Расчет числа сделок по периодам в когортах

Не секрет, что юнит-экономика в современном виде оперирует показателями в когортах, но бизнесу очень трудно ориентироваться в когортном представлении, и привычно за всем наблюдать в традиционных периодах времени, например в месяц. При этом когортные представления дают больше ответов на управленческие вопросы, чем традиционные представления данных. Но моделирование продуктовых метрик осложнено тем, что работая с когортами хочется имея фактически только (почти) знания о когортах, получить представление этих когорт в традиционных периодах времени, я называю это, разворотом когорт.

Представим себе задачу, рассчитать число подписчиков в месяц зная информацию о всех когортах проекта, для каждого месяца, это легко получить с помощью ueCalc. В итоге, мы будем знать значение показателей когорты для каждого месяца, например, мы знаем, что у нас есть когорта, в которой имеется 16 клиентов (B), причем, среднее число сделок на клиента составляет 5.50 (APC), и пусть это SaaS сервис. Нужно понять, а сколько сделок должны совершить наши клиенты в каждый месяц существования когорты. Причем, мы знаем, что в первый месяц конвертируется не более 70% лидов. Это значит, что наши 16 клиентов стали клиентами за два месяца существования когорты, 11 в первый и 5 во второй.

Для того, чтобы расписать число сделок по месяца на основе известной информации необходимо, рассчитать общее число сделок, для этого нам нужно умножить среднее число сделок на клиента на число клиентов, 16 × 5.50 = 88. Но как распределить платежи от клиентов по месяцам?
Давайте начнем просто представлять. В первый месяц у нас было всего 11 клиентов, и каждый успел совершить только одну покупку (у нас SaaS), значит в первый месяц у нас было всего 11 сделок. Во второй месяц у нас пришло еще 5 новых клиентов в когорте и каждый из них совершил по одной покупке. Но при этом из имеющихся у нас 11 клиентов часть вернется и совершит вторую покупку. Число вернувшихся зависит от параметра оттока (Churn Rate), который для SaaS равен 1/APC. Тогда, вернется во второй месяц следующее число клиентов 11 × (1 - 1/5.50) = 9. И суммарно, во второй месяц у нас будет 14 клиентов. И все это для одной когорты. Такие расчеты необходимо сделать для каждой когорты. А затем суммировать значения для каждого месяца.

Кроме того, в бизнесе может быть задача учесть прерывание подписки, например, связанная с сезонностью, например, зачем вам оплачивать интернет на даче вне летнего сезона? Для этого нам необходимо подготовить справочник с периодами и указать для каждого месяца, долю клиентов, которые перестают платить в этом периоде. И затем для каждого расчетного периода по возврату клиентов делать корректировку. Пусть на второй месяц существования когорты только 40% продлевают подписку. Тогда наша формула превратится в 11 × (1 – 1/5.50) × 0.40 = 3.6 или 4.
Ну а если вы все это делаете в Google Sheet, то автоматически можно построить когорты с помощью вот таких формул (рис 1)

Где, 'Cohorts - b SaaS' содержит информацию о числе новых клиентов в когорте за первый месяц существования. В ячейке C10 храниться информация об общем числе сделок от всех клиентов за все время существования когорты, чтобы не выйти за границы значения метрик для когорт при моделировании. В ячейке H10 находиться рассчитанное значение сделок для предыдущего периода, а конструкция VLOOKUP находит значение числа клиентов, которые делают перерыв в платежах. И в итоге все это приводит к такой таблице (рис 2)

Так, что не надо бояться когорт при моделировании, а существующие решения позволяют учитывать, достаточно сложные бизнес задачи при моделировании. Я же планирую добавить такой механизм в ueCalc, и вам не придется заморачиваться с кучей формул в табличных процессорах.

#морейнисобобщил

Опять обощение от Морейниса. Интересно, когда Джобс выпускал первый айфон, очеркди стояли чтобы купить, а не за попроповать.

При этом проблема существует, но вот лежит она не в области попробовать, потом купить... и лечить надо истинную проблему, а не симптом.

