Como Usar Análise de Coorte para Reduzir Churn e Melhorar Retenção

Li vários artigos sobre análise de coorte. E para ser honesto, a maioria deles é chata, desnecessariamente técnica e não é acionável.

Você não precisa ser um cientista de dados ou engenheiro para entender como analisar coortes de clientes. É algo que todo fundador, profissional de marketing ou qualquer pessoa que trabalha em SaaS pode aprender a fazer.

Então, ao preparar este guia, decidi seguir um caminho diferente.

Se você já teve curiosidade sobre como fazer análise de coorte (não apenas uma definição do que é) e como usá-la para melhorar seu negócio—sem todo o jargão—este é para você.

Especificamente, vamos ver como usar análise de coorte para reduzir a rotatividade e reter mais clientes para aumentar seu LTV. Vamos começar!

O que são Coortes?

Uma coorte é um grupo de usuários com uma experiência comum.

Geralmente, as coortes são definidas dentro de um determinado período. Você pode pensar nisso como funcionam as formaturas escolares. Você terá a turma de 2020, 2021, etc. Todas as pessoas que se formaram nesses anos específicos fazem parte da mesma coorte.

Quando se trata de aplicativos e software, as coortes são compostas por seus usuários e clientes. Por exemplo:

• Usuários que se inscreveram para uma avaliação no mesmo mês
• Usuários que se converteram em clientes pagos no mesmo mês
• Usuários que cancelaram no mesmo mês
• Usuários que usaram um recurso específico em um determinado período

O uso de coortes facilita a análise do comportamento do usuário sem precisar olhar para cada cliente individualmente. Em vez disso, você pode colocar clientes em coortes e analisar tendências dentro delas.

Você pode leia este artigo para saber mais sobre coortes. Mas para este guia, você só precisa saber o que elas são, para que possamos detalhar como analisá-las.

O que é Análise de Coorte?

Análise de coorte é quando você extrai insights de suas coortes para obter uma melhor compreensão de seu produto, marketing, onboarding e outras partes de seu negócio.

Entender o tempo do churn é apenas metade da batalha. Pesquisa da Amplitude sobre análise de coorte descobriu que o aspecto mais poderoso da abordagem é que ela revela não apenas quando os clientes saem, mas os padrões comportamentais subjacentes que predizem a saída, dando a você algo em que você realmente pode agir. Essa distinção é enormemente importante quando você está decidindo onde investir em onboarding ou melhorias de produto.

E um dos usos mais comuns de análise de coorte é melhorar a retenção de clientes.

Ao analisar clientes em coortes, podemos ver coisas como se os clientes estão cancelando no início de sua assinatura, como mudanças de produto/negócio impactam o churn (negativa ou positivamente), como cada coorte afeta a receita e outros insights importantes.

Uma análise prática de coorte de retenção de clientes análise confirma o que a maioria dos fundadores de SaaS descobre após fazer esse trabalho: segmentar clientes em coortes consistentemente revela padrões de retenção que dados agregados mascaram completamente. A chave é passar da observação à ação identificando a coorte onde o abandono se acelera e depois rastreá-la de volta a um canal de aquisição específico, mudança de preço ou lacuna de onboarding.

Na maioria dos casos, as empresas de SaaS analisam coortes com base em comportamento ou aquisição. Aqui está uma visão geral rápida de cada uma.

Coortes Comportamentais

As coortes comportamentais são agrupadas por ações específicas que os usuários executam em seu produto.

Por exemplo, na Baremetrics poderíamos ter uma coorte de usuários que fizeram login e visualizaram sua MRR em uma semana específica.

Com coortes comportamentais, você precisa definir:

1. Um comportamento específico
2. Período de tempo

Você pode usar uma ferramenta como Mixpanel (ou até Google Analytics) para isso. As coortes comportamentais são ótimas para entender como os usuários se envolvem com seu produto, quais recursos mantêm os usuários voltando e outras informações específicas do produto.

