Скажите, пожалуйста, по поводу когортного анализа: 1) при наличии данных например за 1 года я получу 12 Когорт с цепочкой Churn Rate-ов вида:
_01.2014 - ChurnRate=0% (базовый месяц) клиентов=1000 _02.2014 - ChR=10/1000*100%=1% (ушло 10 клиентов из той 1000, новых клиентов за этом месяц не учитываю, так как это уже другая когорта) _03.2014 - ChR=15/(1000-10)*100%=1,52% (ушло 15 из оставшихся в предыдущем месяце 990 базовой когорты) _04.2014 - ChR=10/(1000-10-15)*100%=1,03% (ушло 10 из оставшихся в предыдущем месяце 975 базовой когорты) _05.2014=1,5%, _06.2014=2% _07.2014=1,7% и так далее
Потом следующая цепочка помесячных оттоков относительно следующей когорты (февраль 2014) на 1 месяц меньше соответственно. После чего я получу 12 ChurnRate-ов для каждого месяца когорты января, 11 ChurnRate-ов для когорты февраля, 10 для когорты марта, 9 для апреля и так далее. Верно?
2) после этого могу посчитать среднюю арифметическую или медиану показателей для каждой когорты?
3) Правильно вижу, что в таком случае ChurnRate имеет смысл рассчитывать, сравнивая с каждым предыдущим месяцем, но в заданной когорте (а не сравнивая отчетный, например? 05 с базовым 01 - это неправильно), верно?
На мой взгляд, требуется когортный анализ. ТО есть смотреть churn для каждой когорты пользователей, привлеченных в определенный период. Нарпмер, помесячные когорты. Но все должно зависеть от частоты рекламных кампаний, которые Вы упоминаете. Рекламные кампании разные бывают и могут приносить разных пользователей. Например, кампания может привлечь любителей халявки, которые просто купятся на выгодное предложение, но через месяц отвалятся. Таким образом churn будет метрикой, которая поможет сделать выводы по маркетинговым акциям. В том числе, определить CAC (правда, я не понял зачем Вам считать LTV для определения CAC). Исходя из полученных когорт и их поведения, можно уже построить сегменты для которых считать LTV. А так, усредненное значение по всем сегментам не будет нести полезной информации.
Спасибо за совет. 1) Правильно понял, что с когортами при наличии данных например за 1 года я получу 12 цепочек вида:
_01.2014 - ChurnRate=0% (базовый месяц) клиентов=1000 _02.2014 - ChR=10/1000*100%=1% (ушло 10 клиентов из той 1000, новых клиентов за этом месяц не учитываю, так как это уже другая когорта) _03.2014 - ChR=15/(1000-10)*100%=1,52% (ушло 15 из оставшихся в предыдущем месяце 990 базовой когорты) _04.2014 - ChR=10/(1000-10-15)*100%=1,03% (ушло 10 из оставшихся в предыдущем месяце 975 базовой когорты) _05.2014=1,5%, _06.2014=2% _07.2014=1,7% и так далее
Потом следующая цепочка помесячных оттоков относительно следующей когорты (февраль 2014) на 1 месяц меньше соответственно. После чего я получу 12 ChurnRate-ов для каждого месяца когорты января, 11 ChurnRate-ов для когорты февраля, 10 для когорты марта, 9 для апреля и так далее. Верно?
2) после этого могу посчитать среднюю арифметическую или медиану показателей для каждой когорты?
3) Правильно вижу, что в таком случае ChurnRate имеет смысл рассчитывать, сравнивая с каждым предыдущим месяцем, но в заданной когорте (а не сравнивая отчетный, например 05 с базовым 01 - это неправильно)?
__________ "Рекламные кампании разные бывают и могут приносить разных пользователей. Например, кампания может привлечь любителей халявки, которые просто купятся на выгодное предложение, но через месяц отвалятся."
Как раз для этого сейчас будем более детализированно собирать данные по источникам клиентов, выделять их в когорты, чтобы рассчитывать "качество" клиентов относительно рекламных кампаний.
"правда, я не понял зачем Вам считать LTV для определения CAC"
CAC рассчитываю, как прогнозируемую, чтобы оперировать ею, как максимально возможной, исходя из того, что приняли затраты на продвижение, как 15% от всего потенциального дохода с клиента, соответственно CAC = 10%*СLTV
Думаю так. 1 - Не подходит, потому что исключая часть данных вы не получаете достоверных цифр. 2 - Обычно считают на год. 3 - Постройте график, возможно, лучше медиана. 4 - Я бы посчитала и то и другое и посмотрела расхождение. Например, строите месячные показатели оттока, проводите медиану за год и смотрите. А если есть данные за три года, можно уже делать гипотезы (если, конечно, есть основания). 5 - Для CAC не нужен (или вы пытаетесь построить прогноз?). Для CLTV нужна вероятность того, что клиент останется в течение того периода, на который считаете (чаще это год). Конечно, месячная вероятность и годовые будут различаться. Что касается предложений считать отток для единичных акций. По мне, так показателя отклика достаточно, по сути же он про то же.
