Crece el Crecimiento: Realiza tu Propio Análisis de Cohortes con este Código de Open Source

View all articles

Alejandro Rigatuso es el fundador de de Postcron.com, una herramienta fácil para programar pendientes en Facebook y Twitter. Puedes contactarlo a través de: alejandro@postcron.com.

Análisis de Cohortes, retención y tasa de cancelación de clientes son unos de los indicadores claves de rendimiento para el desarrollo de la compañía.

Este no es simplemente otro artículo de Análisis de Cohortes. Si eres un científico de datos aficionado por el tema y ya tienes conocimiento de la importancia del mismo, puedes obviar la introducción. Empieza por el simulador, en donde aprenderás cómo realizar un Análisis de Cohortes y simular un crecimiento startup basado en la retención, la tasa de cancelación de clientes y muchos otros factores. Incluso puedes aprender a analizar tus propios registros de PayPal con el software de Open Source.

Ahora bien, si no te has dado cuenta de que estos son algunos de los indicadores más importantes, continúa leyendo.

Introducción al Análisis de Cohortes:

Ante todo, debemos entender de qué estamos hablando aquí con un Análisis de Cohortes. Brevemente, un cohorte es un grupo de sujetos con una característica en común. Quizás sea su edad, nacionalidad, tal vez es su ciudad de nacimiento, etc.

La edad es un ejemplo particularmente bueno. A menudo, nos referimos a aquellos nacidos entre las décadas de 1960 y 1980 como miembros de la “Generación X” y aquellos que nacieron entre las décadas de 1980 y 1990 como miembros de la “Generación Y”. Cada cohorte, cada generación, tiene sus propias características.

Asimismo, cualquier empresa puede agrupar y analizar a sus clientes a través de cohortes. Una forma común y bastante útil para analizar a los clientes es agruparlos por la fecha en la cual comenzaron a utilizar el servicio.

This anonymous quote about Silicon Valley highlights the importance of performing meaningful cohort analysis.

¿Qué pasa si yo les preguntara: “cuánto porcentaje de sus ingresos del mes pasado vino de clientes que empezaron a trabajar con ustedes hace un año?” ¿Ninguno en absoluto? Los nuevos usuarios pueden parecer buenos, pero suscripciones por sí solas no equivalen a los ingresos. ¿Sabes la respuesta? Si no la sabes, será útil que aprendas sobre el Análisis de Cohortes.

Análisis de Cohortes, Retención y Tasa de Cancelación de Clientes:

Si analizas tus ingresos por cohortes, puede deducir (mensualmente) qué parte de tus ingresos proviene de nuevos usuarios y qué parte procede de antiguos usuarios. Además, ir un paso más allá y predecir los ingresos atribuidos a la retención y a la tasa de cancelación de clientes con un mayor grado de precisión.

Entonces hemos establecido que un cohorte es un grupo de personas con una característica en común. Desde aquí vamos a proceder, por ejemplo, examinando las métricas de nuestro cloud computing startup. Comencemos analizando un solo cohorte. En este caso, nos centraremos en los clientes que comenzaron a trabajar con nosotros en Enero de 2012.

La primera métrica importante que debemos calcular es la de la retención: ¿Cuántos de nuestros nuevos usuarios de Enero, permanecieron con nosotros en Febrero? Supongamos que teníamos 100 usuarios en Enero, y sólo 20 decidieron cancelar su suscripción, dejándonos con 80 usuarios restantes en Febrero. El análisis de retención básico nos indica que esto es un 80% de tasa de retención. Ahora, digamos que 8 clientes decidieron cancelar en Febrero. Así que en Marzo, contamos con 80-8=72 usuarios. Como 72/80 = 90%, tenemos una retención del 90% después de 2 meses de nuestro cohorte de Enero de 2012.

Algunas personas calculan la retención en función del tamaño del cohorte inicial, pero prefiero calcular la retención en función del mes anterior de cada cohorte.

La tasa de cancelación de clientes es otra métrica esencial. Se puede definir en términos de retención: Tasa de cancelación de clientes = 1 - retención. Por lo tanto, 80% de retención implica un 20% de deserción. En otras palabras, es la tasa en la que los clientes están dejando tu servicio.

Volviendo a nuestro inicio de cloud computing, vamos a analizar un ideal (lee: Unreal) Caso: 100% de la tasa de retención. Esto significa que ninguno de nuestros clientes abandonan el servicio. Digamos que nuestra empresa obtiene 1,000 nuevos clientes al mes. Después de 24 meses, esta empresa cuenta con 24.000 clientes activos,nada mal. Lamentablemente, este escenario es básicamente imposible ya que el 100% de retención sólo existe en un paraíso startup.

In this retention analysis of example cohorts, an impossible 100% retention is depicted.

Ahora, vamos a ser un poco más realistas y decir que nuestra empresa tiene un 90% de tasa de retención. En otras palabras, cada cohorte pierde un 10% de sus clientes cada mes. Nuevamente, supondremos que hay 1,000 clientes nuevos cada mes.

En este caso, tras recibir 1,000 usuarios nuevos en Enero de 2012, hemos perdido 100 clientes para Febrero, 90 para Marzo, 81 para Abril, y así sucesivamente. Veamos lo que muestra el siguiente gráfico:

This time the cohort analysis software depicts 10% churn in each cohort.

Con 1,000 usuarios nuevos por mes, en un 90% de la tasa de retención, tenemos alrededor de 9,000 usuarios activos mensuales después de 24 meses. Compara esto con el 100% de retención, y acabamos en el 37,5% del caso ideal (24.000 clientes).

En otras palabras: una caída de 10% en la tasa de retención provocó una disminución del 62% en el número total de usuarios activos después de 24 meses.