Se seu objetivo é aprender como os usuários se envolvem com seu produto, as coortes comportamentais são uma boa opção. Mas para nossos propósitos, queremos focar em retenção e aquisição.

Coortes de Aquisição

Para usar análise de coorte para melhorar o churn, precisamos analisar coortes de aquisição. Estas são coortes baseadas em quando um usuário se inscreveu no seu produto.

Por exemplo, as pessoas que se inscreveram em fevereiro fariam parte da mesma coorte. Você pode rastrear isso em Baremetrics.

As coortes de aquisição podem ajudá-lo a descobrir o LTV dos clientes, o tempo médio de churn e outros insights relacionados à retenção. Vamos aprofundar tudo isso um pouco mais tarde neste artigo.

Como ler um gráfico de análise de coorte

Se você é novo em gráficos de coorte, eles podem ser um pouco confusos à primeira vista. Mas na verdade é bem fácil de ler uma vez que você sabe o que está olhando.

Aqui está uma visão geral rápida de como nossos gráficos de coorte se parecem na Baremetrics.

Primeiro, vamos olhar para apenas uma coorte.

Da esquerda para a direita, aqui está o que você está vendo:

• Abril de 2019: Este é o "cohort"—clientes que se inscreveram em nosso produto em abril de 2019.
• 24: Este é o número de clientes neste cohort. Então 24 clientes se inscreveram em nosso produto em abril de 2019.
• 92%: Esta é a porcentagem de clientes que permaneceram dentro do primeiro mês após se inscrever. Então em abril de 2019, 8% daqueles 24 clientes cancelaram.

Cada coluna após essa mostra a porcentagem de clientes restantes daquele cohort após cada mês. Então sob a coluna "1", podemos ver que 88% dos 24 clientes originais permanecem após seu primeiro mês, e assim por diante.

Se você não gosta de olhar para porcentagens, você também pode olhar para os dados em números absolutos. Isso mostrará o número exato de clientes restantes após cada mês.

Bem simples, certo?

Se você quiser ver receita em vez de usuários, também fornecemos esses dados.

Inscreva-se para ver seu gráfico de retenção de receita

Ter os dados e saber como ler um gráfico de cohort é legal. Mas a menos que você transforme isso em ação, qual é o ponto?

Então vamos falar sobre como colocar essas bonitas tabelas de cohort em uso.

As capturas de tela e táticas que vou cobrir neste guia serão do nosso produto, Baremetrics. Se você estiver interessado em obter esse tipo de insight para sua empresa, se inscrever para uma avaliação gratuita aqui e acompanhe!

Como usar análise de retenção de cohort para reduzir churn inicial

Você pode aprender muito sobre sua empresa observando o churn nos primeiros meses após os clientes se inscreverem.

Pesquisa acadêmica sobre churn consistentemente mostra que os sinais comportamentais que precedem o cancelamento são detectáveis semanas antes de um cliente realmente sair. Um estudo analisando o churn de clientes de uma perspectiva estratégica descobriu que os padrões de engajamento inicial, especificamente como os clientes interagem com recursos principais nos primeiros 30 dias, são entre os preditores mais fortes de retenção de longo prazo. É exatamente por isso que seus dados de cohort do primeiro mês são tão valiosos.

Por exemplo, digamos que seu gráfico de retenção de cohort se pareça com isto:

Muitos clientes estão saindo dentro de seus primeiros meses de uso do seu produto.

Observando o gráfico acima, no primeiro mês após se inscrever, essa empresa está perdendo quase um quarto de seus clientes de cada cohort. Depois de dois meses, eles estão em quase 50%.

As chances dessa empresa se manter são pequenas a menos que descubram o que está acontecendo.

Se os clientes estão saindo após apenas alguns meses, pode ser um sinal de um ou mais destes:

• Seu produto não corresponde às expectativas de seus clientes
• Seu processo de onboarding precisa de trabalho
• Há um problema em como você está adquirindo/ativando usuários

Vamos dar uma olhada em como você pode usar análise de cohort para identificar cada um desses três cenários, e como corrigi-los.

