Come calcolare il Churn Rate: 4 formule per calcolare Churn

Vedrai le stesse costanti in questi esempi:

• ChurnedCustomers è il numero di clienti che hanno sfornato nella finestra temporale.

• n è il numero di giorni nel lasso di tempo scelto. Quando si calcola più di un mese, n = 28, 29, 30 o 31.,

• Customersè un elenco dei numeri di clienti in un dato giornoi, da 1 an. Ad esempio,Customers_1 è il numero totale di clienti che hai avuto il primo giorno della finestra.

Il modo semplice

Il modo più semplice per calcolare il churn è:

Stai dividendo il numero totale di clienti sfornati nel periodo per il numero di clienti che hai avuto il primo giorno del periodo.,

Il buono& Il Cattivo

Il principale pro” della versione semplice di calcolo churn è la sua semplicità. La formula del tasso di abbandono è facilmente comprensibile e rapidamente calcolabile. Hai solo bisogno di sapere 2 numeri rapidi per capire il vostro tasso di abbandono per il mese, e tutto ciò che serve è quei due numeri per ogni mese per essere in grado di confrontare mese per mese churn.

Il problema con questo semplice calcolo è che ha difficoltà a gestire una crescita significativa. Quando si ha un sacco di crescita, sia il vostro churn e clienti totali possono salire., Se i tuoi clienti totali aumentano di più, il tuo tasso di abbandono diminuirà, anche quando hai più clienti che sfornano il tuo prodotto rispetto al mese precedente.

Se sei un’azienda consolidata con una base di clienti significativa e una crescita stabile mese su mese, questo non è un problema. Ma se sei una nuova società con nuovi clienti sostanziali ogni mese, questo può portare a una strana interpretazione in cui puoi perdere più clienti al mese, ma il tuo tasso migliorerà.,

Esempio

Ecco un esempio dal post di Shopify che illustra le carenze del modo semplice:

Per calcolare il tasso di abbandono, iniziare con il numero di clienti all’inizio di agosto (10.000). In questo esempio si perde 500 (5%) di questi clienti, ma acquisire 5.000 nuovi clienti per tutto il mese, di cui 125 (2,5%) sfornare. Questo ti dà un tasso di abbandono del 6,25% per agosto.
625 / 10,000 = 0.0625
Sei quindi a partire da settembre con 14.375 clienti., Si vede esattamente lo stesso comportamento di questo mese, con il 5% (719) degli utenti esistenti sfornare, 5.000 nuovi clienti che si uniscono, e il 2,5% (125) di quei clienti sfornare. Il tuo tasso di abbandono semplice per settembre arriva come 5.87%.
844 / 14,375 = 0.0587
Aspetta, cosa è successo? Hai visto lo stesso comportamento, il 5% dei clienti esistenti e il 2,5% dei nuovi clienti zangolatura, in entrambi i mesi, ma il risultato è due completamente diversi tassi di zangola. Sembra che il tuo tasso di abbandono sia diminuito, ma il comportamento sottostante è rimasto lo stesso.
La tua crescita elevata ha distorto il calcolo., Nel mese di agosto, 125 clienti sfornati vengono aggiunti al numeratore, ma il 5,000 nuovi clienti che si uniscono nel mese di agosto non ha ottenuto aggiunto al denominatore—il che significa che il tasso di abbandono è artificialmente alto. Nei mesi successivi, la crescita è meno proporzionalmente al conteggio dei clienti esistenti, quindi l’effetto è diminuito.

Il modo corretto

Per tenere conto di una crescita mensile significativa, possiamo prendere il punto medio del conteggio dei clienti per il mese, piuttosto che utilizzare il suo valore il 1 ° del mese.,

Qui stiamo dividendo il numero di clienti sfornati per una media corretta del numero di clienti in tutta la finestra.

Il buono& Il cattivo

Questo approccio riesce ad affrontare il problema della crescita normalizzando i cambiamenti nel totale dei clienti nella finestra temporale. Ora hai una piattaforma più stabile su cui basare il tuo tasso di abbandono, con la finestra temporale per i tuoi clienti totali uguale alla tua finestra temporale per il churn.,

Tuttavia, sebbene questo approccio al calcolo del tasso di abbandono affronti il problema della crescita, non riesce a scalare con diverse finestre temporali. Utilizzando lo stesso calcolo e gli stessi dati, si otterrebbero risposte molto diverse per il churn giornaliero, settimanale, mensile e trimestrale.

Esempio

Utilizzando nuovamente i dati di cui sopra, ora con l’aggiunta di ottobre:

Ora vediamo il tasso di churn come lo stesso, anche con un numero diverso di clienti all’inizio del mese.,

agosto diventa: 625 / 12,187.5 = 0.0513

settembre diventa: 844 / 16,453 = 0.0513

ottobre è: 1052 / 20,505 = 0.0513

Quarto: 2521 / 16,239.5 = 0.1552

Bingo! Problema risolto. Possiamo andare tutti a casa per il tè e le medaglie.

Non così in fretta. Il problema principale con questo approccio è che fa ipotesi sui dati. Se si calcola questo nel corso di 3 mesi si esce con un tasso di abbandono del 15,52%. Dividi questo attraverso i mesi 3 e ottieni 5.17%, molto vicino ai singoli tassi di abbandono mensili dei clienti. Fin qui tutto bene.,

Ma cosa succede se non hai esattamente gli stessi numeri in ogni mese? Facciamo di agosto un brutto mese per la nostra immaginaria azienda B2B SaaS. Questa volta, ottiene solo 100 nuovi clienti, 2 dei quali sfornare.

Il comportamento è lo stesso in termini di churn (5% dei clienti esistenti e ~2.5% dei nuovi clienti), e quando calcolato individualmente ogni mese mostra lo stesso tasso di churn del 5.13%.

Ma se calcolato come un quarto, si ottiene un tasso di abbandono di 3 mesi del 13,72%, che diviso in ogni mese è del 4,57%.,

agosto: 502 / 9799 = 0.0513

settembre: 605 / 11,795.5 = 0.0513

ottobre: 825 / 16,080.5 = 0.0513

Quarto: 1932 / 14,084 = 0.1371

Ora il nostro mensile sfornare tariffe più riscontro con il nostro trimestrale tasso di abbandono, anche se usano esattamente gli stessi dati. Questo perché abbiamo cambiato la finestra temporale che stiamo calcolando. Questo approccio presuppone che il churn sia distribuito uniformemente nel periodo di tempo, con una distribuzione lineare. Ma churn non è mai così utile., Un buon tasso di abbandono dovrebbe essere in grado di espandersi o contrarsi bene con il tempo che misura, e comunque fornire risultati comparabili.

Il modo predittivo

Qualsiasi buon calcolo del tasso di abbandono dovrebbe dare alcuni consigli utili. In questo esempio, Shopify ha cercato di incorporare un elemento predittivo nell’equazione. Stanno cercando di determinare un tasso di abbandono medio ponderato, in modo che rate*customers preveda il probabile tasso di abbandono in un dato giorno.,

InactiveCustomers è un array di quanti clienti attivi il giorno i sono inattivi il giorno i+n, cioè un mese dopo. Se si dispone di 1000 clienti il 1 ° settembre, quindi guardare avanti in tempo per vedere quanti di quei 1000 hanno agitato il 1 ° ottobre. Si somma che, poi dividere per la somma dei clienti totali nel mese di settembre.

Il buono& Il cattivo

Sembra fantastico essere in grado di prevedere il churn. Avere un peso che si può moltiplicare con i clienti per ottenere previsto churn sarebbe grande per pianificare le vostre finanze., Chi non vuole farlo?

Beh, probabilmente hai notato un problema critico con questo approccio:”…poi si guarda avanti nel tempo…”

Ciò richiede due mesi di dati per eseguire il calcolo di un mese. Al fine di determinare il tasso di abbandono per questo mese, è necessario attendere fino alla fine del mese prossimo. Questo non va bene per una metrica che dovrebbe tenerti aggiornato sul successo della tua azienda. Se hai un numero di account annullati a settembre, non avrai queste informazioni fino a ottobre.,

Il flip di questo è che quando si arriva alla fine di ottobre e si ha un tasso di abbandono, ora è da un mese fa. Non è attuale. Non puoi più segnalare i tassi di abbandono ai tuoi dipendenti per il mese precedente, stai invece dicendo loro cosa è successo un mese fa.

Questo approccio ha tutti gli stessi problemi delle metriche di rotolamento e sai che dovresti stare lontano da quelle.

I calcoli nelle metriche SaaS dovrebbero prendere tutti i tuoi dati e trasformarli in numeri facilmente comprensibili e utilizzabili. Questo calcolo rende i tuoi numeri più complicati e meno perseguibili.,

Il modo Shopify

Invece di prendere approssimativamente la media del primo giorno e dell’ultimo giorno del mese come facciamo con il modo corretto, possiamo prendere la media di ogni giorno del mese per ottenere un calcolo più accurato.

Dividi il tuo numero sfornato dalla media del tuo conteggio dei clienti tra i giorni 1 e n.

Il buono& Il cattivo

Questo riguarda i problemi che affliggono le altre varianti. Puoi usarlo in periodi di crescita elevata e si adatta bene a diverse finestre temporali., Puoi anche usarlo in modo tempestivo, ottenendo un tasso di abbandono aggiornato.

Ma ci saranno sempre variazioni nei tuoi numeri che un singolo calcolo non può tenere conto. I clienti più recenti sfornare ad un tasso più elevato i clienti più anziani, differenze di coorti, nei piani, in termini di dimensioni del conto. Nessuno di questi sono catturati in questa formula, e usandolo, le aziende potrebbero avere un falso senso di sicurezza che il numero che ottengono ogni giorno, settimana, mese o trimestre è l’intera storia del loro churn.,

Perché dovresti semplificarti

Come sottolinea Noah Lorang di Basecamp, l’analisi SaaS non dovrebbe essere scienza missilistica. Uno dei suoi” tre segreti “è quello di” rendere più facile.”

Quando riduci la complessità del calcolo del churn, ottieni i seguenti vantaggi, che non possono essere sottovalutati.

• È facilmente comprensibile: chiunque nella tua organizzazione può capire quel numero. Questo è assolutamente fondamentale per una metrica chiave. Se nessuno capisce il tuo numero, non possono agire su di esso.,

• È facilmente paragonabile: più complessità aggiungi e più casi tenti di tenere conto, più difficile sarà confrontare il calcolo del churn in diversi periodi di tempo. Si crea coerenza prendendo il percorso semplice e diretto.

• Serve come punto di partenza per un’analisi più approfondita: sei in grado di comprendere facilmente cosa rappresenta il tuo numero, cosa no e dove devi scavare per saperne di più. Con calcoli più complessi, il tuo primo passo ti ricorderà come calcolarlo.,

Ecco perché, a ProfitWell, usiamo il modo semplice con una finestra temporale mensile.

Lo manteniamo semplice in modo che tu possa passare il tuo tempo a fare un tuffo più profondo sul numero, analizzando il churn per coorte e così via—non spenderlo cercando di calcolare come siamo arrivati al nostro numero. Questo metodo ha funzionato per migliaia di nostri clienti e può funzionare anche per la tua azienda B2B SaaS (o qualsiasi altra attività di abbonamento).

Tutte le tue metriche top-line sono solo titoli. Non sono loro la storia. La storia è sepolta nel profondo dei numeri., Devi guardare in profondità il come e il perché del tuo churn piuttosto che cercare di tenere conto di ogni variabile all’interno del calcolo del tasso di churn.

La tua immersione profonda nei numeri è dove scoprirai effettivamente la tua attività e come sarai in grado di prendere decisioni attuabili per migliorare il tasso di fidelizzazione dei clienti.

Common Churn Rate FAQs

Churn è un argomento difficile, ma riceviamo molte delle stesse domande sul churn ancora e ancora. Ecco alcune delle domande più frequenti, e le nostre risposte per loro.

Che cosa è un buon tasso di abbandono?,

I tassi medi di churn sono ovunque da 2% – 8% di MRR, secondo i nostri studi di churn. Pertanto, un tasso di abbandono alla fascia bassa (2%) sarebbe considerato “buono”. Per età aziendale, le aziende di 10 + anni hanno un churn 2-4%, mentre le aziende più giovani vanno dal 4% al 24%.

Qual è il tasso di abbandono negativo?

Il tasso di abbandono negativo si verifica quando le entrate aggiunte dai nuovi clienti (entrate di espansione) superano le entrate perse dai clienti sfornati. Il churn negativo è solitamente causato da attività come = aggiornamenti, opzioni di servizio,componenti aggiuntivi, ecc.