"Я бы посчитала и то и другое и посмотрела расхождение. Например, строите месячные показатели оттока, проводите медиану за год и смотрите. А если есть данные за три года, можно уже делать гипотезы (если, конечно, есть основания)."
То есть считать каждый месяц относительно базового месяца, когда пришел клиент, когда их было 100%, то есть группа клиентов пришла в январе 2014 (100%), я подсчитываю отток в феврале относительно базового января (100-1%), далее в марте также считаю в сравнении с базовым январем, а не февралем (100-2%), в апреле снова сравниваю с январем (100-3%) и каждый раз процент должен увеличиваться. Как понимаю в таком случае имеет смысл через несколько лет брать медиану.
А если считать сравнивая с предыдущим месяцев, это ничего не даст кроме аномалий, связанных с запуском рекламных кампаний например, верно?
Ежемесячный churn можно читать так: (n1 - n2)/n1, где n1 - число клиентов на начало месяца, n2 - число тех, кто остался клиентом на конец месяца (из n1) Это простой способ.
Мы еще пробовали строить когорту по месяцам, а потом брать среднее число тех кто "выжил" на конец периода, при этом выбирая только когорты старше 3 месяцев. Но это уже какие-то танцы с бубном, если честно.
Разностью между 4рех мерными потенциалами в вольтах бл#ть.
В данном случае поможет статистика с приделами, логика и ч_методы, разбив клиентов по ящикам в которых помимо их самих будут услуги которые они приобрели, что бы в дальнейшем можно было предсказывать, что еще он оплатит и делать уже на основании этого временной отрезок жизни и вектро прибыли клиента. Причем делать это на полной выборке. А пока с таким подходом на уровне арифметике 3тего класса, можете просто не воспринимать эти числа
Используйте когортный анализ.
Скажите, пожалуйста, по поводу когортного анализа:
1) при наличии данных например за 1 года я получу 12 Когорт с цепочкой Churn Rate-ов вида:
_01.2014 - ChurnRate=0% (базовый месяц) клиентов=1000
_02.2014 - ChR=10/1000*100%=1% (ушло 10 клиентов из той 1000, новых клиентов за этом месяц не учитываю, так как это уже другая когорта)
_03.2014 - ChR=15/(1000-10)*100%=1,52% (ушло 15 из оставшихся в предыдущем месяце 990 базовой когорты)
_04.2014 - ChR=10/(1000-10-15)*100%=1,03% (ушло 10 из оставшихся в предыдущем месяце 975 базовой когорты)
_05.2014=1,5%,
_06.2014=2%
_07.2014=1,7% и так далее
Потом следующая цепочка помесячных оттоков относительно следующей когорты (февраль 2014) на 1 месяц меньше соответственно. После чего я получу 12 ChurnRate-ов для каждого месяца когорты января, 11 ChurnRate-ов для когорты февраля, 10 для когорты марта, 9 для апреля и так далее. Верно?
2) после этого могу посчитать среднюю арифметическую или медиану показателей для каждой когорты?
3) Правильно вижу, что в таком случае ChurnRate имеет смысл рассчитывать, сравнивая с каждым предыдущим месяцем, но в заданной когорте (а не сравнивая отчетный, например? 05 с базовым 01 - это неправильно), верно?
На мой взгляд, требуется когортный анализ. ТО есть смотреть churn для каждой когорты пользователей, привлеченных в определенный период. Нарпмер, помесячные когорты. Но все должно зависеть от частоты рекламных кампаний, которые Вы упоминаете. Рекламные кампании разные бывают и могут приносить разных пользователей. Например, кампания может привлечь любителей халявки, которые просто купятся на выгодное предложение, но через месяц отвалятся. Таким образом churn будет метрикой, которая поможет сделать выводы по маркетинговым акциям. В том числе, определить CAC (правда, я не понял зачем Вам считать LTV для определения CAC). Исходя из полученных когорт и их поведения, можно уже построить сегменты для которых считать LTV. А так, усредненное значение по всем сегментам не будет нести полезной информации.
Спасибо за совет.