Uma incompatibilidade entre as expectativas dos clientes e seu produto

Você já viu um trailer de um filme e ficou super animado com isso? Então, depois de assistir ao filme você se sente decepcionado e pensa para si mesmo, "isso não era nada como o trailer".

É exatamente o que acontece quando as expectativas de seus clientes não correspondem à sua experiência real ao usar seu produto.

Não estou falando sobre mentir sobre o que seu produto faz ou enganar as pessoas (esperemos que você não esteja fazendo isso). Mas a incompatibilidade pode acontecer quando você está vendendo demais seu produto, ou comercializando para o público errado.

Por exemplo, olhe para Trello. É um produto incrivelmente versátil para gerenciamento de projetos e outras tarefas. Mas digamos que eles começaram a comercializá-lo como uma alternativa a ferramentas CRM completas.

Eles não estariam mentindo. Você pode usar Trello como um CRM (conforme observado aqui). No entanto, para usá-lo como uma alternativa a CRMs populares como Hubspot, Keap e outros, é necessária mais configuração e complementos.

Se os clientes se inscreveram no Trello esperando obter um CRM mais avançado, eles podem não obter exatamente o que esperavam. E eles seriam mais propensos a sair do que alguém que se inscreveu procurando um CRM mais básico.

Aqui está uma maneira de usar análise de cohort para descobrir se "expectativa vs. realidade" está causando seus clientes a desaparecerem.

Primeiro, peça um motivo de cancelamento sempre que os clientes cancelarem sua assinatura. Você pode usar Insights de Cancelamento para isto.

Depois de começar a coletar os motivos, você será capaz de ver tendências nos motivos pelos quais as pessoas cancelam.

Depois de definir seus motivos, crie um segmento de cliente no Baremetrics especificamente para pessoas que listaram seu motivo de cancelamento como algo relacionado às suas expectativas.

Para nós, isso pode ser pessoas que cancelaram porque estávamos perdendo um recurso, não tinha certeza de como usar os dados/ferramentas ou mudaram para um concorrente.

Salvei este filtro como "Motivo de Cancelamento – Expectativas". Agora, daqui em diante, qualquer um que cancelar e incluir um desses motivos será colocado neste segmento.

Em seguida, vamos para nosso gráfico de cohort de retenção de clientes. Existe um menu suspenso que nos permite escolher um segmento específico para este cohort. Escolheremos o que acabei de criar.

O que estamos vendo no gráfico acima são clientes que se inscreveram nos últimos 12 meses e forneceram um dos motivos de cancelamento do nosso filtro quando cancelaram.

Com base nisso, podemos ver que, na maioria das vezes, as pessoas que cancelam por nossos motivos de "Expectativas" tendem a fazer isso após pelo menos um ou dois meses, com algumas exceções.

Como não temos um modelo de alto volume, temos números menores. Mas se você está em um negócio que se inscreve centenas ou milhares de clientes por mês, provavelmente verá tendências ainda mais fortes.

Esses dados são mais valiosos quando você os compara com o total de cancelamentos.

Então vamos dar uma olhada nos dois gráficos lado a lado:

(1) O gráfico de retenção de clientes para todos os clientes

(2) O gráfico de retenção de clientes para nosso segmento de motivo de cancelamento "Expectativas"

Vou mudar de "Relativo" para "Absoluto" para que possamos ver o número real de usuários restantes a cada mês em vez de percentuais.

Todos os clientes

Segmentado

A quantidade de pessoas que cancelaram por um de nossos motivos de "expectativa" é muito pequena, o que é um bom sinal. Tenha em mente, porém, que este exemplo é para guiá-lo pelo processo. Seus resultados provavelmente serão diferentes dos nossos.

O principal sinal de alerta que você deve procurar ao fazer este exercício para seu negócio é se a queda de clientes que cancelaram porque seu produto não atendeu às expectativas é pior do que a média geral.

