verás las mismas constantes a lo largo de estos ejemplos:
-
ChurnedCustomerses el número de clientes que perdieron en la ventana de tiempo. -
nes el número de días en su marco de tiempo. A la hora de calcular más de un mes,n=28,29,30o31., -
Customerses una lista de los números de los clientes en cualquier día dadoi1 an. Por ejemplo,Customers_1es el número total de clientes que tenía el primer día de la ventana.
la forma sencilla
la forma más sencilla de calcular el churn es:
usted está dividiendo el número total de clientes batidos durante el período Por el número de clientes que tenía el primer día del período.,
lo bueno& lo malo
el pro principal » de la versión simple de calcular el churn es su simplicidad. La fórmula de tasa de rotación es fácilmente comprensible y calculable rápidamente. Solo necesitas saber 2 números rápidos para calcular tu tasa de abandono mensual, y todo lo que necesitas son esos dos números para cada mes para poder comparar el abandono mensual.
el problema con este cálculo simple, sin embargo, es que tiene dificultades para lidiar con un crecimiento significativo. Cuando tienes mucho crecimiento, tanto tu churn como el total de clientes pueden subir., Si el total de tus clientes aumenta más, tu tasa de abandono disminuirá, incluso cuando tengas más clientes abandonando tu producto que el mes anterior.
Si eres una empresa establecida con una base de clientes significativa y un crecimiento estable mes a mes, esto no es un problema. Pero si usted es una empresa nueva con nuevos clientes sustanciales cada mes, esto puede conducir a una interpretación extraña donde puede perder más clientes por mes, pero su tarifa mejorará.,
ejemplo
Aquí hay un ejemplo del post de Shopify que ilustra las deficiencias de la manera Simple:
para calcular la tasa de churn, comience con el número de clientes a principios de agosto (10,000). En este ejemplo pierdes 500 (5%) de estos clientes, pero adquieres 5.000 nuevos clientes a lo largo del mes, de los cuales 125 (2,5%) se producen. Esto le da una tasa de rotación de 6.25% para agosto.
625 / 10,000 = 0.0625
a partir de septiembre con 14.375 clientes., Ves exactamente el mismo comportamiento Este mes, con el 5% (719) de los usuarios existentes produciendo, 5,000 nuevos clientes uniéndose, y el 2.5% (125) de esos clientes produciendo. Tu tasa de abandono simple para septiembre es del 5.87%.
844 / 14,375 = 0.0587
espera, ¿qué pasó? Has visto el mismo comportamiento, el 5% de los clientes existentes y el 2.5% de los nuevos clientes produciendo, en ambos meses, pero el resultado es dos tasas de rotación completamente diferentes. Parece que tu tasa de abandono ha bajado, pero el comportamiento subyacente se ha mantenido igual.su alto crecimiento ha distorsionado su cálculo., En agosto, 125 revolvía agregan a los clientes numerador, pero los 5.000 nuevos clientes que se unen en agosto no se agregan al denominador, lo que significa que la tasa se artificialmente alto. En los meses siguientes, el crecimiento es menos proporcional al número de clientes existente, por lo que el efecto se reduce.
la forma ajustada
para tener en cuenta el crecimiento mensual significativo, podemos tomar el punto medio del recuento de clientes para el mes, en lugar de usar su valor en el 1er del mes.,
Aquí estamos dividiendo el número de clientes descontinuados por un promedio AJUSTADO del número de clientes a lo largo de la ventana.
The Good& The Bad
Este enfoque logra lidiar con el problema del crecimiento normalizando los cambios en el total de clientes durante la ventana de tiempo. Ahora tienes una plataforma más estable en la que basar tu tasa de churn, con la ventana de tiempo para tus clientes totales igual que tu ventana de tiempo para churn.,
sin embargo, aunque este enfoque para el cálculo de la tasa de rotación se ocupa de la cuestión del crecimiento, no puede escalar con diferentes ventanas de tiempo. Usando el mismo cálculo y los mismos datos, obtendrías respuestas muy diferentes para el churn diario, semanal, mensual y trimestral.
