- Analiza kohortowa grupuje klientów według miesiąca ich pierwszego zamówienia i porównuje grupy w tym samym wieku, czego nie potrafią miesięczne sumy.
- Wiersze czytaj jako przebieg jednej kohorty w czasie, kolumny jako kohorty w tym samym wieku, a przekątne jako efekty kalendarzowe, takie jak listopadowa wyprzedaż.
- Porównuj kohorty w przeliczeniu na klienta i w zysku brutto, żeby wielkość kohorty i rabaty na pierwsze zamówienie nie zniekształcały wyniku.
- Kohortę warto pozyskiwać, gdy jej skumulowany zysk brutto na klienta przekracza jej CAC w czasie, który możesz zaakceptować.
Analiza kohortowa w ecommerce grupuje klientów według miesiąca ich pierwszego zamówienia i śledzi, co każda grupa kupuje w kolejnych miesiącach. Pokazuje, czy klienci, których pozyskujesz dziś, wracają i wydają tyle samo co ci pozyskani wcześniej. Miesięczna suma przychodu tego nie pokaże, bo miesza nowych i powracających klientów w każdym wieku.
Ten poradnik wyjaśnia, jak zbudować tabelę kohort pozyskania, jak czytać retencję i skumulowany zysk brutto na klienta, jakie błędy zniekształcają obraz i co pokazuje ROASaurus.
Czym jest analiza kohortowa?
Kohorta to grupa klientów, których łączy punkt startowy. W ecommerce zwykle jest nim pierwsze zamówienie. Wszyscy, którzy pierwszy raz kupili w marcu, tworzą kohortę marcową, niezależnie od tego, z jakiego kanału przyszli.
Tabela kohort ma jeden wiersz na kohortę i jedną kolumnę na okres od pierwszego zamówienia. M0 to miesiąc pierwszego zamówienia, M1 to miesiąc po nim i tak dalej. Każda komórka odpowiada na jedno pytanie dla jednej grupy w jednym wieku: ilu klientów wróciło, ile wydali albo ile zysku brutto zostawili.
Taki układ porównuje klientów w tym samym wieku. Kohortę marcową w trzecim miesiącu można porównać z kohortą czerwcową w jej trzecim miesiącu, mimo że te miesiące przypadają na różne sezony.
Shopify ma wbudowany raport analizy kohortowej klientów, który grupuje klientów według pierwszego zamówienia w ten sam sposób. Jego metryki to liczba klientów, retencja i sprzedaż. Żeby zobaczyć kohorty w zysku brutto, potrzebujesz też kosztów każdego zamówienia: kosztu produktu, wysyłki, opłat płatniczych i obsługi.
Jak zbudować tabelę kohort
- Zbierz opłacone zamówienia z tożsamością klienta
Każde zamówienie potrzebuje customer id albo adresu e-mail. Bez tego nie połączysz drugiego zamówienia z pierwszym. Pomiń zamówienia anulowane i nieopłacone.
- Znajdź pierwsze zamówienie każdego klienta
Miesiąc tego zamówienia to kohorta klienta.
- Nadaj każdemu zamówieniu wiek
Policz miesiące między miesiącem kohorty a miesiącem zamówienia: 0 dla pierwszego miesiąca, 1 dla następnego i tak dalej.
- Zsumuj dla każdej kohorty i wieku
Zsumuj zamówienia, przychód i zysk brutto w każdej komórce i policz klientów, którzy zamawiali.
- Podziel przez wielkość kohorty
Podziel przez liczbę klientów w kohorcie, żeby można było porównywać kohorty różnej wielkości.
- Wybierz widok okresowy albo skumulowany
Komórka okresowa pokazuje tylko ten miesiąc. Komórka skumulowana sumuje wszystkie dotychczasowe miesiące, i to z nią porównujesz koszt pozyskania.
Google Analytics daje podobny wybór w eksploracji kohort, z obliczeniami standardowymi, kroczącymi i skumulowanymi. Standardowe liczy każdy okres osobno, a skumulowane sumuje dotychczasowe okresy. Dla kohort sklepu internetowego używaj komórek okresowych dla retencji, a skumulowanych dla wartości.