Em outras palavras, quantos clientes em cada coorte estão cancelando porque seu produto não atendeu às expectativas deles?

Processo de integração deficiente

Outra possível causa de uma queda acentuada nos primeiros meses de suas coortes é que seus clientes não estão sendo integrados muito bem. Isso se relaciona com a dica anterior.

Se os clientes estão cancelando porque não entendem como usar seu produto, você deve ajustar seu processo de integração.

Para ver se sua integração é o problema, você pode seguir os mesmos passos da seção anterior. Apenas desta vez, você está especificamente procurando por pessoas que forneceram um motivo de cancelamento de não entender como usar seu produto. Você também poderia permitir que eles selecionassem especificamente um motivo como "Falta de integração" ou "Treinamento de produto deficiente".

Se o número de clientes cancelando porque não sabem como usar seu produto é um bom percentual de seus cancelamentos geral, você sabe qual é o problema. E nesse ponto, você precisa corrigir seu processo de integração.

Modelo de aquisição/ativação deficiente

Alguns clientes estão destinados a desistir desde o início por causa da forma como foram adquiridos. Você vê isso muito quando empresas oferecem descontos profundos para novos clientes ou vários meses grátis.

Descontos são uma boa maneira de conseguir novos clientes rapidamente. Mas você também precisará aceitar que pode levar a uma alta taxa de cancelamento nos primeiros meses também.

É exatamente o que o History Hit descobriu depois de executar uma promoção de Black Friday. O serviço de vídeo por assinatura adquiriu uma tonelada de novos clientes depois de executar uma promoção de Black Friday.

Eles estavam conseguindo clientes pela metade de seu custo-por-aquisição alvo. Mas também notaram que sua taxa de cancelamento foi de 6% para 9% em semanas.

Além disso, seu LTV mensal caiu 36% após novembro e sua taxa de conversão de teste foi de 80% para 40%.

Você pode leia sua jornada completa para saber o que aconteceu e como eles conseguiram reverter a tendência. Mas no final, tudo se resumiu ao fato de que os descontos oferecidos eram tão grandes que atraíram leads de qualidade inferior.

Lembre-se: Se você vai oferecer descontos, testes gratuitos ou até mesmo optar por freemium, certifique-se de que faz sentido financeiro para seu negócio.

Modelos e Estratégias de Precificação de SaaS Desmistificados

Descubra como escolher o modelo de preços certo para seu negócio!

O bom é que é muito fácil descobrir se seu modelo de aquisição ou ativação é a causa de sua taxa de cancelamento usando análise de coorte. Você pode executar um experimento onde muda seu modelo de ativação por um ou dois meses e compara os resultados.

Isso é exatamente o que Ahrefs fez.

Por mais de cinco anos, eles permitiram que qualquer pessoa usasse seu produto gratuitamente por 14 dias sem ter que fornecer informações de pagamento.

Isso fez com que tivessem um número massivo de pessoas usando seu produto gratuitamente se inscrevendo, cancelando após os 14 dias e se inscrevendo novamente com um endereço de e-mail diferente.

Em um ponto, eles tinham o dobro da quantidade de usuários gratuitos em relação aos clientes pagantes. E nem sequer eram um produto freemium.

Embora os testes gratuitos inicialmente os tivessem conseguido muita exposição, consumiram muitos de seus recursos (custos de servidor e suporte ao cliente) em clientes não pagantes. A longo prazo, não seria sustentável.

Então, eles experimentaram um teste de 7 dias por $7. E embora tivessem obtido menos testes, sua taxa de conversão de teste para pagamento melhorou porque estavam conseguindo usuários de qualidade superior.

Você pode conferir exatamente o que eles fizeram e seus resultados neste vídeo:

Se você tiver uma alta taxa de churn nos primeiros meses, tente ver se algum desses três problemas é o culpado. E o bom de monitorar por coortes é que você pode rastrear facilmente o impacto de suas mudanças ao longo do tempo.

