Testen vormt het hart van de Lean Analytics filosofie. Daarbij staat het vergelijken van twee dingen ten opzichte van elkaar door middel van segmentatie, cohortes, of A/B-testing vaak centraal.

In een vorig artikel schreef ik dat goede metrics verandering in een organisatie stimuleren.

Als je verandering in jouw bedrijf op een ‘wetenschappelijke’ manier teweeg wil brengen, heb je concepten als segmentatie, cohort analyses en A/B-testing in de wereld van data en analytics nodig.

In dit artikel ga ik dieper in op het verschil tussen segmentatie en het analyseren van data via cohortes en wat je het best kan gebruiken en waarom.

Laten we beginnen.

1. Segmentatie

Een segment is een groep (gebruikers) die gemeenschappelijke eigenschappen hebben. Denk bijvoorbeeld aan mensen die in een bepaald geografisch gebied wonen.

Segmentatie gebeurt vaak op basis van demografische (leeftijd, geslacht) of geografische gegevens (bijvoorbeeld: Antwerpenaren vs. Brusselaars).

Maar tegenwoordig kan je segmenteren op basis van veel meer criteria. Denk bijvoorbeeld aan gebruikers van iPhones ten opzichte van Android-gebruikers. Gedragen ze zich anders? Kopen iPhone-gebruikers meer aan? Maken ze langer gebruik van jouw diensten of producten?

Als je ziet dat bijvoorbeeld personen uit de regio Antwerpen significant minder producten aankopen dan bedrijven uit de regio Brussel, voer dan bijkomende tests uit om te onderzoeken waarom dat zo is.

2. Cohort Analyse

Cohort analyses zijn een andere manier om vergelijkbare groepen ten opzichte van elkaar te vergelijken over een bepaalde periode in de tijd heen.

Stel dat je een nieuw product lanceert of je service packaging aanpast, dan wil je waarschijnlijk graag weten of het nieuwe product / service werkt, en of de veranderingen die je doorvoert om het product of de dienst te verbeteren, ook daadwerkelijk betere resultaten opleveren.

Daar heb je data voor nodig. Want klanten die je in maand 5 na de lancering binnenhaalt, zullen niet dezelfde ervaring hebben als klanten die je al in maand 1 na lancering tekende, aangezien je product of service toen waarschijnlijk nog niet helemaal op punt stond.

Cohort analyses kunnen gebruikt worden voor elk type bedrijf, maar zijn vooral interessant wanneer je werkt met een business model dat gebaseerd is op monthly recurring revenue.

Laten we voor de simpelheid dus eens kijken naar een voorbeeld van een SaaS-bedrijf dat planningssoftware verkoopt op basis van een subscription model waarbij maandelijks betaald wordt voor een bepaalde set aan features binnen de software.

SaaS-bedrijf voorbeeld 1: Traditionele data analyse

Stel dat de klanten van dit SaaS-bedrijf door een bepaald onboarding-proces gaan waarbij ze eerst een free-trial doorlopen, daarna de software gebruiken, betalen, en eventueel daarna afhaken of minder features aankopen in hun pakket.

De software is vrij nieuw en nog maar net beschikbaar op de markt. Elke maand trek je nieuwe klanten aan die maandelijks betalen voor het gebruik van je software.

Na 5 maanden zien je cijfers er zo uit:

cohort analyse voorbeeld 1

Kijk even naar de bovenstaande cijfers: Worden de resultaten beter of slechter?

 

Als je dacht aan een antwoord als “de resultaten blijven min of meer gelijk in de eerste 5 maanden”, dan ben je niet alleen. Alleen is dat antwoord niet helemaal juist…

 

“Hoezo, Arend?” hoor ik je vragen. En dat is een terechte vraag!

Want het enige dat deze data laat zien is een kleine mindering in de gemiddelde omzet per klant en dan terug een kleine stijging. Vrij statische cijfers dus.

 

Maar aangezien je de recente klanten niet vergelijkt ten opzichte van oudere klanten is het moeilijk te zeggen of de resultaten nu statisch zijn, of de positieve / negatieve kant uitbewegen. Uit deze tabel kan je dus weinig opmaken.

 

Om te voelen wat het effect is van de aanpassingen aan je product of dienst, kijk je naar wat de klantwaarde van iemand was in maand 1 ten opzichte van iemand die je software aankocht in maand 5. Als je dat doet, dan gebruik je cohort analyses.

SaaS-bedrijf voorbeeld 2: Cohort analyse – gemiddelde omzet per klant

Elke groep gebruikers is een cohorte – deelnemers in een bepaald experiment binnen een bepaalde tijdsperiode. Je kan cohortes naast elkaar leggen om te kijken of key metrics over het geheel de goede kant op evolueren.

 

Zo kan je kijken hoe aanpassingen aan jouw product invloed heeft op metrics zoals de gemiddelde omzet per klant per maand, churn, etc.

 

Laten we dus even kijken naar dezelfde data als in voorbeeld 1, maar opgesplitst in maanden en de gemiddelde omzet van gebruikersgroepen die in elke maand gestart zijn…

 

Je ziet dan de volgende data:

cohort analyse voorbeeld 2

Uit deze data haal je wel een belangrijke evolutie: namelijk dat klanten die in maand 5 arriveren, bijna een dubbele klantwaarde hebben dan de klanten die je in de eerste maand binnenhaalde…. €50 vs. €90. Dat zijn alles behalve statische cijfers.

Zonder cohort analyse zou je moeilijk tot dat inzicht kunnen komen.

SaaS-bedrijf voorbeeld 2: Cohort analyse – gebruikservaring

Een andere manier waarop je cohort analyses kan gebruiken is om de ervaringen van klanten met je product of dienst beter te begrijpen. Daarvoor kan je bijvoorbeeld kijken naar het aantal maanden dat ze jouw product of dienst gebruiken en de gemiddelde omzet per cohorte.

Zo krijg je een helder beeld op hoe snel de omzet daalt na de eerste maand.

cohort analyse voorbeeld 3

In dit voorbeeld zien we dat klanten die startten in januari aan €50 significant minder opbrengen na 5 maanden. Maar het bedrag waaraan klanten starten stijgt maand op maand wel fel. De daling in omzet in de maanden daarna lijkt ook te verbeteren.

Afgaande op de allereerste tabel in voorbeeld 1 zou je denken dat het SaaS-bedrijf vrij statisch voortbeweegt. Maar door naar de data te kijken via cohort analyses, zie je duidelijk dat dit bedrijf open bloeit. Bovendien weet je ook naar welke metric dit SaaS-bedrijf voorlopig moet kijken om te verbeteren: de daling in omzet na maand 1.

Data analyseren via cohort analyses zorgt ervoor dat je duidelijke patronen kan zien. Patronen die je niet snel kan zien als je blindelings klanten in segmenten opdeelt. Cohort analyse kan gedaan worden op allerlei metrics zoals omzet, churn, kosten, etc.

 

-Arend Verschueren

Privacy Preference Center