"Легко не будет" – это практическое руководство от опытного предпринимателя Кремниевой долины, Бена Хоровица, о построении и развитии стартапов. Книга предлагает эффективные стратегии, основанные на личном опыте автора, который успешно создал и развил несколько бизнес-проектов. Хоровиц умело сочетает теорию и практику, делая книгу ценным источником знаний для предпринимателей на всех этапах развития бизнеса.

Одна из ключевых особенностей книги – индивидуальный подход к типичным проблемам, с которыми сталкиваются предприниматели. Вместо того чтобы предлагать универсальные рецепты успеха, Хоровиц анализирует конкретные ситуации и предлагает наиболее подходящие стратегии решения проблем, будь то увольнение сотрудников, масштабирование бизнеса или продажа компании.

"Легко не будет" – это не только руководство по бизнесу, но и вдохновляющая история успеха. Хоровиц демонстрирует, что для достижения целей необходимы стойкость, настойчивость и готовность к трудностям. Он подчеркивает важность развития предпринимательских качеств, таких как умение принимать решения, управлять рисками и адаптироваться к переменам.

Книга адресована не только опытным бизнесменам, но и тем, кто только начинает свой путь в мире предпринимательства. Она станет незаменимым ресурсом для менеджеров, предпринимателей и всех, кто мечтает о запуске своего собственного стартапа. С помощью "Легко не будет" читатели получат не только практические советы, но и вдохновение для достижения успеха в своем бизнесе.

#книжная_полка

=== #объявление

Ребята, а можете порекомендовать мне эксперта по google analytics 4, который умеет в ней руками работать и данные анализировать. Обязательно со свободным английским. Нужен совет по возможностям платформы, а потом может и консалтинговый договор

@julia_sabitova

#’энциклопедия

Друзья, я полностью пересмотрел свой блог, обновил дизайн, сделал его удобнее. Поиск по статьям стал работать сильно лучше, так же упростил и улучшил фильтр по статьям. Изменил шрифты и добавил темную тему. Также добавил больше разнообразного контента по тому, чем я занимаюсь. Ну и за одно теперь появилась английская версия.

Кроме того, в ближайшем будущем появится возможность комментирования статей + платный функционал.

Готов услышать ваши замечания и предложения
https://khanin.info/

"Путеводитель по лжи" от автора Дэниела Левитина – это увлекательное исследование, которое раскрывает тонкости и хитрости использования лжи в повседневной жизни. Левитин, известный нейроученый и психолог, проводит читателя через лабиринт ложных утверждений, подделок и манипуляций с данными.

Книга раскрывает множество приемов, используемых людьми, чтобы обманывать других и себя самих. Она обучает читателей различать правду от лжи, раскрывает методы анализа информации и помогает развивать критическое мышление.

Левитин предлагает практические советы по выявлению лжи в различных ситуациях, от общения с людьми до чтения новостей. Книга также обсуждает, как использовать знания о лжи в своих интересах и как защитить себя от манипуляций.
Подкрепленная научными исследованиями и примерами из реальной жизни, "Путеводитель по лжи" станет незаменимым ресурсом для всех, кто стремится развить свои навыки анализа информации и защитить себя от обмана.

#книжная_полка #gpt

7 раз отрежь!

9 лет назад я сформулировал мысль, что важно тестировать большое число гипотез. В общем смысле слова речь идет о том, что разрабатывая продукт мы находится в плену наших гипотез. Гипотезы у нас обо всем, это и
– целевая аудитория,
– боль клиента,
– ценностное предложение,
– рынок,
– бизнес модель.

При этом все мы хотим узнать, ждет ли нас успех в будущем с нашим предприятием.

Пусть, S (success) — это успех, а H(hypothesis) — наши гипотезы. Вероятность успеха есть предел от числа гипотез.

P(S)=lim(H → ∞)(H)

Не трудно догадаться, что такой предел сходиться к единице.

Вопрос гипотезы, боли и ценностного предложения решается в процессе customer discovery, тогда как гипотезы о рынке и бизнес модели снимаются моделированием юнит-экономики.

В русском языке есть такая пословица, семь раз отмерь и один раз отрежь, смысл ее в том, что нужно хорошо подумать, прежде, чем что-то сделать, однако при создании инновационного продукта, лучше семь раз отрезать и выбрать лучший отрез, и только так получиться проверять огромное число гипотез.