Em alguns casos, porém, você conseguirá reter clientes inicialmente. Mas após 6-12 meses eles começam a desistir rapidamente.

Aqui está o que fazer nesse cenário.

Como usar análise de coorte para melhorar o LTV de seu cliente

Como empresa SaaS (ou qualquer negócio), você quer manter os clientes pagando você pelo máximo tempo possível. Fazer análise de coorte o ajudará a ver como sua taxa de cancelamento está tendendo 6, 12, 18 ou até 24 meses adiante.

Quando você começa a usar análise de coorte para melhorar LTV, ajuda saber qual é o bom de verdade. O benchmark mais citado é uma proporção LTV-para-CAC de 3:1, o que significa que seu valor vitalício do cliente deve ser pelo menos três vezes seu custo para adquiri-lo. Se seus dados de coorte mostram LTV tendendo abaixo desse limite, esse é um sinal concreto de que seu problema de retenção também é um problema de economia unitária.

Aqui está como fazer isso.

Vá para seu tabela de coorte de retenção de clientes. Dependendo de quanto tempo atrás você quer olhar, recomendo mudar da visualização dos últimos 12 meses para 24 meses.

Queremos focar nos meses 6+.

A primeira coisa que você deve fazer é monitorar como cada coorte se compara ao seu tempo médio de churn. Você pode ver isso no Barmetrics no seu painel de churn de usuários.

Como você pode ver, nosso tempo médio de churn é de aproximadamente 21 meses.

Observando nosso gráfico de coorte, eu verificaria se alguma das coortes tem um alto nível de queda antes de 21 meses.

Felizmente, nada parece estar muito fora. Mas digamos que em vez disso víssemos algo assim:

Podemos ver que uma coorte vai contra nossa tendência. Nesse ponto, gostaríamos de olhar para essa coorte específica e ver o que aconteceu. Crearíamos um segmento personalizado como fizemos antes e analisaríamos os motivos do cancelamento para essa coorte.

Mas muito provavelmente, se você tiver um problema com churn de longo prazo, verá isso em várias coortes, não apenas uma. E se esse for o caso, aqui está o que você pode fazer para mudar a tendência.

Etapa 1. Encontre seus pontos de queda

Primeiro, você precisa ver quantos meses após o início da assinatura a maioria das coortes está caindo.

Procure por agrupamentos em seu gráfico de coorte a partir de seis meses e além.

Em nosso gráfico, podemos ver uma tendência começando no mês 9–11. Uma quantidade considerável de coortes está reduzida para cerca de 50% neste momento. Se conseguirmos descobrir como melhorar esses números, podemos melhorar nosso LTV retendo esses clientes por mais tempo.

Etapa 2: Verifique os motivos do cancelamento para esses clientes

Em seguida, você vai querer descobrir por que as pessoas estão cancelando nesses meses.

Você pode ver um processo passo a passo de como fazer isso no meu artigo de análise de churn onde mostro como analisar churn por coortes.

Etapa 3. Verifique em seu ponto de queda

A Etapa 2 mostrará por que os clientes cancelaram, e esperançosamente você pode obter algumas lições aprendidas com isso.

Mas outra coisa que você pode fazer é verificar com os clientes cerca de um ou dois meses antes antes do período de queda.

Em nosso exemplo, poderíamos enviar e-mails de "verificação" nos meses 8 e 9 de sua assinatura para ver como as coisas estão indo. Dessa forma, se houver um problema ou algum tipo de atrito, podemos salvar a conta antes de cancelarem.

Uma solução mais duradoura seria ter uma sequência de e-mail automatizada (ou mensagens no aplicativo) que verifique seus clientes ao longo de sua assinatura. Em seguida, meça o desempenho dessas sequências ao longo do tempo (taxa de abertura, engajamento, etc.)

