不断进步：使用此开源代码执行自己的队列分析

Alejandro Rigatuso是Postcron.com的创始人, 这是一种在Facebook和Twitter上安排帖子的简便方法。你可以通过[电子邮件保护]与他联系。

同类群组分析, 保留率和客户流失率是公司建设中的一些关键指标。

但这不只是关于同类群组分析的另一篇文章。如果你是一位经验丰富的数据科学家, 并且已经知道该主题的重要性, 并且想跳过介绍, 则可以跳到模拟器, 在这里你可以学习如何进行群组分析, 并根据保留率, 客户流失率和许多其他因素, 或者使用我开源的软件分析你自己的PayPal日志。

但是, 如果你没有意识到这些是围绕着一些最重要的指标-继续阅读。

队列分析简介

首先, 让我们用同类群组分析定义来了解我们在说什么。简而言之, 队列是具有共同定义特征的一组主题。也许是他们的年龄, 也许是他们的国籍, 也许是他们的出生城市, 等等。

年龄是一个很好的例子。通常, 我们将60到80年代之间出生的人称为” X世代”, 而80到90年代之间出生的人则称为” Y世代”。每个队列, 每一代, 都有其自己的定义特征。

同样, 任何公司都可以按同类群组对客户进行分组和分析。分析客户的一种常见且非常有用的方法是按客户开始使用你的服务的日期对其进行分组。

鸣叫

如果我要问你：”上个月你有多少收入来自一年前开始与你合作的客户？”有没有？新用户看起来不错, 但仅注册并不等于收入。你知道答案吗？如果不是, 这将有助于了解同类群组分析。

同类群组, 留存率和流失率分析

如果你按同类群组分析收入, 则可以(每月)推断出你的收入中有多少来自新用户, 有多少来自旧用户。此外, 你可以采取下一步措施, 以更高的精确度预测归因于保留和客户流失的未来收入。

好的, 因此我们确定了同类人群是具有共同定义特征的一群人。从这里开始, 我们将以示例的方式进行研究, 研究新的臀部云计算创业公司的指标。首先, 我们仅分析一个队列。在这种情况下, 我们将研究于2012年1月开始与我们合作的客户。

我们需要计算的第一个重要指标是保留率：二月份还有多少新的一月份用户在我们身边？假设我们在一月份有100个订阅者, 只有20个决定取消订阅, 所以到了二月份, 我们还有80个订阅者。基本保留率分析告诉我们保留率为80％。现在, 假设8个客户决定在2月取消。因此, 在三月份, 我们有80-8 = 72个用户。由于72/80 = 90％, 因此我们在2012年1月的队列研究2个月后保留了90％。

有些人将保留率计算为该队列的初始大小的函数, 但我更喜欢将保留率计算为每个队列的前一个月的函数。

流失率是另一个重要指标。可以根据保留率来定义：流失= 1-保留率。因此80％的保留率意味着20％的流失率。换句话说, 这就是客户离开你的服务的速度。

回到我们的云计算初创公司, 让我们分析一个理想的情况(阅读：不真实)：保留率为100％。这意味着我们的客户都不会离开服务-没有人取消任何服务。可以说我们公司每月有1000个新客户。 24个月后, 该公司拥有24, 000个活跃客户。还不错不幸的是, 这种情况基本上是不可能的-100％的保留仅存在于启动天堂中。

现在, 让我们稍微现实一点, 说我们公司的保留率为90％。换句话说, 每个同类群每月都会失去10％的客户。同样, 我们将假设每月有1, 000个新客户。

在这种情况下, 我们在2012年1月获得1, 000个新用户后, 在2月失去了100个客户, 3月失去了90个客户, 4月失去了81个, 依此类推。让我们看看这张图是什么样的。

如果查看以前的同类图表, 你将意识到活动用户总数已达到9000左右的饱和点。从数学上可以证明, 即使该公司每月接收1, 000个用户, 该公司的增长也不会超过9, 000个用户。