ejemplo
Usando los datos anteriores nuevamente, ahora con Octubre agregado:
Ahora vemos la tasa de churn como la misma, incluso con un número diferente de clientes al comienzo del mes.,
de agosto se convierte en: 625 / 12,187.5 = 0.0513
de septiembre se convierte en: 844 / 16,453 = 0.0513
de octubre es: 1052 / 20,505 = 0.0513
Barrio: 2521 / 16,239.5 = 0.1552
¡Bingo! Problema resuelto. Todos podemos ir a casa por té y medallas.
no tan rápido. El principal problema con este enfoque es que hace suposiciones sobre los datos. Si calculas esto en el transcurso de 3 meses, obtendrás una tasa de abandono del 15.52%. Divida esto a lo largo de los 3 meses y obtendrá un 5.17%, muy cerca de las tasas de rotación de clientes mensuales individuales. Hasta ahora todo bien.,
pero ¿qué pasa si no tienes exactamente los mismos números a lo largo de cada mes? Hagamos de agosto un mal mes para nuestra imaginaria compañía B2B SaaS. Esta vez, solo obtiene 100 nuevos clientes, 2 de los cuales se producen.
el comportamiento es el mismo en términos de churn (5% de clientes existentes y ~2.5% de clientes nuevos), y cuando se calcula individualmente cada mes muestra la misma tasa de churn de 5.13%.
pero cuando se calcula como un trimestre, se obtiene una tasa de rotación de 3 meses de 13.72%, que dividido a lo largo de cada mes es 4.57%.,
Agosto: 502 / 9799 = 0.0513
septiembre: 605 / 11,795.5 = 0.0513
octubre: 825 / 16,080.5 = 0.0513
trimestre: 1932 / 14,084 = 0.1371
ahora nuestras Tasas de abandono mensual ya no coinciden con nuestra tasa de abandono trimestral, a pesar de que utilizan exactamente los mismos datos. Esto es porque hemos cambiado la ventana de tiempo que estamos calculando. Este enfoque asume que la rotación se distribuye uniformemente dentro del período de tiempo, con una distribución lineal. Pero churn nunca es tan útil., Una buena tasa de rotación debería ser capaz de expandirse o contraerse bien con el tiempo que mide, y aún así ofrecer resultados comparables.
la forma predictiva
cualquier buen cálculo de la tasa de churn debe dar algunos consejos prácticos. En este ejemplo, Shopify ha intentado incorporar un elemento predictivo en la ecuación. Están tratando de determinar una tasa de churn promedio ponderada, para que rate*customers prediga la tasa de churn probable en un día dado.,
InactiveCustomers es una matriz de cuántos clientes activos el día i están inactivos el día i+n, es decir, un mes después. Si tiene 1000 clientes el 1 de septiembre, entonces espera a tiempo para ver cuántos de esos 1000 han batido el 1 de octubre. Usted suma eso, luego divide por la suma del total de clientes en septiembre.
lo bueno& lo malo
parece increíble poder predecir el churn. Tener un peso que puedes multiplicar con los clientes para obtener un churn predicho sería genial para planificar tus finanzas., ¿Quién no quiere hacer eso?
bueno, probablemente hayas notado un problema crítico con este enfoque:»…entonces miras hacia adelante en el tiempo…»
esto requiere dos meses de datos para ejecutar el cálculo de un mes. Con el fin de determinar su tasa de abandono para este mes, usted tiene que esperar hasta el final del próximo mes. Eso no es bueno para una métrica que se supone que lo mantendrá actualizado sobre el éxito de su empresa. Si tiene varias cuentas canceladas en septiembre, no tendrá esta información hasta octubre.,
La tapa de esto es que cuando llegas a finales de octubre y tiene un churn, ahora desde hace un mes. No es actual. Ya no puede informar las tasas de rotación a sus empleados para el mes anterior, en su lugar, les está diciendo lo que sucedió hace un mes.
este enfoque tiene los mismos problemas que las métricas móviles, y usted sabe que debe mantenerse alejado de ellos.
