Как правильно рассчитывать показатель оттока клиентов Churn Rate

Всем привет!

Хочу поделиться проблемой с теми, кому неплохо знакома тема с показателями Churn Rate (показатель оттока клиентов) и LifeTimeValue (прибыль с одного клиента за весь срок его жизни в компании), особенно актуальные для всевозможных SaaS и сервисов на основе подписки и арендой платы.

У меня тут закралось сомнение не то в корректности формулы, не то в правильности применения мною Churn Rate.

Считаю Сhurn Rate для решения следующих задач:

  1. Последующий подсчет LifeTime и соответственно LifeTimeValue, чтобы потом считать стоимость привлечения клиента (CAC).
  2. Подсчет динамики каждого месяца и строить на этом один из возможных KPI компании.

Сама формула показателя оттока выглядит так:

Churn Rate = (Количество ушедших к концу месяца) / (количество всех оплативших последующий месяц) * 100%.

И меня беспокоит в этом то, что получается, что Churn Rate имеет зависимость от новых клиентов, приходящих в месяц, что является частью знаменателя в формуле — количество всех оплативших последующий месяц. Таким образом, если в один месяц мы запустили крупную рекламную кампанию, и к нам пришло много клиентов, а в следующий месяц её приостановили, то это всё очень значительно влияет на показатель оттока Churn Rate за каждый месяц, а гипотетически влиять не должно.

Пример: на март оплатили подписку 1000 клиентов (из них было 900 подключившихся постепенно давно, из них отвалилось к этому месяцу 100, и при этом пришло 200 новых, то есть 900 - 100 + 200 = 1000) — в таком случае ChurnRate = 100 отвалившихся / 1000 всех * 100% = 10%, то есть LifeTime клиента = 10 месяцев.

Если в следующем месяце ситуация изменилась и запустилась крупная рекламная кампания, которая увеличила приток клиентов в два раза, а все остальные показатели остались прежними, то есть из 1000 клиентов ушло снова 100, а пришло 400 (1000 - 100 + 400 = 1300), то ChurnRate = 100 / (1300) * 100% = ~7,6%, и соответственно в первом случае в марте срок жизни клиента 10 месяцев при ChurnRate 10%, а в апреле уже 13 месяцев при 7,6%.

В итоге я вижу, что гипотетически показатель оттока не должен зависеть от объема новых клиентов и так колебаться (на него всё-таки влияют другие факторы: экономика, качество сервиса, конкуренты и так далее), а на практике при расчете такое возможно, особенно если количественный приток клиентов не стабилен от месяца к месяцу.

Возможные векторы решения: мне кажется, что для правильного подсчета:

  1. Нужно ограничить каким-то условием, например, из всех клиентов исключать новых.
  2. Или, например, считать не по месяцу, а брать данные за год и базовое количество всех клиентов брать в начале года, а количество отвалившихся к концу этого года.
  3. Или считать по-прежнему за каждый месяц, но потом считать среднюю из всех посчитанных.
  4. Или вообще Churn Rate не считать, а считать сразу среднюю LifeTime клиента на основе данных всех клиентов, то есть брать сроки жизни каждого клиента и подсчитать среднее.
  5. Или я пытаюсь использовать Churn Rate вообще неправильно, и он не подходит для выполнения моих задач.

Как вы думаете?

0
12 комментариев
Написать комментарий...
Сергей Раков

Используйте когортный анализ.

Ответить
Развернуть ветку
Алексей Шиховец

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?

Ответить
Развернуть ветку
Sergey Avdyushenko

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.

Ответить
Развернуть ветку
Алексей Шиховец

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

Ответить
Развернуть ветку
Sergey Avdyushenko

1) все четко
2) да, медиана лучше, так как рано или поздно, но процент значительно вырастет, а значит медиана даст правильную статистическую картину.
3) так, расчет Вы ведете, используя изначальную когорту в 1000 человек. А так, просто смотрите тренд. Можно в экселе когорты завести строками и столбцами месяцы жизни, и смотреть различия по тому, какая когорта на каком месяце начинает "плоховать".

Ответить
Развернуть ветку
Алексей Шиховец

Под CAC я имел в виду client accusition cost, если что:)

Ответить
Развернуть ветку
Анастасия

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.

Ответить
Развернуть ветку
Алексей Шиховец

"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?

Ответить
Развернуть ветку
ugnich

Исключить из подсчета всех новых. Учитывать только тех, кто является клиентом на протяжении минимум 3-х месяцев, например.

Ответить
Развернуть ветку

Комментарий удален модератором

Развернуть ветку

Комментарий удален модератором

Развернуть ветку
Alexander Usenko

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

Ответить
Развернуть ветку
Kleinigkeit

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.

Ответить
Развернуть ветку
Dmitry Romanovich

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

Ответить
Развернуть ветку
9 комментариев
Раскрывать всегда