在上集文章裡,我在結論中有特別提到,Growth Accounting分析法有一個缺點,就是它無法知道用戶生命週期所奉獻的總體價值,也無法清楚理解,流失的用戶是在哪一個生命週期階段流失的,因此,接著下來介紹的第二種分析框架,就剛好用來解決此問題。
Cohorts
一開始,我們先聊聊為什麼需要對客戶的生命週期價值感到興趣呢?假如你是一間向用戶銷售商品的企業(不論是訂閱還是交易式的商業模式,在這邊都沒有差異),你會比較關注客戶
一次性的貢獻價值還是
多次的累積性貢獻價值呢?答案應該相當顯而易見吧,我們都希望看到的是用戶所貢獻的價值是逐漸積少成多,積沙成塔吧?!
Five ways to build a $100 million business作者在文中舉出了一個有趣的例子,來清楚闡明這個觀點。
假如我們要打造一家年收入一億美元的互聯網公司,有五種方法可以達到這個目標(其中的圖表,Y軸顯示了每個用戶每年貢獻的平均收入【ARPA】,X軸則是需要多少用戶):
Five ways to build a $100 million business
- 1,000 名企業客戶每年向您支付 10 萬美元以上(Salesforce)
- 10,000 家中型公司每年向您支付 10,000 美元以上(mixpanel)
- 100,000 家小企業每年向您支付 1000 美元以上(SurveyMonkey、amazon)
- 100 萬消費者每年向您支付 100 美元以上(Evernote、MailChimp)
- 1000 萬活躍消費者,您通過銷售廣告以每年 10 美元以上的價格獲利(Instagram、Yelp)
但光知道ARPA還不太夠,真正的觀察指標還需要考量付出成本的影響因素(見下面公式)。
LTV/CAC_來源:The One Ratio Every Subscription Business Needs to Know
在這邊推薦一篇文章「如何實際計算 Retention、LTV ,並產出可執行的商業計畫」,作者提出了一個簡單的面向去假設預估LTV,我認為是蠻實用的技巧,大家也可以點進去按步驟實際操作。
回到LTV/CAC的公式,目前我們還不需要太探究如何計算,不同的公司所延伸的算式都會不大一樣,我僅單純說明此等式的意義,當計算結果>1(用戶貢獻的終身價值是高於獲取成本)時,公司規模才有機會持續成長,反之,若公司拉一個新客付出的費用還高於他所貢獻的金額,那這樣的生意真的不做也罷!
一般來說,國外投資公司通常以LTV/CAC是否大於3,來做為一家企業是否健康的評核標準。
接著下來,進入了本篇文章的重點,當我們在看LTV時,其實大多是以Cohort的方式來進行分析,一樣透過圖表來說明,會比較容易理解。
Sample LTV curves_來源:Diligence at Social Capital Part 3: Cohorts and (revenue) LTV
稍微解釋上面的「LTV曲線圖」,括號裡的數字是該時段Cohort的數量規模,其中每一條顏色的線代表著該時段獲取新客後的累積貢獻價值,所以隨著age(國外文章中多採用Age年齡,來形容用戶在產品上的生命週期時長,我們這邊也沿用此習慣會比較易於理解)的增加,Y軸的累積金額應該也會增長(正斜率),大致上會出現四種行為類型:
- Flat LTV:該群組用戶只貢獻了第一次金額,後來幾乎沒有替公司帶來營收。
- Sub-linear LTV:隨著age的推移,該群組用戶貢獻的金額越來越少,大多數的企業多屬這一類。
- Linear LTV:該群組用戶始終花費相同或略低的金額,不隨age的變化。很多訂閱服務的公司都屬於這種,例如Spotify、Netflix。
- Super-linear LTV:隨著age的增長,該群組用戶反而帶來的營收會慢慢增加,就像是Slack、Google one等服務,隨著應用擴展的量體越大,所支付的金額就會越高。
LTV衡量:不同公司會有不同形狀的累計營收曲線_來源:產品數據分析 - 打造網路產品的決策引擎
但以這樣的LTV曲線圖視覺呈現法,似乎比較難觀察LTV的趨勢走向,現在我們將資料維度做一些變化調整,可以得到另一種呈現方式—「LTV趨勢圖」。
Sample LTV Trends_來源:Diligence at Social Capital Part 3: Cohorts and (revenue) LTV
這邊,LTV趨勢圖跟我們習慣的解讀圖表方式有很大不同,必需仔細一點說明。X軸是Cohort的群組隊列,藍色長條的面積則是該時段Cohorts的數量規模(跟LTV曲線圖的顏色線條後方數字,所代表的意義是相對應的),而此圖所代表的群組顏色線則是各用戶age群組隊列。例如,2014-11-03的Cohort群組隊列(箭頭1)有大約350名用戶,在第0週用戶平均花費44美元,第一個月後,LTV增長為約55美元(綠色線),而經過了六個月後(24週 age),LTV則是來到了125美元(橘色線)(但我們尚無法得知該Cohort隊列的36週age數值,因為該隊列的age時間還沒有到這麼長)。
以上的視覺化圖表還能一個神奇的功能,它還可看出LTV的趨勢比較,例如,我們看到12週的LTV是慢慢往下降的,因為從2014年底開始,每一Cohort的數量規模是越來越龐大的(箭頭2)。最初X軸的Cohort隊列具有非常高的LTV(箭頭3),這種情況很常見,因為早期產品的使用者通常更傾向於使用產品。值得注意的是,2014-03-24的Cohort隊列在第52週這裡有呈現出明顯的高峰值(箭頭4),回推來看,age是在36週時,才出現了峰值(箭頭5),代表著24~36週間有出現比較高的花費增長量(對照來看,從前面LTV曲線圖就可知道,該Cohort隊列在28週左右開始強勁增長。)