Jak czytać tabelę kohort
Oto tabela retencji dla przykładowego sklepu, widziana na początku stycznia. Każda komórka pokazuje odsetek kohorty, który zamówił ponownie w danym miesiącu.
| Pierwsze zamówienie | Klienci | M1 | M2 | M3 | M4 | M5 |
|---|---|---|---|---|---|---|
| Lipiec | 1,000 | 8% | 6% | 5% | 9% | 7% |
| Sierpień | 900 | 8% | 6% | 10% | 7% | – |
| Wrzesień | 1,100 | 7% | 11% | 7% | – | – |
| Październik | 1,050 | 12% | 8% | – | – | – |
| Listopad | 2,400 | 5% | – | – | – | – |
Czytanie wierszy
Wiersz śledzi jedną kohortę w czasie. W tym przykładzie kohorta lipcowa zamawia ponownie na poziomie 8% w pierwszym miesiącu. Wskaźnik spada do 5% w trzecim miesiącu, a potem skacze do 9% w listopadzie.
Czytanie kolumn
Kolumna porównuje kohorty w tym samym wieku. W M1 najlepiej wypadł październik z 12%, a najgorzej listopad z 5%. Ale M1 kohorty październikowej to był listopad, miesiąc wyprzedaży. Część tych 12% pochodzi więc z wyprzedaży, a nie z kohorty.
Czytanie przekątnych
Przekątna to jeden miesiąc kalendarzowy we wszystkich kohortach. Przekątna listopadowa pokazuje 9%, 10%, 11% i 12%: każda starsza kohorta kupiła w listopadzie więcej. Gdy przekątna się wyróżnia, przyczyną jest coś, co wydarzyło się w tym miesiącu, na przykład wyprzedaż, premiera produktu albo problem z dostawą. Nie mówi to nic o jakości kohort.
Prawdziwym pytaniem jest sama kohorta listopadowa. Jest ponad dwa razy większa od pozostałych, ale tylko 5% z niej wróciło w grudniu. W tym samym miesiącu każda inna kohorta wróciła na poziomie 7% lub 8%.
Skumulowany przychód i zysk brutto na klienta
Retencja mówi, czy klienci wracają. Skumulowana wartość na klienta mówi, ile są warci. Zsumuj wszystko, co kohorta kupiła od pierwszego zamówienia, i podziel przez liczbę klientów w kohorcie. Rób to w zysku brutto, a nie tylko w przychodzie, bo to zysk brutto zwraca koszt pozyskania klienta.
Za tymi dwiema liniami stoi to: pierwsze zamówienia kohorty marcowej miały średnio $70 przy wskaźniku marży brutto 48%, więc zostawiały $33.60 na klienta. Pierwsze zamówienia kohorty listopadowej wyniosłyby po pełnej cenie $80, przy tym samym wskaźniku marży brutto 48%. Po zniżce 20% miały średnio $64, ale ich koszty zostały na poziomie $41.60. Wskaźnik marży brutto spadł do 35%, a każde pierwsze zamówienie zostawiało $22.40. Zniżka obniżyła marżę na pierwszym zamówieniu, a mniej tych klientów wróciło.
Kohortę warto pozyskiwać, gdy jej skumulowany zysk brutto na klienta przekracza jej CAC w czasie, który możesz zaakceptować. Miesiąc, w którym to się dzieje, to okres zwrotu. Dla kohorty marcowej jest to M0. Dla kohorty listopadowej jeszcze się to nie stało. Jak ustalić ten limit, opisuje artykuł wartość życiowa klienta w sklepach Shopify, a samą marżę wyjaśnia marża kontrybucyjna w ecommerce.
Typowe błędy w analizie kohortowej
Mieszanie wielkości kohort
Kohorta 150 klientów i kohorta 2,400 nie zasługują na tę samą wagę. Gdy uśredniasz kohorty, waż każdą liczbą jej klientów. Do małych kohort podchodź ostrożnie: w kohorcie 150 klientów trzech klientów, z których każdy wyda o $200 więcej, przesuwa średnią o $4.
Odwrotnym błędem jest porównywanie sum kohort. Kohorta listopadowa ma największy łączny przychód tylko dlatego, że ma najwięcej klientów. Porównuj kohorty w przeliczeniu na klienta.
Czytanie młodych kohort jako gorszych
Kohorta, która zaczęła się w zeszłym miesiącu, miała jeden miesiąc na zakupy. Porównuj ją tylko ze starszymi kohortami w tym samym wieku. Ostatnia komórka wiersza może też być bieżącym miesiącem, który jeszcze się nie skończył, więc wygląda nisko, dopóki miesiąc się nie zakończy.
Ignorowanie sezonowości
Kohorty pozyskane w miesiącu wyprzedaży, takim jak listopad, zachowują się inaczej niż kohorty pozyskane po pełnej cenie. Porównuj je z tym samym miesiącem rok wcześniej, a nie z miesiącem poprzednim. I sprawdź przekątne, zanim obwinisz kohortę: jeśli każda kohorta miała słaby miesiąc w tym samym czasie, przyczyną jest kalendarz.
