تجزیه و تحلیل کوهورت نوعی تجزیه و تحلیل رفتاری است که داده ها را از یک زیر مجموعه معین ، مانند یک پلت فرم تجارت SaaS ، بازی یا تجارت الکترونیکی می گیرد و آن را به جای نگاه کردن به داده ها به عنوان یک واحد ، در گروه های مرتبط گروه بندی می کند. گروه بندی ها به عنوان گروهی گفته می شوند. آنها ویژگی های مشابهی مانند زمان و اندازه را به اشتراک می گذارند.
شرکت ها از تجزیه و تحلیل کوهورت برای تجزیه و تحلیل رفتار مشتری در طول چرخه زندگی هر مشتری استفاده می کنند. در صورت عدم وجود تجزیه و تحلیل گروهی ، مشاغل ممکن است در درک چرخه زندگی که هر مشتری از طریق یک بازه زمانی معین عبور می کند ، دچار مشکل شوند. مشاغل از تجزیه و تحلیل کوهورت برای درک روندها و الگوهای مشتریان به مرور زمان استفاده می کنند و پیشنهادات محصولات و خدمات خود را به گروههای شناسایی شده متناسب می کنند.

یک تجارت داده های زیادی را می بیند که روزانه وارد می شوند. تجزیه و تحلیل چنین حجم زیادی از داده ها نه تنها پیچیده بلکه یک کار گران قیمت است که به کارمندان اختصاصی نیاز دارد. با این حال ، یک تجارت می تواند مشتریان را به گروه های قابل کنترل تر و عملی تر تقسیم کند.
هنگامی که این شرکت روندهایی را در نحوه استفاده از گروههای مختلف از محصولات خود مشاهده می کند ، می تواند مشکلات موجود در تکنیک های بازاریابی خود را شناسایی کرده و تعیین کند که چه موقع و چگونه می توان به بهترین وجه با گروه ها یا انواع مختلف مشتری ارتباط برقرار کرد. این تجارت همچنین از داده های شکسته برای طراحی مشوق هایی استفاده می کند که باعث می شود مشتریان در صورت تمایل به متوقف کردن خرید محصولات ، از استفاده از محصولات خود استفاده کنند.
گروهها را می توان در دسته های زیر گروه بندی کرد:
گروه های مبتنی بر زمان مشتریانی هستند که در یک بازه زمانی خاص برای یک محصول یا خدمات ثبت نام کرده اند. تجزیه و تحلیل این گروه ها بسته به زمان شروع استفاده از محصولات یا خدمات یک شرکت ، رفتار مشتریان را نشان می دهد. بسته به چرخه فروش یک شرکت ممکن است زمان ماهانه یا سه ماهه باشد.
به عنوان مثال ، اگر 80 ٪ از مشتریانی که در سه ماهه اول با این شرکت ثبت نام کرده اند ، در سه ماهه چهارم با این شرکت به هم می پیوندند اما تنها 20 ٪ از مشتریانی که در سه ماهه دوم ثبت نام کرده اند با این شرکت تا سه ماهه چهارم ، ITنشان می دهد که مشتریان Q2 راضی نبودند. این شرکت می تواند در طول تبلیغات Q2 بیش از حد پیش بینی شود ، یا یک رقیب ممکن است همان مشتریان را با محصولات یا خدمات بهتر هدف قرار دهد.
تجزیه و تحلیل گروههای مبتنی بر زمان به نگاه به نرخ چرند کمک می کند. به عنوان مثال ، اگر مشتریانی که در سال 2017 برای محصول این شرکت ثبت نام کرده اند ، سریعتر از افرادی که در سال 2018 ثبت نام کرده اند ، می توانند از این داده ها برای یافتن علت استفاده کنند. این ممکن است که این شرکت از وعده های خود پیروی نکند ، یک رقیب محصولات با کیفیت بهتری را ارائه می دهد ، یا یک رقیب مستقیماً مشتریان خود را با مشوق های بهتر هدف قرار می دهد.
برای یک تجارت SaaS ، در ابتدای یک بازه زمانی معین ، نرخ خفگی زیاد است و با عادت مشتریان به محصولات ، کاهش می یابد. مشتریانی که طولانی تر در کنار شرکت باقی می مانند ، تمایل دارند محصول را دوست داشته باشند و با نرخ کمتری نسبت به شروع یک بازه زمانی کمرنگ شوند. در صورت عدم وجود گروه ها ، یک شرکت ممکن است علت دقیق تعداد زیادی از مشتریانی را که محصولات را در یک بازه زمانی معین رها می کنند ، مشخص نکند.
گروه های مبتنی بر بخش ، مشتریانی هستند که در گذشته یک محصول خاص خریداری کرده اند یا برای یک سرویس خاص پرداخت کرده اند. IT مشتریان را بر اساس نوع محصول یا سطح خدماتی که برای آنها ثبت نام کرده اند گروه بندی می کنند. مشتریانی که برای خدمات سطح پایه ثبت نام کرده اند ممکن است نیازهای متفاوتی نسبت به افرادی که برای خدمات پیشرفته ثبت نام کرده اند ، داشته باشند. درک نیازهای گروههای مختلف می تواند به یک شرکت کمک کند تا خدمات یا محصولات متناسب با بخش های خاص را طراحی کند.
یک شرکت SaaS بسته به قدرت خرید مخاطبان هدف ، ممکن است سطوح مختلفی از خدمات را ارائه دهد. تجزیه و تحلیل هر سطح به تعیین نوع خدمات متناسب با بخش های خاص مشتریان کمک می کند.
به عنوان مثال ، اگر مشتریان سطح پیشرفته با سرعت بسیار بیشتری نسبت به خدمات سطح اساسی ، این نشانگر این است که خدمات پیشرفته بسیار گران هستند یا خدمات سطح پایه به سادگی نیازهای بیشتر مشتریان را برآورده می کنند. دانستن آنچه مشتریان در یک بسته به دنبال آن هستند ، به شرکت در بهینه سازی اعلان های خود کمک می کند تا روی ایمیل های مربوط به فشار که مشتریان باز و خوانده می شوند ، تمرکز کنند.
گروه های مبتنی بر اندازه به اندازه های مختلف مشتریانی که محصولات یا خدمات یک شرکت را خریداری می کنند ، اشاره دارد. مشتریان ممکن است مشاغل کوچک و نوپا ، مشاغل متوسط و مشاغل سطح سازمانی باشند.
مقایسه دسته های مختلف مشتریان بر اساس اندازه آنها نشان می دهد که بزرگترین خریدها از کجا انجام می شود. برای مقوله هایی با کمترین خریدها ، شرکت می تواند هرگونه مشکل را در زمینه ارائه محصول و خدمات و مناطق طوفان مغزی برای بهبود بررسی کند که می تواند سطح فروش را افزایش دهد.
در یک مدل تجاری SaaS ، مشاغل کوچک و نوپا معمولاً با نرخ بالاتری نسبت به شرکتهای سطح سازمانی متلاشی می شوند. مشاغل کوچک و نوپا ممکن است بودجه کمی داشته باشند و محصولات کم قیمت را آزمایش کنند تا ببینند چه چیزی برای آنها مفید است. مشاغل سطح شرکت بودجه بیشتری دارند و تمایل دارند برای مدت زمان طولانی تری با یک محصول بچسبند.
مجموعه داده های زیر نمونه تصادفی از 5000 مشتری یک شرکت نرم افزاری داستانی را ارائه می دهد. فرمول ها تاریخ شروع هر مشتری و همچنین تعداد ماه های دور از تاریخ شروع را که آخرین مشتری در نرم افزار شرکت فعال بود ، جدول بندی می کند. تجزیه و تحلیل گروه زیر ابزاری فوق العاده برای تمایز بین گروههای مختلف بر اساس زمان است. توجه داشته باشید که سایر بخش های گروهی می توانند نمونه ها را با سایر خصوصیات از زمان تقسیم کنند.

در یک نگاه سریع ، می بینیم که ماه های ژوئیه و دسامبر نرخ های حفظ بهتری را مشاهده می کنند ، جایی که بیش از 95 ٪ از مشتریان تا چهار ماه باقی مانده اند. در مقابل ، ماه های دیگر معمولاً می بینند که بسیاری از مشتریان فقط تا دو ماه باقی می مانند. این شاید به دلیل ارتقاء شرکت در آن ماهها باشد و منجر به حفظ بالاتر شود. یک مثال تبلیغات تابستانی Spotify است ، جایی که آنها 3-4 ماه خدمات را با قیمت تخفیف می فروشند.
از طرف دیگر ، ما در ماه آوریل نرخ خفگی بالاتری را مشاهده می کنیم که تعداد زیادی از مشتریان پس از ماه اول از بین می روند. در اینجا ، شاید یک نرم افزار در این نرم افزار تعداد زیادی از مشتریان را خاموش کند.
هیچ نوع تجزیه و تحلیل گروهی لزوماً بهتر از دیگری نیست. در عوض ، مشاغل باید دو یا چند مورد از این بخش ها را با هم ترکیب کنند تا درک عمیق تری از نحوه پیگیری مشتریان با محصولات خود داشته باشند.
به عنوان مثال ، اگر تجزیه و تحلیل نشان دهد که مشترکان حق بیمه نرخ چرب بالاتری را نسبت به مشترکان اصلی ثبت می کنند ، شرکت می تواند اقدامات فوری برای اصلاح اوضاع انجام دهد. اگر مشتریان حق بیمه به دلیل هزینه های بالای محصولات در حال فریب دادن هستند ، شرکت می تواند هزینه ها را بررسی کند یا انگیزه های بیشتری برای تشویق آنها به ماندن ایجاد کند.
اگر تجزیه و تحلیل نشان دهد که مشتریان ممتاز به طور مداوم در حال جستجوی اسناد راهنما برای نمایش داده های مشابه هستند ، شرکت می تواند یک تلفن یا ایمیل را پیگیری کند تا بهتر اطمینان حاصل کند که مشتریان یک راه حل رضایت بخش پیدا می کنند.
نام و ایمیل خود را در فرم زیر وارد کنید و الگوی رایگان را هم اکنون بارگیری کنید!
برای پیشبرد دانش مالی خود ، الگوی اکسل رایگان را بارگیری کنید!
با تشکر از شما برای خواندن راهنمای CFI برای تجزیه و تحلیل گروهی. برای کسب اطلاعات بیشتر در مورد تجزیه و تحلیل مالی و مدل سازی ، منابع CFI زیر مفید خواهد بود.
دریافت مجوز برای اطلاعات تجاری (BIDA®)
با یادگیری نحوه استفاده از برنامه نویسی و ابزارهای تجزیه و تحلیل داده مانند VBA ، پایتون ، Tableau ، Power BI ، پرس و جو قدرت و موارد دیگر ، ابرقدرت های تحلیلی را توسعه دهید.
برچسب :
نویسنده : علیرام نورایی
بازدید : <-PostHit->