最理想的狀態是,我們當然希望在圖表中可看到【公司隨著時間的推移,LTV的數值以及Cohort的數量規模都能同步成長增加】,但現實是,隨著吸引更多的用戶群,LTV通常是會下降的,因為更大的隊列數量規模,一定會由更多沒這麼愛產品的用戶共同組成(這就像是說樹多必有枯枝,人多必有白癡~喂🤣),所以,真的真的~除非產品具有非常優秀的Product-Market Fit,才有辦法達成質與量都一同增加的完美情況。
最後一個圖,則介紹我們比較常使用的(Google Analytics中的內建圖表也有),稱做「Cohort熱力圖」。
LTV_來源:A Quantitative Approach to Product Market Fit
關於要如何看懂這張圖,建議可直接到Google Analytics同類群組分析報表的官方說明(
連結),而我想聊的是如何透過三個不同面向來進一步分析:
- 水平分析法,代表的是同一Cohort群組隊列的表現,目標是越來越穩定成長。
- 垂直分析法,代表的是不同Cohort群組隊列在同一age期間的表現,目標是看有沒有因為產品/服務改善,而越來越好。
- 斜對角分析法,代表的是不同Cohort群組隊列在同一時間點的累積表現,目標是看出行銷活動的成效。
Distribution of Product-Market Fit
先前介紹的第一個分析框架Growth Accounting,可以清楚展示以月為計算的留存率與流失率,可是卻沒有很好的辦法知道這些月活躍使用者(MAU)是有多麼的活躍?他們的活躍程度是多少?是高度參與還是瀕臨流失的活躍?
要回答上面的問題,業界有一種慣用的方法,叫做L28 = XX。簡單的說,L28=10的用戶就指在過去28天中有10天處於活躍狀態,下面用一個分布圖來做說明。
Sample L28 Distribution_來源:Diligence at Social Capital Part 5: Depth of Engagement and Quality of Revenue
假設總MAU為10萬個用戶,從圖表就可以得知有將近3萬4千個用戶在一個月內只有一天處於活躍狀態,另外,還告訴了我們在L28=28中有約3千個用戶每一天都在使用該產品,很自然地,這樣的分佈圖就能清楚的呈現出至少【低活躍】、【中活躍】、【高活躍】三種用戶類別,如果還想進一步看出其他的洞察資訊,就介紹另一個cumulative distribution function (累積分佈函數,CDF)。
Sample L28 CDF_來源:Diligence at Social Capital Part 5: Depth of Engagement and Quality of Revenue
上圖的藍色線條代表著「用戶數」的CDF,它可以告訴我們50%的MAU是L28<=2,參與度最高的前10%用戶是L28>=15;而綠色線條則是另一種以「活躍日」的CDF來做表示,它的含意是指每個用戶族群所貢獻的活躍日數累積佔比,我當初看到這裡也是霧煞煞,可是若透過金額的CDF呈現相同概念,就會比較直觀容易理解,輔以下圖進行說明:
來源:Diligence at Social Capital Part 5: Depth of Engagement and Quality of Revenue
同樣地,從紅色線條開始看起,營收價值前20%的用戶,皆為貢獻營收超過60美元,而這群用戶加總的總貢獻額佔公司總營收約66%,因此,這不就很像是業界常愛談論的80/20法則(僅有20%的因素會影響整體80%的結果),只是此間的公司客戶狀況比較平均穩健些,約是【66/20】。
可以想像一下極端的例子,例如,Spotify的每位用戶貢獻營收值幾乎相等,所以在訂閱價格點之前,紅線幾乎為0%,然後在到達該價格點時突然上升到近100%,藍線和紅線幾乎非常相似,這個狀況就可稱做【20/20】;而另一種極端當然就是大多數的用戶貢獻營收一咪咪,但極少數用戶卻替公司帶來超級多營收(前面提到的大象或鯨魚用戶),這時候藍線就遠低於紅線,誇張一點的話就可能呈現出【99/20】。
結論
最後,特別感謝國內外幾個大神將如何評估產品是否達到Product-Market Fit,彙整提出了三大分析框架,不僅是幫助了我增加產品數據的實用技巧,也藉著蒐集資料的過程中,獲得許多新的商業啟發,及擴展了知識的視野。再一次的,讓我們重點回顧:
- Growth Accounting:首重將用戶/營收的增長及下降做拆解,了解各組成部分。
- Cohorts:用age時間群組隊列的方式來探討用戶的終身價值。
- Distribution of Product-Market Fit:以用戶活躍分佈的區隔分析,理解不同活躍程度的總貢獻價值。
上面三個分析框架都有各自的使用優勢,端看我們在企業裡遇到的問題是什麼,以及想要選擇什麼樣的呈現與洞察,做靈活的搭配與使用。但以我在多年的實務經驗裡,幾乎很少看到使用這種分析方式替公司的產品進行全方面的體檢,非常可惜,我覺得這也是台灣企業管理階層比較需要積極強化的觀念。在未來,我也希望大量透過國內外文章的研讀,來替我們帶來更多關於產品數據分析的觀念與應用,一起往前GO!
參考資料: