du ser samma konstanter under dessa exempel:
-
ChurnedCustomers
är antalet kunder som spottade i tidsfönstret. -
n
är antalet dagar i din valda tidsram. Vid beräkning över en månad,n
=28,
29,
30
eller31
., -
Customers
är en lista över antalet kunder på en viss dagi
, 1 tilln
. Till exempel ärCustomers_1
det totala antalet kunder du hade på den första dagen i fönstret.
det enkla sättet
det enklaste sättet att beräkna churn är:
du delar det totala antalet kunder under perioden med antalet kunder du hade på periodens första dag.,
det goda & det dåliga
huvudproffset ” i den enkla versionen av beräkningen av churn är dess enkelhet. Formeln churn rate är lätt att förstå och snabbt beräkna. Du behöver bara veta 2 snabba nummer för att räkna ut din churn-kurs för månaden, och allt du behöver är de två siffrorna för varje månad för att kunna jämföra månad till månad churn.
problemet med denna enkla beräkning är dock att det har svårt att hantera betydande tillväxt. När du har en hel del tillväxt, både din churn och totala kunder kan gå upp., Om dina totala kunder går upp mer, din churn hastighet kommer att gå ner, även när du har fler kunder spottar ur din produkt än föregående månad.
om du är ett etablerat företag med en betydande kundbas och stabil tillväxtmånad i månaden är detta inte ett problem. Men om du är ett nytt företag med betydande nya kunder varje månad, Detta kan leda till en konstig tolkning där du kan förlora fler kunder per månad, men din kurs kommer att bli bättre.,
exempel
Här är ett exempel från Shopify-posten som illustrerar bristerna på det enkla sättet:
för att beräkna churn-hastighet, börja med antalet kunder i början av augusti (10 000). I det här exemplet förlorar du 500 (5%) av dessa kunder, men förvärvar 5000 nya kunder under hela månaden, varav 125 (2.5%) churn ut. Detta ger dig en churn hastighet på 6.25% för augusti.625 / 10,000 = 0.0625
Du börjar sedan September med 14,375 kunder., Du ser exakt samma beteende den här månaden, med 5% (719) av befintliga användare som spottar, 5.000 nya kunder som går med och 2.5% (125) av dessa kunder spottar. Din enkla churn-kurs för September kommer in som 5.87%. 844 / 14,375 = 0.0587
vänta, vad hände? Du har sett samma beteende, 5% av befintliga kunder och 2.5% av nya kunder spottar, i båda månaderna, men resultatet är två helt olika churn priser. Det ser ut som din churn hastighet har gått ner, men det underliggande beteendet har förblivit densamma.
din höga tillväxt har förvrängt din beräkning., I augusti läggs 125 kunder till täljaren, men de 5 000 nya kunder som går med i augusti fick inte läggas till nämnaren—vilket innebär att churn-hastigheten är artificiellt hög. Under de följande månaderna är tillväxten mindre proportionellt mot det befintliga kundantalet, så effekten minskar.
det justerade sättet
för att ta hänsyn till betydande Månatlig tillväxt, kan vi ta mittpunkten för Kundens räkning för månaden, snarare än att använda dess värde den 1: A i månaden.,
här delar vi antalet kunder med ett justerat genomsnitt av antalet kunder genom fönstret.
den goda& den dåliga
detta tillvägagångssätt lyckas hantera tillväxtproblemet genom att normalisera förändringar i totala kunder över tidsfönstret. Nu har du en mer stabil plattform för att basera din churn hastighet på, med tidsfönstret för dina totala kunder på samma sätt som ditt tidsfönster för churn.,
men även om detta tillvägagångssätt för beräkning av churn-ränta behandlar tillväxtproblemet, misslyckas det med att skala med olika tidsfönster. Med samma beräkning och samma data skulle du få väldigt olika svar för daglig, veckovis, månadsvis och kvartalsvis churn.
exempel
använda ovanstående data igen, nu med tillagd oktober:
nu ser vi churn-hastigheten som densamma, även med ett annat antal kunder i början av månaden.,
augusti blir:625 / 12,187.5 = 0.0513
September blir:844 / 16,453 = 0.0513
oktober är:1052 / 20,505 = 0.0513
kvartalet:2521 / 16,239.5 = 0.1552
Bingo! Problemet löst. Vi kan alla gå hem för te och medaljer.
inte riktigt så snabbt. Det största problemet med detta tillvägagångssätt är att det gör antaganden om data. Om du beräknar detta under loppet av 3 månader kommer du ut med en churn-hastighet på 15.52%. Dela detta över 3 månader och du får 5.17%, mycket nära de enskilda månatliga kund churn priser. Hittills så bra.,
men vad händer om du inte har exakt samma nummer över varje månad? Låt oss göra augusti en dålig månad för vår imaginära B2B SaaS företag. Den här gången får det bara 100 nya kunder, varav 2 churn ut.
beteendet är detsamma när det gäller churn (5% av befintliga kunder och ~2.5% av nya kunder), och när det beräknas individuellt varje månad visar samma churn-hastighet på 5.13%.
men när det beräknas som ett kvartal får du en 3-månaders churn-hastighet på 13.72%, som delas över varje månad är 4.57%.,
augusti: 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 våra månatliga churn priser inte längre stämmer överens med våra kvartalsvisa Churn hastighet, även om de använder exakt samma data. Det beror på att vi har ändrat tidsfönstret vi beräknar. Detta tillvägagångssätt förutsätter att churn sprids jämnt inom tidsperioden, med en linjär fördelning. Men churn är aldrig så här hjälpsam., En bra churn rate ratio bör kunna expandera eller kontrakt väl med den tid det mäter, och fortfarande leverera jämförbara resultat.