Los cálculos en las métricas SaaS deben tomar todos sus datos y transformarlos en números fácilmente comprensibles y procesables. Este cálculo hace que tus números sean más complicados y menos procesables.,
la forma de Shopify
en lugar de tomar aproximadamente el promedio del primer día y el último día del mes como lo hacemos con la forma ajustada, podemos tomar el promedio de cada día del mes para obtener un cálculo más preciso.
divides tu número batido por el promedio de tu cuenta de clientes entre los días 1 y n.
El Bueno & El Malo
esto trata con los problemas que plagan las otras variaciones. Se puede utilizar en períodos de alto crecimiento, y se escala muy bien a través de diferentes ventanas de tiempo., También puede usarlo de manera oportuna, obteniendo una tasa de rotación actualizada.
pero siempre habrá variaciones en sus números que un solo cálculo no puede tener en cuenta. Los clientes más nuevos baten a una tasa más alta los clientes más antiguos, las diferencias en las cohortes, en los planes, en el tamaño de la cuenta. Ninguno de estos se capturan en esta fórmula, y al usarlo, las empresas podrían tener una falsa sensación de seguridad de que el número que obtienen cada día, semana, mes o trimestre es toda la historia de su churn.,
Por Qué Debería facilitárselo
como señala Noah Lorang en Basecamp, el análisis de SaaS no debería ser una ciencia de cohetes. Uno de sus «tres secretos» es «hacerlo fácil.»
Cuando reduce la complejidad en su cálculo de churn, obtiene los siguientes beneficios, que no se pueden subestimar.
-
es fácilmente comprensible: cualquier persona de su organización puede entender ese número. Esto es absolutamente crítico para una métrica clave. Si nadie entiende tu número, no pueden actuar en consecuencia.,
-
es fácilmente comparable: cuanta más complejidad agregue y más casos intente tener en cuenta, más difícil será comparar su cálculo de rotación en diferentes períodos de tiempo. Usted crea consistencia tomando el camino simple y directo.
-
sirve como punto de partida para un análisis más profundo: puede comprender fácilmente lo que su número representa, lo que no y dónde necesita profundizar para obtener más información. Con cálculos más complejos, su primer paso debe recordarse cómo calcularlo.,
es por eso que, en ProfitWell, usamos la forma Simple con una ventana de Tiempo mensual.
Lo mantenemos simple para que pueda pasar su tiempo profundizando en el número, analizando la rotación por cohorte, y así sucesivamente, sin gastarlo tratando de calcular cómo llegamos a nuestro número. Este método ha funcionado para miles de nuestros clientes, y puede funcionar para su empresa B2B SaaS (o cualquier otro negocio de suscripción) también.
todas tus métricas principales son solo titulares. No son la historia. La historia está enterrada en lo profundo de los números., Necesitas mirar en profundidad el cómo y el por qué de tu churn en lugar de tratar de tener en cuenta cada variable dentro de tu cálculo de tasa de churn.
Su inmersión profunda en los números es donde realmente descubrirá sobre su negocio y cómo podrá tomar decisiones procesables para mejorar la tasa de retención de clientes.
preguntas frecuentes sobre la tasa de abandono común
El abandono es un tema complicado, pero recibimos muchas de las mismas preguntas sobre abandono una y otra vez. Estas son algunas de las preguntas más frecuentes, y nuestras respuestas para ellas.
¿Qué es una buena tasa de desconexión?,
las tasas promedio de churn están en todas partes del 2% al 8% de la MRR, según nuestros estudios de churn. Por lo tanto, una tasa de churn en el extremo inferior (2%) se consideraría «buena». Por edad de la empresa, las empresas de más de 10 años tienen un 2-4% de churn, mientras que las empresas más jóvenes oscilan entre el 4% y el 24%.
¿qué es la tasa de rotación negativa?
La tasa de rotación negativa se produce cuando los ingresos adicionales de nuevos clientes (Ingresos por expansión) superan los ingresos perdidos de los clientes eliminados. La pérdida negativa suele ser causada por actividades como = actualizaciones, opciones de servicio, complementos, etc.