Ignorowanie rabatów na pierwsze zamówienie
Rabat na pierwsze zamówienie przyciąga klientów przy niższej marży, a część z nich przyszła dla rabatu, a nie dla produktu. Podziel kohorty według kodu rabatowego z pierwszego zamówienia i porównaj ich zysk brutto na klienta.
Gubienie klientów, którzy kupują jako goście
Jeśli powracający klient składa zamówienie z innym adresem e-mail, wygląda jak nowy klient. Jego drugie zamówienie zaczyna nową kohortę zamiast liczyć się jako ponowne zamówienie. Wskaźniki ponownych zakupów wychodzą wtedy za niskie, a liczba nowych klientów za wysoka. Zachęcaj do zakładania kont klientów i traktuj wskaźniki ponownych zakupów jako dolną granicę.
Jak wykorzystać analizę kohortową
- Ustal, ile możesz zapłacić za klienta. Odczytaj skumulowany zysk brutto na klienta w czasie zwrotu, który akceptujesz, na przykład 6 miesięcy. To twój maksymalny CAC.
- Przesuń budżet na kohorty, które wracają. Podziel kohorty według pierwszego produktu, kodu rabatowego lub pierwszego kanału reklamowego i daj większy budżet grupom, które nadal kupują.
- Dopasuj czas wiadomości następczych. Jeśli większość drugich zamówień przychodzi w drugim miesiącu, wyślij przypomnienie przed nim, a nie po.
- Popraw ofertę na pierwsze zamówienie. Jeśli kohorty z rabatem nigdy nie nadrabiają, przetestuj mniejszy rabat albo inną ofertę i porównaj nowe kohorty po trzech miesiącach.
- Oceniaj straty na pierwszym zamówieniu okresem zwrotu. Kohorta, która zwraca się w M2, może uzasadniać kampanie poniżej ich ROAS progu rentowności dla pierwszego zamówienia. Kohorta, która nigdy się nie zwraca, nie może.
Analiza kohortowa w ROASaurus
Raport kohort w module wartości życiowej klienta ROASaurus powstaje z twoich zamówień i kosztów produktów z analityki zysku. Klienci są identyfikowani przez customer id Shopify lub e-mail, a liczą się tylko opłacone zamówienia.
- Kohorty według tygodnia, miesiąca, kwartału lub roku pierwszego zamówienia, jako macierz albo krzywe, z eksportem CSV.
- 14 metryk, wśród nich Customers returning (%), Cumulative orders per customer, Cumulative revenue per customer i Cumulative contribution margin per customer. Ta ostatnia metryka odejmuje koszty produktów, wysyłki, opłaty od zamówień, opłaty płatnicze, obsługę i podatek przekazywany dalej i jest liczona przed wydatkami na reklamy. To ona odpowiada zyskowi brutto na klienta w rozumieniu tego poradnika. Raport ma też metrykę Cumulative gross profit per customer, ale zachowuje w niej pobrane podatki, chyba że Taxes collected jest ustawione na Left out of revenue w Profit › Cost settings.
- Każdy wiersz pokazuje liczbę klientów, CAC, R% (odsetek z drugim zamówieniem do tej pory) i średnie pierwsze zamówienie. CAC to wydatki na reklamy w okresie kohorty podzielone przez wszystkich nowych klientów pozyskanych w tym okresie.
- Wiersz średniej waży metryki na klienta liczbą klientów w każdej kohorcie.
- Zielony obrys oznacza okres, w którym skumulowana marża kohorty na klienta przekroczyła jej CAC: okres zwrotu.
- W kohortach miesięcznych komórki w paski pokazują wartości przewidywane do 24 miesięcy, na podstawie krzywej ponownych zakupów twojego sklepu.
- Filtry po pierwszym zamówieniu: pierwszy produkt, typ produktu, dostawca, kod rabatowy, kraj, pierwszy kanał reklamowy, kanał sprzedaży, źródło, medium lub kampania UTM, tag klienta lub tag zamówienia.
- Wskaźniki ponownych zakupów dla każdego miesiąca pierwszego zamówienia w ciągu 30, 60, 90, 180 i 365 dni. Okno, które nie minęło dla każdego klienta w kohorcie, jest oznaczone gwiazdką.
Ask AI odpowie też na pytania o twoje kohorty. Odczytuje dla ciebie miesięczne kohorty, skumulowaną marżę kontrybucyjną na klienta i miesiąc zwrotu CAC.