt fra 2% – 8% af MRR, pr vores churn studier. Derfor ville en churn rate i den lave ende (2%) betragtes som “god”. Efter virksomhedsalder har 10+ årige virksomheder en 2-4% churn, mens yngre virksomheder spænder fra 4% – 24%.
Hvad er negativ churn rate?
negativ churn rate opstår, når tilføjede indtægter fra nye kunder (ekspansion indtægter) overgår tabte indtægter fra churned kunder. Negativ churn er normalt forårsaget af aktiviteter som = opgraderinger, servicemuligheder, tilføjelser osv.