Etapa 4. Acompanhamento após o período de queda

Os passos anteriores ajudarão você a resolver o problema no futuro, mas e os clientes que estão atualmente em seu período de queda ou um pouco depois?

Essas pessoas:

Você pode ver que a taxa de retenção é um pouco mais estabilizada, mas isso não significa que elas não estejam em risco de cancelamento.

Mesmo que tenham "sobrevivido" ao período inicial de queda, você ainda deve entrar em contato com elas para garantir que estejam engajadas e gostem de seu produto.

Além disso, como elas ficaram com você, poderia ser uma boa ideia enviar a esses usuários uma pesquisa para perguntar o que eles gostam/desgostam do seu produto.

Compare o feedback que você recebeu dessa pesquisa com os motivos de cancelamento encontrados na etapa 2.

Procure por similaridades e diferenças. E use o feedback para melhorar seu produto e experiência do cliente.

O objetivo é descobrir o que você pode fazer para manter os clientes satisfeitos e pagando por mais tempo. Use as táticas acima para encontrar tendências e identificar possíveis problemas.

Como usar análise de coorte para otimizar churn de receita

Até este ponto, falamos muito sobre churn de usuários. Mas também podemos usar análise de coorte para obter insights sobre churn de receita.

Um bom caso de uso para isso é tentar entender o impacto dos descontos.

Digamos que você estivesse curioso sobre como os descontos impactam sua receita. Você pode olhar para clientes com desconto vs. preço integral em uma coorte específica.

Usarei nossa própria conta para este exemplo.

Em nossa conta, especificamos contas com desconto como seus próprios planos.

Então, primeiro, precisamos criar um segmento de cliente para isolar clientes com desconto e preço integral em uma coorte específica. Usaremos a coorte de abril de 2019 para este exemplo.

Crie um segmento personalizado com estes dois filtros:

• Data de inscrição: Os clientes de uma coorte específica
• Plano: Todos os planos com desconto que você oferece (Se você marcar seus clientes com desconto de uma forma diferente, como marcá-los em seu CRM, você apenas adicionará o filtro apropriado aqui em vez de "Plano".)

Salve esse segmento como algo como [Coorte de Abril de 2019 – Com Desconto].

Em seguida, crie o mesmo filtro, mas em vez de "Qualquer um destes" para o filtro Plano, altere para "Nenhum destes":

Em seguida, salve esse segmento como algo como [Coorte de Abril de 2019 – Sem Desconto]

Agora, podemos usar o Barmetrics para comparar diferentes métricas relacionadas à receita para esses dois segmentos.

Por exemplo, podemos ver qual segmento dessa coorte tem um melhor receita média por usuário (ARPU) ao longo do tempo:

Acompanhe a receita média por usuário da sua empresa

Os clientes com preço total experimentaram churn de receita negativo em alguns meses. Isso significa que alguns dos nossos clientes com preço total expandiram (atualizaram sua conta ou obtiveram nossos produtos complementares como Insights de Cancelamento e Recuperar).

Você pode descobrir que, embora tenha mais clientes com preço total cancelando do que clientes com desconto, eles ainda geram mais MRR do que clientes com desconto que permanecem por um período mais longo.

Esse é apenas um exemplo de como usar análise de coorte para analisar churn de receita. Mas o processo pode ser personalizado dependendo do que você está procurando.

Para evitar cair em um vórtice de gráficos e dados, sugiro começar com um único problema que você deseja resolver. Depois, use as dicas acima para executar uma análise. Caso contrário, você passará o dia todo classificando dados.

Acredite em mim, eu já fiz isso.

Use análise de coorte para ver a visão geral

Dividir seus usuários por coortes facilita muito a visualização de tendências e a tomada de medidas.

Se você tem problemas com churn, não se sobrecarregue analisando toda sua base de clientes de uma vez. Em vez disso, analise por coorte. Identifique os problemas nessas coortes, faça mudanças e meça os resultados.

Ao longo do tempo, você deve começar a ver uma melhora no seu churn geral.