A lemorzsolódási arány kiszámítása: 4 képlet a lemorzsolódás kiszámításához

ugyanazokat az állandókat fogja látni ezekben a példákban:

• ChurnedCustomers az időablakban lemorzsolódott ügyfelek száma.

n a választott időkeretben szereplő napok száma. Kiszámításakor több mint egy hónapja, n = 28, 29, 30 vagy 31.,

Customers egy lista az ügyfelek számát egy adott napon i, 1 keresztül n. Például aCustomers_1 az összes ügyfél száma, amely az ablak első napján volt.

az egyszerű módszer

a lemorzsolódás kiszámításának legegyszerűbb módja:

a lemorzsolódott ügyfelek teljes számát az időszak első napján lévő ügyfelek számával osztja el.,

A jó & a rossz

a fő pro ” az egyszerű változata kiszámítása churn egyszerűsége. A lemorzsolódási sebesség formula könnyen érthető és gyorsan kiszámítható. Csak azt kell tudni, 2 Gyors számok, hogy kitaláljuk, a lemorzsolódás aránya a hónap, és minden amire szükséged van a két szám minden hónapban, hogy képes legyen összehasonlítani hónapról hónapra lemorzsolódás.

ennek az egyszerű számításnak az a problémája, hogy nehéz a jelentős növekedéssel foglalkozni. Ha sok a növekedés, mind a lemorzsolódás, mind a teljes ügyfelek felmehetnek., Ha a teljes ügyfelek megy fel több, a lemorzsolódás aránya megy le, akkor is, ha több ügyfél kavargó ki a termék, mint az előző hónapban.

Ha ön egy jelentős ügyfélkörrel rendelkező, stabil növekedési hónap havonta működő vállalat, ez nem jelent problémát. De ha egy új cég jelentős új ügyfelek minden hónapban, ez ahhoz vezethet, hogy egy furcsa értelmezés, ahol lehet veszíteni több ügyfelet havonta, de az arány jobb lesz.,

Példa

Itt egy példa a Shopify post bemutató a hiányosságokat az Egyszerű Módon:

kiszámításához lemorzsolódás, kezdődik az ügyfelek száma augusztus elején (10,000). Ebben a példában elveszíti 500 (5%) ezen ügyfelek, de szerez 5,000 új ügyfelek a hónap folyamán, ebből 125 (2.5%) lemorzsolódás ki. Ez augusztusra 6,25 százalékos lemorzsolódást jelent.
625 / 10,000 = 0.0625
ezután szeptembertől 14 375 ügyféllel kezdődik., Pontosan ugyanazt a viselkedést látja ebben a hónapban, amikor a meglévő felhasználók 5% – a (719), 5,000 új ügyfél csatlakozik, és az ügyfelek 2.5% – a (125). A szeptemberi lemorzsolódás mértéke 5,87%.
844 / 14,375 = 0.0587
Várj, mi történt? Ugyanezt a viselkedést, a meglévő ügyfelek 5% – át és az új ügyfelek 2,5% – át látta mindkét hónapban, de az eredmény két teljesen eltérő lemorzsolódás. Úgy tűnik, hogy a lemorzsolódás aránya csökkent, de a mögöttes viselkedés ugyanaz maradt.
a magas növekedés torzította a számítást., Augusztusban 125 millió ügyfelet adnak hozzá a számlálóhoz, de az augusztusban csatlakozó 5000 új ügyfél nem került hozzáadásra a nevezőhöz—ami azt jelenti, hogy a lemorzsolódás aránya mesterségesen magas. A következő hónapokban a növekedés kevésbé arányos a meglévő ügyfélszámmal, így a hatás csökken.

A korrigált módon

a jelentős havi növekedés figyelembevétele érdekében az ügyfélszám középpontját a hónapra vehetjük, ahelyett, hogy a hónap 1-jén használnánk értékét.,

itt osztjuk a lemorzsolódott ügyfelek számát az ügyfelek számának kiigazított átlagával az ablakon keresztül.

A jó & a rossz

Ez a megközelítés kezeli a növekedési kérdést azáltal, hogy normalizálja az összes ügyfél változásait az időablak alatt. Most van egy stabilabb platformja, amelyre alapozhatja a lemorzsolódási arányt, a teljes ügyfelek időablakával megegyezik a lemorzsolódás időablakával.,

azonban, bár ez a megközelítés a lemorzsolódás mértéke számítás foglalkozik a növekedési kérdés, nem skálázható különböző időablakok. Ha ugyanazt a számítást és ugyanazt az adatot használjuk, akkor nagyon különböző válaszokat kapunk a napi, heti, havi és negyedéves lemorzsolódásokra.

példa

a fenti adatok újra, most hozzáadott október:

most látjuk a lemorzsolódás mértéke ugyanaz, még egy másik ügyfelek száma a hónap elején.,

August becomes:625 / 12,187.5 = 0.0513

szeptember becomes:844 / 16,453 = 0.0513

Október is:1052 / 20,505 = 0.0513

negyedév:2521 / 16,239.5 = 0.1552

Bingo! Probléma megoldva. Hazamehetünk teáért és érmekért.

nem olyan gyors. A fő probléma ezzel a megközelítéssel az, hogy feltételezéseket tesz az adatokról. Ha ezt 3 hónap alatt kiszámítja, akkor 15, 52% – os lemorzsolódási sebességgel jön ki. Osszuk ezt az egész 3 hónap, és kapsz 5.17%, nagyon közel az egyes havi ügyfél lemorzsolódás árak. Eddig olyan jó.,

de mi van, ha nem pontosan ugyanazok a számok vannak minden hónapban? Legyen augusztus egy rossz hónap a képzeletbeli B2B SaaS cég. Ezúttal csak 100 új ügyfelet kap, amelyek közül 2 lemorzsolódik.

a viselkedés a lemorzsolódás tekintetében azonos (a meglévő ügyfelek 5% – A és az új ügyfelek ~2,5% – A), és ha minden hónapban egyedileg számítják ki, akkor ugyanaz a lemorzsolódási arány 5,13%.

de ha negyedévente számítják ki, akkor egy 3 hónapos lemorzsolódási arány 13, 72%, amely minden hónapban 4, 57%.,

augusztus: 502 / 9799 = 0.0513

szeptember: 605 / 11,795.5 = 0.0513

október: 825 / 16,080.5 = 0.0513

Negyedév: 1932 / 14,084 = 0.1371

a havi lemorzsolódás aránya már nem megfelelnek a negyedéves lemorzsolódás, annak ellenére, hogy használja ugyanazt az adatokat. Ez azért van, mert megváltoztattuk az időablakot, amelyet kiszámítunk. Ez a megközelítés feltételezi, hogy a lemorzsolódás egyenletesen oszlik el az időtartamon belül, lineáris eloszlással. De a lemorzsolódás soha nem ilyen hasznos., A jó lemorzsolódási aránynak képesnek kell lennie arra, hogy jól bővítse vagy összehúzódjon az általa mért időtartammal, és még mindig összehasonlítható eredményeket érjen el.

A prediktív módon

minden jó lemorzsolódási sebesség számításnak néhány hasznos tanácsot kell adnia. Ebben a példában a Shopify megpróbált prediktív elemet beépíteni az egyenletbe. Megpróbálják meghatározni a súlyozott átlagos lemorzsolódási arányt, így a rate*customers megjósolja az adott napon várható lemorzsolódási arányt.,

InactiveCustomersegy sor, hogy hány ügyfél aktív nap i inaktívak az i+n napon, azaz egy hónappal később. Ha szeptember 1-jén 1000 ügyfele van, akkor időben várja, hogy megnézze, hány ilyen 1000 október 1-jén köpült. Ezt összegzi, majd szeptemberben osztja meg az összes ügyfél összegével.

A jó & a rossz

félelmetesnek tűnik a lemorzsolódás előrejelzése. Miután a tömeg, hogy lehet szorozni az ügyfelekkel, hogy előre lemorzsolódás lenne nagy tervez a pénzügyek., Ki nem akarja ezt?

nos, valószínűleg észrevettél egy kritikus problémát ezzel a megközelítéssel:”…akkor majd várom az időben…”

ehhez két hónapos adatokra van szükség az egy hónapos számítás futtatásához. Annak érdekében, hogy meghatározza a lemorzsolódási arányt ebben a hónapban, meg kell várnia a következő hónap végéig. Ez nem jó egy olyan mutatóhoz, amely állítólag naprakészen tartja a vállalat sikerét. Ha szeptemberben több fiókja van, akkor ezeket az információkat csak októberben kapja meg.,

ennek az a flipje, hogy amikor október végére érünk, és lemorzsolódási arányunk van, akkor már egy hónapja. Nem aktuális. Már nem jelentheti a lemorzsolódás mértékét az alkalmazottainak az előző hónapra, ehelyett elmondja nekik, mi történt egy hónappal ezelőtt.

ennek a megközelítésnek ugyanazok a problémái vannak, mint a gördülő mutatóknak, és tudod, hogy távol kell maradnod azoktól.

Számítások SaaS mutatókat kell bevennie minden adatot legyen könnyen érthető, használható számok. Ez a számítás teszi a számok bonyolultabb, kevésbé megvalósítható.,

The Shopify Way

ahelyett, hogy nagyjából figyelembe véve az átlag az első nap és az utolsó nap a hónap, mint mi a korrigált módon, tudjuk, hogy az átlagos minden nap a hónapban, hogy pontosabb számítás.

az 1. és n. nap között az ügyfélszám átlagával osztod meg a számodat.

A jó & a rossz

Ez azokkal a kérdésekkel foglalkozik, amelyek a többi variációt sújtják. Nagy növekedésű időszakokban is használható, és különböző időablakokban szépen skálázható., Azt is használja, hogy egy időben, kapok egy up-to-date lemorzsolódás mértéke.

de mindig lesznek eltérések a számokban, amelyeket egyetlen számítás nem tud elszámolni. Újabb ügyfelek kavargó magasabb ütemben az idősebb ügyfelek, különbségek kohorszok, a tervek, a számla mérete. Ezek egyike sem szerepel ebben a képletben, és ennek felhasználásával a vállalatok hamis biztonságérzetet kelthetnek abban, hogy a szám, amelyet minden nap, hét, hónap vagy negyedév kap, a lemorzsolódás teljes története.,

miért kellene Megkönnyítenie magának

ahogy Noah Lorang a Basecamp-nél rámutat, a SaaS analytics nem lehet rakéta tudomány. Az egyik “három titka” az, hogy ” megkönnyítse.”

amikor csökkenti a lemorzsolódás kiszámításának összetettségét, a következő előnyöket kapja, amelyeket nem lehet alábecsülni.

• könnyen érthető – a szervezetében bárki megértheti ezt a számot. Ez feltétlenül kritikus a kulcsfontosságú metrika szempontjából. Ha senki sem érti a számát, nem tudnak cselekedni rajta.,

• Ez könnyen összehasonlítható — minél összetettebb a Hozzáadás, és minél több esetet próbálsz figyelembe venni, annál nehezebb lesz összehasonlítani a lemorzsolódás számítását különböző időszakokban. A következetességet úgy hozza létre, hogy az egyszerű és egyszerű utat választja.

• a mélyebb elemzés kiindulópontjaként szolgál-könnyen megértheted, hogy mi a számod, mi nem, és hol kell ásni, hogy többet megtudj. Bonyolultabb számításokkal az első lépés emlékezteti magát arra, hogyan kell kiszámítani.,

ezért a ProfitWell-nél az egyszerű módszert használjuk havi időablakkal.

Mi legyen egyszerű, így időt vesz egy mélyebb merülés a száma, elemzése lemorzsolódás által kohorsz, stb.—nem kiadások próbálja kiszámolni, hogy megérkeztünk a szám. Ez a módszer több ezer ügyfelünk számára működött, és az Ön B2B SaaS vállalatának (vagy bármely más előfizetési vállalkozásnak) is működhet.

az összes top-line mutató csak címsor. Nem ez a történet. A történet mélyen el van temetve a számokban., A lemorzsolódás módját és okát kell alaposan megvizsgálnia, ahelyett, hogy megpróbálná elszámolni a lemorzsolódási arány kiszámításán belül minden változót.

A mély-belevetik magukat a számok hol találsz ki a dolgára, hogyan képes lesz arra, hogy támadható határozatok javítása ügyfél megtartási arány.

közös lemorzsolódási arány GYIK

a lemorzsolódás trükkös téma,de ugyanazokat a kérdéseket kapjuk újra és újra. Íme néhány a leggyakrabban feltett kérdések, és a válaszokat nekik.

mi a jó lemorzsolódási arány?,

Az átlagos lemorzsolódási arány az MRR 2% – 8% – ától származik, churn tanulmányaink szerint. Ezért a lemorzsolódás aránya az alacsony végén (2%) “jónak”tekinthető. A vállalati kor szerint a 10+ éves vállalatok 2-4% – os lemorzsolódást mutatnak, míg a fiatalabb vállalatok 4-24% – ot tesznek ki.

mi a negatív lemorzsolódási arány?

negatív lemorzsolódási arány akkor fordul elő, ha az új ügyfelek hozzáadott bevétele (bővítési bevétel) meghaladja a lemorzsolódott ügyfelek veszteségét. A negatív lemorzsolódást általában olyan tevékenységek okozzák, mint a = frissítések, szolgáltatási lehetőségek, kiegészítők stb.