1) Правильно понял, что с когортами при наличии данных например за 1 года я получу 12 цепочек вида:
_01.2014 - ChurnRate=0% (базовый месяц) клиентов=1000
_02.2014 - ChR=10/1000*100%=1% (ушло 10 клиентов из той 1000, новых клиентов за этом месяц не учитываю, так как это уже другая когорта)
_03.2014 - ChR=15/(1000-10)*100%=1,52% (ушло 15 из оставшихся в предыдущем месяце 990 базовой когорты)
_04.2014 - ChR=10/(1000-10-15)*100%=1,03% (ушло 10 из оставшихся в предыдущем месяце 975 базовой когорты)
_05.2014=1,5%,
_06.2014=2%
_07.2014=1,7% и так далее
Потом следующая цепочка помесячных оттоков относительно следующей когорты (февраль 2014) на 1 месяц меньше соответственно. После чего я получу 12 ChurnRate-ов для каждого месяца когорты января, 11 ChurnRate-ов для когорты февраля, 10 для когорты марта, 9 для апреля и так далее. Верно?
2) после этого могу посчитать среднюю арифметическую или медиану показателей для каждой когорты?
3) Правильно вижу, что в таком случае ChurnRate имеет смысл рассчитывать, сравнивая с каждым предыдущим месяцем, но в заданной когорте (а не сравнивая отчетный, например 05 с базовым 01 - это неправильно)?
__________
"Рекламные кампании разные бывают и могут приносить разных пользователей. Например, кампания может привлечь любителей халявки, которые просто купятся на выгодное предложение, но через месяц отвалятся."
Как раз для этого сейчас будем более детализированно собирать данные по источникам клиентов, выделять их в когорты, чтобы рассчитывать "качество" клиентов относительно рекламных кампаний.
"правда, я не понял зачем Вам считать LTV для определения CAC"
CAC рассчитываю, как прогнозируемую, чтобы оперировать ею, как максимально возможной, исходя из того, что приняли затраты на продвижение, как 15% от всего потенциального дохода с клиента, соответственно CAC = 10%*СLTV
Под CAC я имел в виду client accusition cost, если что:)
Думаю так.
1 - Не подходит, потому что исключая часть данных вы не получаете достоверных цифр.
2 - Обычно считают на год.
3 - Постройте график, возможно, лучше медиана.
4 - Я бы посчитала и то и другое и посмотрела расхождение. Например, строите месячные показатели оттока, проводите медиану за год и смотрите. А если есть данные за три года, можно уже делать гипотезы (если, конечно, есть основания).
5 - Для CAC не нужен (или вы пытаетесь построить прогноз?). Для CLTV нужна вероятность того, что клиент останется в течение того периода, на который считаете (чаще это год). Конечно, месячная вероятность и годовые будут различаться.
Что касается предложений считать отток для единичных акций. По мне, так показателя отклика достаточно, по сути же он про то же.
"Я бы посчитала и то и другое и посмотрела расхождение. Например, строите месячные показатели оттока, проводите медиану за год и смотрите. А если есть данные за три года, можно уже делать гипотезы (если, конечно, есть основания)."
То есть считать каждый месяц относительно базового месяца, когда пришел клиент, когда их было 100%, то есть группа клиентов пришла в январе 2014 (100%), я подсчитываю отток в феврале относительно базового января (100-1%), далее в марте также считаю в сравнении с базовым январем, а не февралем (100-2%), в апреле снова сравниваю с январем (100-3%) и каждый раз процент должен увеличиваться. Как понимаю в таком случае имеет смысл через несколько лет брать медиану.
А если считать сравнивая с предыдущим месяцев, это ничего не даст кроме аномалий, связанных с запуском рекламных кампаний например, верно?
Исключить из подсчета всех новых. Учитывать только тех, кто является клиентом на протяжении минимум 3-х месяцев, например.
Привет!
В телеком бизнесе churn rate считается по другой формуле:
Берем период, например, месяц
ChR (в %) = количество расторгнувших договор / среднюю абонентскую базу * 100
Сред абон база = (абон база на 1-е число месяца + абон база на последнее число месяца)/2
Ежемесячный churn можно читать так:
(n1 - n2)/n1,
где n1 - число клиентов на начало месяца,
n2 - число тех, кто остался клиентом на конец месяца (из n1)
Это простой способ.
Мы еще пробовали строить когорту по месяцам, а потом брать среднее число тех кто "выжил" на конец периода, при этом выбирая только когорты старше 3 месяцев. Но это уже какие-то танцы с бубном, если честно.
Разностью между 4рех мерными потенциалами в вольтах бл#ть.
В данном случае поможет статистика с приделами, логика и ч_методы, разбив клиентов по ящикам в которых помимо их самих будут услуги которые они приобрели, что бы в дальнейшем можно было предсказывать, что еще он оплатит и делать уже на основании этого временной отрезок жизни и вектро прибыли клиента. Причем делать это на полной выборке. А пока с таким подходом на уровне арифметике 3тего класса, можете просто не воспринимать эти числа