det prediktiva sättet
en bra beräkning av churn-räntan bör ge några praktiska råd. I det här exemplet har Shopify försökt att införliva ett prediktivt element i ekvationen. De försöker bestämma en viktad genomsnittlig churn-kurs, så attrate*customers
kommer att förutsäga den sannolika churn-hastigheten på en viss dag.,
InactiveCustomers
är en uppsättning av hur många kunder som är aktiva på dagen i
är inaktiva på dag i+n, dvs. en månad senare. Om du har 1000 kunder den 1 September ser du sedan fram emot i tid för att se hur många av dessa 1000 har spottat på 1 oktober. Du sammanfattar det, sedan dividera med summan av totala kunder i September.
det goda& det dåliga
det verkar fantastiskt att kunna förutsäga churn. Att ha en vikt som du kan multiplicera med kunder att få förutsagda churn skulle vara bra för att planera din ekonomi., Vem vill inte göra det?
Tja, du har förmodligen märkt ett kritiskt problem med detta tillvägagångssätt:”…du ser sedan fram emot i tid…”
detta kräver två månaders data för att köra en månads beräkning. För att bestämma din churn-kurs för den här månaden måste du vänta till slutet av nästa månad. Det är inte bra för ett mått som ska hålla dig uppdaterad om ditt företags framgång. Om du har ett antal konton avbryts i September har du inte denna information förrän i oktober.,
flip av detta är att när du kommer till slutet av oktober och har en churn-kurs är det nu från en månad sedan. Det är inte aktuellt. Du kan inte längre rapportera churn priser till dina anställda för föregående månad, du istället berätta för dem vad som hände för en månad sedan.
detta tillvägagångssätt har alla samma problem som rullande mätvärden, och du vet att du borde hålla dig borta från dem.
beräkningar i Saas-mätvärden ska ta alla dina data och omvandla den till lättförståeliga, angripbara nummer. Denna beräkning gör dina siffror mer komplicerade och mindre angripbara.,
Shopify Way
i stället för att ungefär ta medelvärdet av den första dagen och sista dagen i månaden som vi gör med det justerade sättet kan vi ta medelvärdet av varje dag i månaden för att få en mer exakt beräkning.
du delar upp ditt nummer som kantas av genomsnittet av din kundräkning mellan DAG 1 och n.
det goda& det dåliga
detta handlar om de problem som plågar de andra variationerna. Du kan använda den i perioder med hög tillväxt, och det skalar snyggt över olika tidsfönster., Du kan också använda den i tid, få en aktuell churn-kurs.
men det kommer alltid att finnas variationer i dina nummer som en enda beräkning inte kan redovisa. Nyare kunder spottar i högre takt de äldre kunderna, skillnader i kohorter, i planer, i storlek på konto. Ingen av dessa fångas i denna formel, och genom att använda den kan företag ha en falsk känsla av säkerhet att numret de får varje dag, vecka, månad eller kvartal är hela historien om deras churn.,
varför du ska göra det enkelt för dig själv
som Noah Lorang på Basecamp påpekar, bör SaaS analytics inte vara rocket science. En av hans ” tre hemligheter ”är att” göra det enkelt.”
När du minskar komplexiteten i din churn-beräkning får du följande fördelar, som inte kan underskattas.
-
det är lätt att förstå — vem som helst i din organisation kan förstå det numret. Detta är absolut avgörande för en viktig metrisk. Om ingen förstår ditt nummer, kan de inte agera på det.,
-
det är lätt att jämföra — ju mer komplexitet du lägger till och ju fler fall du försöker redogöra för desto svårare blir det att jämföra din churn-beräkning över olika tidsperioder. Du skapar konsekvens genom att ta den enkla och enkla vägen.
-
det fungerar som utgångspunkt för djupare analys — Du kan enkelt förstå vad ditt nummer står för, vad det inte gör, och var du behöver gräva i för att lära dig mer. Med mer komplexa beräkningar kommer ditt första steg att påminna dig själv hur man beräknar det.,
det är därför vi på ProfitWell använder det enkla sättet med ett månatligt tidsfönster.
vi håller det enkelt så att du kan spendera din tid att ta en djupare dyk på numret, analysera churn av kohort, och så vidare—inte spendera det försöker beräkna hur vi kom fram till vårt nummer. Denna metod har fungerat för tusentals av våra kunder, och det kan fungera för ditt B2B SaaS-företag (eller någon annan prenumerationsverksamhet) också.
alla dina bästa mätvärden är bara rubriker. Det är inte historien. Historien är begravd djupt inom siffrorna., Du måste titta på djupet på hur och varför av din churn snarare än att försöka redogöra för varje variabel inom din Churn hastighet beräkning.
din djupdykning i siffrorna är där du faktiskt får reda på om ditt företag, och hur du kommer att kunna vidta åtgärder för att förbättra kundlojalitet.
vanliga vanliga vanliga vanliga frågor om Churn
Churn är ett knepigt ämne, men vi får många av samma frågor om churn om och om igen. Här är några av de mest ställda frågorna, och våra svar för dem.
vad är en bra churn-kurs?,
genomsnittliga churn priser är överallt från 2% – 8% av MRR, enligt våra churn studier. Därför skulle en churn-hastighet i den låga änden (2%) anses vara ”bra”. Efter företagets ålder, 10 + år gamla företag har en 2-4% churn, medan yngre företag varierar från 4% – 24%.
vad är negativ churn-hastighet?
negativ churn-hastighet uppstår när inkomsterna från nya kunder (expansionsintäkter) överträffar förlorade intäkter från kunder. Negativ churn orsakas oftast av aktiviteter som = uppgraderingar, servicealternativ, tillägg, etc.