Los puntos clave aquí: bajas tasas de retención limitan el crecimiento, además de que el uso de software para Análisis de Cohortes es útil para comprender sus tasas de retención.

Crece el Crecimiento

En este momento podrías estar pensando: “¡Pero Alejandro, espera! Si cada empresa tiene una tasa de cancelación de clientes, y estas tasas de deserción limitan el crecimiento, ¿cómo algunas empresas logran el crecimiento en forma de L invertida?

Personalmente yo respondería: “Porque su crecimiento es cada vez mayor”.

Hay varias maneras de aumentar el crecimiento: incrementando el presupuesto de marketing, optimizando conversiones, y creando programas de referencia, todas estas maneras pueden atribuir al crecimiento viral. Analicemos el caso de crecer de forma viral, en el cual el número de clientes nuevos se mira afectado por el número total de clientes activos de la empresa. En otras palabras: más clientes en el sistema equivale a más gente refiriéndose a nuevos clientes equivale a más clientes nuevos.

Digamos que la empresa está creciendo viralmente con un factor constante (K) de 0.20 y que la fórmula que hemos aplicado para calcular el número de nuevos clientes es:

nuevos clientes (mes) = k * Número total de clientes (Mes-1)

Ahora, vamos a ver el mismo ejemplo de antes (1.000 nuevos usuarios por mes @ 90% de retención), pero esta vez incluiremos que algunos crecen en forma viral (K = 0.20).

This cohort analysis depicts viral growth of 20% along with a 10% churn rate.

De esta gráfica de Análisis de Cohortes, hay dos puntos clave: en primer lugar, un factor constante de 0.20 ha causado un aumento del 1,000 por ciento en el número total de clientes activos (~90.000) después de 24 meses; y, en segundo lugar, el sistema continúa creciendo después de 24 meses y no llegó al punto de saturación.

Entonces, para compensar nuestra tasa de retención del 90%, tenemos que crear mecanismos para hacer crecer nuestro crecimiento cada mes.

Ahora, en este punto,podrías estar diciendo: “¡Wow, Alejandro! El crecimiento viral es claramente más importante que la retención. ¡Mira cómo afecta a nuestra base de clientes!”

Donde yo respondería: “No tan rápido”.

Analicemos un caso más. Utilizaremos a nuestro viejo buen amigo, el startup de cloud computing; pero esta vez con un 50% de tasa de retención. Nos centraremos en 1,000 nuevos usuarios por mes y una tasa de crecimiento viral de K = 0.20. Pero independientemente de lo viral que sea, nuestra empresa se ha desempeñado muy mal, ya que perdió el 50% de nuestros clientes en cada cohorte, y por consiguiente cada mes.

This retention analysis depicts a company doing poorly.

Después de 24 meses, nuestra empresa sólo cuenta con 3.000 clientes activos en lugar de 90,000 que es una diferencia de 30x. La retención es verdaderamente clave.

Pero ¿por qué tal retención tiene tan poderoso efecto? En resumen: porque el crecimiento viral depende del número de clientes activos, así que si queremos mantener a nuestros usuarios durante más tiempo, tendremos más referencias.

Para recapitular:

  • En general, la tasa de cancelación de clientes limita el crecimiento.
  • La retención aumenta el crecimiento viral.
  • Buena retención y crecimiento viral son requisitos previos para escalar una empresa a millones o incluso miles de millones de usuarios.

Una última palabra sobre el análisis del índice de la tasa de cancelación de clientes

Es bastante común ver a más clientes cancelar un servicio durante el primer mes de uso que más adelante. Es por eso que en la siguiente simulación, yo le ofrezco dos tasas de retención: el primer mes la tasa de retención y la tasa de retención a largo plazo. Utilizando estos parámetros dentro nuestros cálculos conducirá a resultados más precisos.

Conclusión

El propósito de este tutorial Análisis de Cohortes no era para darte una clase detallada sobre mediciones ni sobre el Análisis de Cohortes; de hecho, otros expertos debatieron la complejidad de estas estadísticas con más profundidad. Al contrario, quiero que comprendas la importancia de este tipo de análisis y, aún con más importancia, mostrarle a los lectores sus propios ejemplos de Análisis de Cohortes de ingresos y tasas de cancelación de clientes con mi Análisis de Cohortes de Open Source Software Solution.

Y por eso después de leer el tutorial, te preguntarás…

¿Qué porcentaje de tu ingreso real viene de los usuarios que comenzaron a trabajar en tu compañía hace un año?

Cómo Realizar tu Propio Análisis de Cohortes

¡Ahora es tu turno! Hay dos maneras de analizar la tasa de retención y la tasa de cancelación de clientes de tu negocio:

  1. Carga los datos de tu cuenta PayPal a la herramienta que he implementado. Para ser totalmente transparente, ten en cuenta que utilizando esta herramienta, tu archivo de registro va a ser colocado temporalmente en un servidor debido a su procesamiento (se eliminan tan pronto como se muestran los datos). Sin embargo, si lo prefieres, siempre puedes…

  2. Descargar el Open Source e implementar la herramienta tu mismo. El archivo README contiene las instrucciones detalladas de cómo hacerlo. Si no tienes una cuenta de PayPal, puedes hackear el código fácilmente para analizar otros tipos de cuentas.

Alternativamente, puedes jugar con nuestro simulador y visualizar el inicio del crecimiento basado en los parámetros mencionados anteriormente.

¡Gracias por leer!

Hiring? Meet the Top 10 Freelance Data Scientists for Hire in December 2016
Don't miss out.
Get the latest updates first.
No spam. Just great engineering and design posts.
Don't miss out.
Get the latest updates first.
Thank you for subscribing!
You can edit your subscription preferences here.

Comments

comments powered by Disqus