#статьи

30 слов про юнит-экономику

Зашел у меня недавно разговор о том, что такое юнит-экономика простыми словами. С одной стороны есть Дэвид Скок, который предложил измерять два параметра — CLTV и CAC, или валовую прибыль клиента со всех его сделок с затратами на получение этого клиента. Эту же мысль в России повторил Олег Якубенков, в своей статье про объяснение юнит-экономики за 30 слов. Оба они правы, но в использовать напрямую для принятия решений этот подход проблематично. Ведь, что такое валовая прибыль? Это результат вычисления функции, зависящей от нескольких параметров, а именно,

CLTV = (AOV – COGS)×APC – 1sCOGS

это если взять формулу Красинского. И вот эти переменные они влияют на результат нашей валовой прибыли. При этом у бизнеса есть разные задачи, и внутренние процессы, которые связаны с этими метриками. Например, за улучшение показателя APC отвечают одни люди и степень их влияния на метрику одна, а за COGS другие, а у AOV – третьи, и их влияние на показатель отличаются. При этом затраты на улучшение показателей у этих групп разные и время на улучшение метрик тоже разное.

Если ваши ресурсы ограничены вы должны понимать, какие показатели нужно улучшать в первую очередь, а какие во вторую, иначе у вас просто не хватит ресурсов. И вот тут, как раз, и появляются все те хитрости с юнит-экономикой, про которые я рассказываю.

А так, по большому счету, юнит-экономика — это инструмент показывающий при каком количестве юнитов масштабирования при заданных параметрах валовой прибыли на юнит масштабирования маржинальная прибыль от этих юнитов масштабирования покрывает наши постоянные издержки с заданным уровнем прибыльности.

И я тоже уложился в 30 слов, все просто, не усложняйте и задавайте себе вопрос, чтобы что?

#статьи

Друзья, у меня для вас новая рубрика: Реально Заданные Вопросы (Real Asked Question) в рамках которой вы в течении месяца задаете вопросы в комментариях к статье у меня в блоге, а я в конце месяца, 31 марта начну отвечать на них.

https://khanin.info/blog/169
#RAQ

===

Рекомендация для тех, кому регулярно нужна свежая статистика, данные и цифры.

Всю аналитику для бизнеса собирает в одном месте и в открытом доступе канал RE:source, который делает команда бюро цифрового маркетинга Sixth Sense. У них уже более 900 исследований и постоянно добавляются новые.

Исследования — у них на сайте, а на канале ежедневно выкладывают полезные выжимки, интересные цифры, комментарии экспертов и тематические подборки отчетов. Пользуйтесь!

#внешний_пост

Голая статистика. Самая интересная книга о самой скучной науке" Чарльза Уилана – это увлекательное путешествие в мир цифр, фактов и статистических данных, которое разрушает стереотип о скучности этой науки. Автор, известный статистик и популяризатор науки, Чарльз Уилан, представляет статистику в доступной и увлекательной форме, делая ее интересной и понятной для широкой аудитории.

Книга начинается с простых примеров и объяснений основных понятий статистики, постепенно переходя к более сложным темам и методам анализа данных. Уилан рассказывает о различных методах сбора, обработки и интерпретации информации, используя яркие примеры из реальной жизни.

Основное внимание уделяется раскрытию ошибок и заблуждений, которые могут возникнуть при работе со статистическими данными, и методам их избежания. Автор использует занимательные иллюстрации, аналогии и интересные факты, чтобы сделать материал более понятным и запоминающимся.

"Голая статистика" не только обучает читателей основам статистики, но и помогает им развить критическое мышление и умение анализировать информацию. Книга станет полезным ресурсом для всех, кто интересуется наукой, аналитикой данных или просто стремится лучше понимать мир вокруг себя.

#книжная_полка #gpt

Пять неочевидных ошибок финансового моделирования

При создании финансовых моделей, очень часто допускают неочевидные ошибки. Я посмотрел более 3000 финансовых моделей, а также посмотрел большое число роликов на тему, как создавать финансовые модели и подготовил для вас список из пяти неочевидных ошибок, которые допускают при создании финансовых моделей.

