Af Morten Suhr Hansen
Som abonnementsnørder hævder vi ofte, at én af fordelene ved at drive en abonnementsforretning er adgangen til store mængder af data og viden om vores kunder, deres køb og adfærd. De mange data udgør en forretningsmæssig mulighed for at skabe yderligere vækst, men hvordan tilgår vi dem bedst? Hvordan omsætter vi de mange data til analyser, der kan give os en dybere indsigt i vores abonnementsforretning og vigtigst, vise os vejen til konkrete handlinger, der kan forbedre forretningen?
Det er her cohort-analyser kommer ind i billedet. De er ofte ’motorvejen’ vi kan tage mod en dybere forståelse af vores forretning og vores abonnenters adfærd. De er den hemmelige kode til forståelsen af, hvorfor nogle abonnenter forsvinder, mens andre bliver loyale abonnenter, der skaber stor værdi over tid.
Så lad os dykke lidt ned i, hvordan du bryder koden og skaber mere indsigt i din abonnementsforretning.
Tidsbaserede cohort-analyser er et godt sted at starte
Lad os starte med at få begreberne helt på plads. En cohort er en gruppe af personer, der har en fælles karakteristik eller oplevelse inden for en defineret tidsperiode. Så helt fundamentalt handler det om at dele den samlede base af kunder op i mindre, sammenlignelige grupper.
Cohort-analyser er så en form for adfærdsanalyse, der handler om at forstå adfærden hos denne gruppe af individer, cohorten, og hvordan den udvikler sig over tid.
I abonnementsverdenen bliver cohort-analyser meget ofte udført med udgangspunkt i abonnementets starttidspunkt, altså hvornår kunden signer op til et abonnement. Man samler alle abonnenter, der starter en given måned i samme cohort, og så følger man churn-profilen på denne cohort over tid. Når man har gjort det et antal måneder, så har man et langt mere nuanceret billede af churn-profilen i abonnementsforretningen, end et enkelt churn-tal nogensinde kan give, og man begynder at kunne identificere skrøbelige tidspunkter i abonnentrejsen og bygge effektive og forebyggende værn, der forbedrer fastholdelsen for de abonnenter, der kommer ind gående fremad.
Figur 1: Eksempel på tidsbaseret cohort-analyse
Denne tidsbaserede cohort-analyse er et fremragende udgangspunkt, og bør være en absolut standard i enhver abonnementsforretning. Så der vil jeg klart anbefale at begynde, men der er stadig mange flere ’koder’, som du kan dechifrere ved brug af endnu mere avancerede cohort-analyser.
Cohorts opdelt på forskellige salgskampagner kan skabe ny indsigt
Tænk i virkeligheden om cohort-analyser som din mulighed for at koble flere variable på din forståelse af, hvorfor nogle abonnenter hopper fra igen, mens andre bliver loyale over tid.
Én variabel kunne være de kampagner, som du får abonnenterne ind på i første omgang. Ofte, så måler du din kampagneeffektivitet på konverteringsprocenter og salgsomkostning pr. kunde (CAC). Men i virkeligheden er det lige så vigtigt, hvilke kampagner, der skaber abonnenter over tid, og hvilke kampagner, der får abonnenterne næsten lige så hurtigt ud, som de kommer ind. Så ved at opdele dine cohorter baseret på kampagner, kan du få et meget skarpere billede af kampagnerne effektivt i forhold til at skabe langsigtet værdi.
Betalingsmetoder kan være en anden variabel, du kan bygge dine cohorter op på. Ikke alle betalingsmetoder er lige effektive over tid. Har du et klart billede af, hvilke betalingsmetoder, der har den bedste fastholdelse over tid? Hvis ikke, så er her en mulighed for at blive endnu klogere på betalingsrelateret churn.
Andre variable kan være mere forretningsspecifikke, så tænk selv over, hvilke variable på kunde- eller produktniveau, som kan være interessante at splitte dine cohorter op på.
Figur 2: Eksempel på kampagnebaseret cohort-analyse
Prøv også adfærd i stedet for tid, når du bygger dine cohorter
Ovenstående cohort-analyser er alle tidsbaserede i forhold til, hvornår abonnenten er startet op. Som nævnt, er det et glimrende sted at begynde, men måske giver det i virkeligheden mening at gå fra tidsbaserede til adfærdsbaserede cohorter?
I hvert fald hvis man spørger den amerikanske dataforsker Carl Gold, der har skrevet ’Fighting churn with data’, der netop handler om brugen af data i abonnementsforretninger, og hvordan de bedst anvendes til at forhindre frafald og sikre lang levetid.
Først og fremmest handler det om at identificere de faktorer, som rent faktisk driver abonnenternes churn. Her introducerer Carl Gold ’behavourial cohorts’ som et alternativ til de traditionelle tidsbaserede cohort-analyser. De adfærdsmæssige cohorter ser på, hvilken adfærd hos kunderne, der rent faktisk driver churn og i hvilket omfang. Med en lille smule behændigt data-arbejde vil disse analyser kunne give virksomheden en langt bedre og mere nuanceret indsigt i, hvad der egentlig driver churn (andet end kundens anciennitet, som det jo ikke er muligt at gøre meget ved) og dermed skabe grundlaget for at vurdere om det er bedre kundekommunikation, et styrket produkt eller en ændret pakketering, som kan ændre på mængden af abonnenter, som ryger ud af bunden af badekarret.
Figur 3: Eksempel på adfærdsbaseret cohort-analyse. Kilde: Gold, C. (2020) Fighting Churn With Data
Forstå dynamikken i din abonnementsforretning og skab handlinger
Indrømmet, at beskrive, hvordan abonnementsforretninger kan og bør arbejde med cohort-analyser i så kort et format som her, er nærmest at sætte sig selv på en uriaspost. Det kunne der (og er der) skrevet tykke bøger om!
Min oplevelse er bare, at der er for få abonnementsvirksomheder, der arbejder tilstrækkeligt dybt med dette stærke værktøj, der giver så mange muligheder for indsigter kombineret med muligheden for at arbejde proaktivt og fremadrettet med at forbedre kundeoplevelsen og dermed skabe øget loyalitet og fastholdelse.
Et godt startpunkt er tidsbaserede cohort-analyser, der kombineres med de variable, som giver mening for din forretning. Det vil give dig et solidt fundament til at forstå dynamikken i din abonnementsforretning og gøre det muligt at iværksætte tiltag, der kan nedbringe churn de tidspunkter i kunderejsen, hvor den er kritisk.