每月有1000个新用户, 客户保留率达90％, 而在24个月后, 我们的月活跃用户约为9, 000。相比之下, 保留率是100％, 理想情况下(24, 000个客户)只有37.5％。

简而言之：保留率下降10％, 导致24个月后的活跃用户总数下降62％。

这里的主要收获是：低保留率会限制增长, 使用软件进行同类群组分析对于了解保留率很有用。

成长中

现在, 你可能会想：”但亚历杭德罗, 等等！如果每个公司都有流失率, 而流失率限制了增长, 那么一些公司如何实现曲棍球棒增长？”

我会回答：”因为他们的增长正在增长。”

有几种增加增长的方法：增加营销预算, 优化转化和创建推荐计划都可以促进病毒式增长。让我们分析病毒式增长的情况, 其中新客户的数量受公司活跃客户总数的影响。换句话说：系统上的更多客户等于更多的人推介新客户等于更多新客户。

假设该公司以0.20的常数(K)进行病毒式增长, 并且我们用来计算新客户数量的公式为：

新客户(月)= k *客户总数(第1个月)

现在, 让我们想象一下与以前相同的示例(每月1000个新用户, 保留率90％), 但是这次, 我们将带来一些病毒式增长(K = 0.20)。

从这个队列分析图中, 有两个主要结论：首先, 恒定系数0.20导致24个月后的活跃客户总数(〜90, 000)增加了1000％；其次, 该系统在24个月后仍在增长-尚未达到饱和点。

因此, 为了补偿我们90％的保留率, 我们需要创建一种机制来每月增加增长。

现在, 你可能会说：”哇, 亚历杭德罗：病毒的生长显然比保留更重要。看看它如何影响我们的客户群！”

我会回答：”不是那么快。”

让我们再分析一种情况。我们是一家出色的云计算初创公司, 但保留率达到50％。我们将坚持每月有1000个新用户, 病毒增长率K = 0.20。但是, 不管病毒式传播如何, 我们公司的表现都非常糟糕, 每个月每个队列中失去50％的客户。

24个月后, 我们公司只有3, 000名活跃客户, 而不是90, 000名–相差30倍！保留确实是关键。

但是为什么保留会产生如此强大的作用？简而言之：由于病毒式增长取决于活跃客户的数量, 因此, 如果我们将用户保留更长的时间, 我们将会获得更多的推荐。

回顾一下：

一般来说, 客户流失会限制增长。
保留会增加病毒的生长。
良好的保留率和病毒式增长是将公司规模扩大到数百万甚至数十亿用户的先决条件。

关于流失率分析的最终结论

很常见的是, 在使用的第一个月内, 有更多的客户取消服务, 而不是以后。因此, 在以下模拟中, 我为你提供两个保留率：第一个月保留率和长期保留率。在我们的计算中使用这些参数将导致更精确的结果。

总结

此同类群组分析教程的目的并不是要向你提供有关指标和同类群组分析的详细课程；实际上, 其他人更深入地讨论了这些统计信息的复杂性。相反, 我想唤醒你这种分析的重要性, 更重要的是, 使用我的开放源代码队列分析软件解决方案向读者展示他们自己的收入队列分析示例和流失率。

如果只有一个问题可以唤醒你, 请注意以下几点：

你的实际收入有多少来自一年前开始与你合作的用户？

如何进行自己的队列分析

现在轮到你了！有两种方法可以分析你自己的公司的保留率和流失率：

将你的PayPal数据上传到我已部署的工具中。为了进行全面披露, 请注意, 使用此工具, 你的日志文件将被临时放置在服务器上进行处理(数据显示后即被删除)。但是, 如果你愿意, 你始终可以…
下载开源代码并自己部署该工具。自述文件包含有关如何执行此操作的详细说明。如果你没有PayPal帐户, 则可以轻松地破解代码来分析其他类型的帐户。

另外, 你可以使用我们的模拟器, 并根据上面讨论的所有参数可视化启动增长。

谢谢阅读！