1. Параметры за которые не отвечаем
Использование в модели параметры, за которые не отвечает команда. Распространенным примером может являться прогнозирование конкуренции. Вообще такие параметры очень часто связаны с внешней средой, и желанием учесть изменение этой среды для развития бизнеса. Само по себе знание того, как будет меняться рынок неплохо, но вот ставить эти факторы в основу достижений моделируемого проекта, опасно, так как степень влияния команды на эти внешние параметры минимальна. Более подробно про то, что команда может нести ответственность только за то, чем управляется я описал в статье "Отвечай только за то, на что можешь повлиять".

2. Необоснованные параметры рост
Очень часто, наверное это одна из самых распространенных ошибок, использование параметров роста в модели необоснованное ни чем вообще. Просто говорят, пусть мы будем расти на 10.00% в месяц, или отток клиентов составит 5.00%. Но откуда взялись эти числа не говорят. Главная проблема в таком подходе, что любая модель это набор вероятностей, которые сводятся к одной итоговой вероятности успешности проекта. И любая ошибка в параметрах модели приводит к увеличению итоговой ошибки в расчете вероятности успешности проекта. Мне непонятно, зачем осознано загонять себя в ошибки изначально выбирая необоснованные параметры в модели.

3. Команда и параметры модели
Эта ошибка следствие предыдущих ошибок. Построив модель, мы получаем какую-то итоговую конфигурацию бизнес параметров, которые должна выполнять команда. При этом мы не обращаем внимание на то, что существующей команды просто недостаточно для того, чтобы достигнуть или поддерживать полученные параметры бизнеса. Например, в результате моделирования мы получили порядка 100 000 клиентов в месяц. Но при этом в команде нет людей отвечающих за работу с клиентами, сотрудников поддержки, аккаунт-менеджеров и т.д., то есть мы не закладываем в модель, что у какого-то числа клиентов могут возникнуть проблемы при работе с продуктом и они начнут нуждаться в поддержке, либо кто-то из клиентов потеряет какой-то бухгалтерский документ и обратиться в компанию за его дубликатом. Понятно, что для такого числа клиентов поток такие обращений может создать большие проблемы.

Вторым важным следствием этой ошибки является то, что для достижения многих параметров бизнеса нужны не просто кадры, а лучшие кадры с рынка, которые стоят соответствующих своим знаниям денег. И это тоже должно быть отображено в модели. Потому что расходы на такую команду, которая может выполнить созданную модель, могут превысить доходы бизнеса.

4. Фиксированные параметры бизнеса по времени
Эта ошибка также связана с первыми двумя ошибками, мы используем фиксированные по времени параметры в бизнесе. Например, указываем, что прирост числа новых клиентов в месяц будет равен 10.00% и этот рост не меняется со временем. Но так ли это? Готовы ли вы каждый месяц с самого начала проекта обеспечивать такой рост? А что будет если вы не сможете его обеспечить?

5. Некорректное использование оттока
Мне приходилось встречать в моделях использование фиксированного параметра оттока. Причем делают это чтобы учесть изменение числа клиентов в связи с тем, что клиенты не работают с продуктом вечно. Но при этом используют этот параметр некорректно. Самое главное, что это параметр когорты, то есть он относиться к свойствам конкретной группы клиентов. Например, к клиентам пришедшем в продукт в январе. И следовательно, для февральской когорты будет свой собственный параметр оттока. Во-вторых, величина оттока в когорте может меняться с каждым месяцем жизни когорты. Ну и в-третьих, для некоторых бизнес моделей величину оттока вообще весьма сложно прогнозировать, например, для коммерции. Где клиенты могут покупать товары спонтанно и возвращаться в за покупками после того, как не покупали в течении нескольких месяцев. В чистом виде величина оттока применятся для подписных моделей, где отказ от подписки весьма конкретное явление.

И еще 2 боннусных ошибки по ссылке. https://khanin.info/blog/161

Учет затрат на рабочие места в финансовой модели

При создании финансовой модели, часто забывают произвести учет затрат на организацию рабочих мест. Рассчитать стоимость рабочих мест, количество и правильное время закупки оборудования. Однако ueCalc позволяет достаточно легко учитывать такие затраты, даже с учетом динамического формирования численности персонала проекта.

Далее на сайте (статья с картинками)