Евгений Матвеев

Когортный анализ B2B

Когортный анализ является невероятно мощным в пространстве B2C, но его довольно сложно осуществить в сфере business-to-business (B2B). Почему?

Это связано с тем, что продукты B2B имеют несколько принципиальных структурных отличий от продуктов B2C. Я составил гипотетический набор примеров, которые освещают проблемы когортного анализа B2B.

В этой статье, я сначала расскажу, чем продукты B2B отличаются от B2C и как это затрудняет когортный анализ. Сразу после этого опишу, как преодолеть возникшие проблемы, чтобы прийти к эффективному пониманию когортного анализа B2B.

Когортный анализ B2B vs когортный анализ B2C

Когортный анализ B2C довольно прост, потому что продукт обычно имеет большой и постоянный поток пользователей и их регулярное участие. Другими словами, в B2C легко сегментировать пользовательскую базу по дате их активации, чтобы получить когортный анализ, который выглядит как на таблице ниже. Обратите внимание, что размеры когорт довольно велики и тенденции легко увидеть с течением времени.

Однако продукты B2B идут вразрез со следующими утверждениями:

  • Непрерывный поток новых пользователей: в B2B обычно есть «даты запуска» или выгрузки, когда большое количество пользователей присоединяются к продукту в один момент времени.
  • Частое использование: многие продукты B2B просто не имеют ежедневных вариантов использования.

Почему это проблематично для когортного анализа?

Во-первых, когда нарушается непрерывный поток пользователей, мы не можем группировать по времени активации. Если продолжить объединять в когорты по времени, то размер каждой когорты будет очень сильно отличаться, и каждая когорта «по времени» становится сильно смещена в сторону определенной группы клиентов.

Другими словами, когда мы проводим когортный анализ B2C, мы обычно можем предполагать, что ключевое различие между каждой когортой — это изменения в самом продукте. Но при анализе B2B продукта мы должны принять во внимание состав самой когорты.

Посмотрим на следующий пример. Предположим, что вы подключили фирму ABC к своему продукту B2B:

Обратите внимание, что для фирмы ABC каждая когорта проявляет себя почти одинаково. То есть, если мы посмотрим только на фирму ABC, мы можем заключить, что любые решения по улучшению продукта, которые мы предлагали в течение этих 8 недель, не оказали влияния на пользователей. Кроме того, мы видим, что самый большой рост пользователей произошел на 1-ой неделе. Эта особенность будет очень важна через некоторое время.

Теперь предположим, что мы привлекли корпорацию XYZ к нашему B2B продукту:

Для корпорации XYZ каждая когорта также проявляет себя почти одинаково. Другими словами, если мы смотрим только на корпорацию XYZ, мы можем заключить, что любые решения по улучшению продукта тоже не оказали влияния на пользователей.

Также мы можем заметить, что пользователи XYZ не имеют такой большой процент удержания, как пользователи ABC. Например, каждая когорта ABC имеет около 75% взаимодействий в первую неделю, тогда как каждая когорта XYZ — только около 60%.

Еще обратите внимание, что самый большой всплеск пользователей в корпорации XYZ произошел на 8-ой неделе.

Если мы объединим эти анализы вместе, то получим следующий результат:

Без подробного контекста для каждой отдельной фирмы, наклевывается вывод, что продукт был лучше на первой неделе, чем на восьмой, потому что когорта 1 имела больший процент удержания.

Но на самом деле, единственная разница была связана с базовым составом пользователей! Другими словами, пользовательская база, которая составляет каждую когорту принципиально отличается.

Пользователи ABC более активны, чем пользователи XYZ, независимо от того, как на самом деле работает продукт. И так получилось, что у нас было больше пользователей ABC в первой когорте, чем в последней.

Таким образом, довольно сложно проанализировать когорты относительно времени в B2B продукте, в отличие от B2C.

Во-вторых, когда нарушается возможность частого использования, становится трудно отследить вовлеченность в течение дня или недели, и нам, возможно, придется использовать гораздо большие отрезки времени.

Допустим, что продукт используется только бухгалтерией для расчета заработной платы, что происходит каждые две недели. Вы можете получить график ежедневной активности, который выглядит следующим образом:

Если вы попытаетесь проводить когортный анализ на ежедневной основе, то можете получить такой бессмысленный результат:

Каждый день данные слишком сильно колеблются, поэтому, несмотря на то что когорты ведут себя одинаково (большая активность 14 и 30 числа каждого месяца), вы не можете определить, отличается ли поведение разных когорт относительно друг друга.

Таким образом, когорты в B2B не должны основываться на календарных датах, и каждый раз срез должен быть менее детализированным.

Тем не менее, когортный анализ по-прежнему невероятно важен в B2B! Он помогает определить, какое влияние оказывает ваш продукт, не прибегая к ошибочным измерениям «общей метрики».

Итак, как же следует проводить когортный анализ B2B?

Лучшие варианты когорт для анализа B2B

Если проводить группировку пользователей продукта B2B следующим образом, вы сможете получить уникальную и полезную информацию:

  • Когорта по пользовательским атрибутам (размер, бизнес-модель, план);
  • Когорта по роли пользователя.

Во-первых, когорты по пользовательским атрибутам позволяют вам просматривать различные сегменты клиентов, которые вы обслуживаете в B2B.

К примеру, скажем, что ваш продукт — это платформа поддержки маркетинга.

Возможно, вы захотите объединить в одну когорту клиентов, которые имеют централизованную маркетинговую структуру, а в другую тех, кто имеет децентрализованную маркетинговую структуру. Ваш продукт более эффективен для модели централизованной или децентрализованной системы?

Кроме того, я обнаружил, что распределение клиентов по размеру — это отличный способ понять, с чем вы справляетесь лучше — с обслуживанием крупнейших клиентов на рынке, или с обслуживанием гораздо более мелких организаций.

Крайне важно понимать в какой нише ваш продукт показывает наибольшую эффективность, поскольку это определяет то, как вы будете расставлять приоритеты на вашей технологической дорожной карте (roadmap), чтобы наилучшим образом обслуживать ниши, которые вам нужны!

Помните, что ваш успех в качестве менеджера по продуктам зависит от соответствия «продукт/рынок», что само по себе зависит, как от продукта, который вы создали, так и от рынка, на который вы ориентируетесь.

Кроме того, объединение по типу плана, который приобрел клиент, является хорошим способом определить, отличаются ли различные уровни вашего продукта друг от друга. Например, вы можете предлагать два варианта своего продукта: пакет «корпоративный» и набор функций «по выбору». Какой из вариантов имеет большее удержание и, следовательно, наибольшую ценность? Вы не сможете ответить, если не будете проводить когортный анализ, чтобы разбить эти два принципиально разных сегмента клиентов!

Кроме того, вам не нужно ограничивать себя в выборе когорты только по типу клиента. Вы также можете группировать по роли пользователя.

Вам следует группировать клиентов по роли пользователей, чтобы вы могли определить, влияет ли ваш продукт на них по-разному. Теперь, когда вы вносите изменения, вы можете определить, как они повлияли на каждую из ролей. Затем, основываясь на этом понимании, вы можете решить, следует ли расширить или наоборот убрать новую функцию.

В конце концов, продукты B2B являются сложными, потому что они позволяют бизнесу полноценно функционировать.

Неизбежно, что какое-то улучшение приведет к усилению в одной роли и, в то же время, отрицательно скажется на другой. Следовательно, когортный анализ также полезен, чтобы определить, стоят ли того такие компромиссы!

Лучшие варианты временных рамок для когортного анализа B2B

Помните, что когортный анализ опирается на две оси: когорты (как вы разделили пользователей на разные группы) и интервал времени (как часто вы переоцениваете каждую когорту). Мы обсудили, как можно более эффективно объединять пользователей в когорты для продукта B2B. Теперь давайте поговорим о том, как более эффективно подбирать интервалы времени.

Рассмотрите возможность использования следующих методов, чтобы уменьшить погрешность в вашем анализе:

  • Опирайтесь на более длительные промежутки времени;
  • Настройте время относительно значимых событий.

Во-первых, чтение событий на более длинных временных отрезках позволяет снизить уровень шума в анализе.

Помните наш предыдущий пример, когда бухгалтерия могла использовать продукт только каждые две недели? Ежедневный или еженедельный интервал времени слишком шумный, чтобы дать какое-либо значимое понимание.

При этом, я регулярно слышу о том, что при использовании более крупных временных отрезков, вы можете упустить критические результаты работы вашего продукта, которые происходят в меньших временных масштабах. Это довольно серьезная проблема. Однако имейте в виду, что компаниям обычно требуется время, чтобы полноценно освоить все функции вашего B2B продукта. Следовательно, ежедневные или еженедельные отрезки времени часто недопустимы в корпоративном пространстве.

Во-вторых, при определении того, как настроить свой анализ, вы должны исходить из времени значимых событий для каждого вашего клиента.

Установите начальную точку отсчета t=0 для некоторого значимого события, которое произошло у клиента, вместо использования обычной календарной даты.

В качестве примера рассмотрим дату релиза продукта клиента. Календарные даты не скажут вам о том, как долго пользователи работают с вашим продуктом. Однако «количество дней с момента выхода в свет» дает вам эту информацию. Следовательно, это лучший механизм для наблюдения за здоровьем когорты.

Заключение

Хотя когортный анализ B2B сложен, он может быть невероятно полезным! Он позволяет определить, как вовлеченность и удержание отличаются между сегментами и во времени.

Чтобы исключить погрешность вашего анализа, вы должны рассматривать обе оси: когорту и временной интервал. Рассмотрите возможность группировки по пользовательским атрибутам и роли пользователей, а не по дате активации. При создании временных отрезков, берите во внимание большие временные интервалы и учитывайте значимые события, которые происходят для каждого клиента.

{ "author_name": "Евгений Матвеев", "author_type": "self", "tags": [], "comments": 0, "likes": 0, "favorites": 0, "is_advertisement": false, "subsite_label": "unknown", "id": 202759, "is_wide": true, "is_ugc": true, "date": "Sat, 30 Jan 2021 21:28:37 +0300", "is_special": false }
Создать объявление Отключить рекламу
Маркетинг
Как привлечь 30 000 новых клиентов СберМаркету через микроблогеров: кейс Perfluence
В 2019 году объем рынка инфлюенс-маркетинга составил 8 млрд рублей, в начале 2020 оценка составляла уже 10 млрд, хотя…
0
0 комментариев
Популярные
По порядку

Комментарии

null