Comment utiliser l'analyse de cohorte pour réduire le désabonnement et améliorer la rétention

J'ai lu un tas d'articles sur l'analyse de cohorte. Et honnêtement, la plupart d'entre eux sont ennuyeux, inutilement techniques et non exploitables.

Vous ne devriez pas avoir besoin d'être un data scientist ou un ingénieur pour comprendre comment analyser les cohortes de clients. C'est quelque chose que tout fondateur, responsable marketing ou toute personne travaillant dans le SaaS peut apprendre à faire.

Alors, en préparant ce guide, j'ai décidé de prendre une approche différente.

Si vous avez toujours été curieux de savoir comment faire une analyse de cohorte (pas seulement une définition de ce qu'elle est) et comment l'utiliser pour améliorer votre entreprise—sans tout le jargon—celui-ci est pour vous.

Plus précisément, nous allons voir comment utiliser l'analyse de cohorte pour réduire le taux de désabonnement et retenir plus de clients pour augmenter votre LTV. C'est parti !

Qu'est-ce qu'une cohorte ?

Une cohorte est un groupe d'utilisateurs ayant une expérience commune.

Généralement, les cohortes sont définies dans une certaine période. Vous pouvez le voir comme le fonctionnement des remises de diplômes scolaires. Vous aurez la classe de 2020, 2021, etc. Toutes les personnes diplômées ces années-là font partie de la même cohorte.

En ce qui concerne les applications et les logiciels, les cohortes sont composées de vos utilisateurs et clients. Par exemple :

• Les utilisateurs qui se sont inscrits à un essai le même mois
• Les utilisateurs qui sont passés à des clients payants le même mois
• Les utilisateurs qui se sont désabonnés le même mois
• Les utilisateurs qui ont utilisé une fonctionnalité spécifique au cours d'une période donnée

L'utilisation de cohortes facilite l'analyse du comportement des utilisateurs sans avoir besoin d'examiner chaque client un par un. Au lieu de cela, vous pouvez répartir les clients en cohortes et examiner les tendances qu'elles présentent.

Vous pouvez lisez cet article pour en savoir plus sur les cohortes. Mais pour ce guide, vous avez juste besoin de savoir ce qu'elles sont, afin que nous puissions détailler comment les analyser.

Qu'est-ce que l'analyse de cohorte ?

L'analyse de cohorte consiste à tirer des conclusions de vos cohortes afin de mieux comprendre votre produit, votre marketing, votre intégration et d'autres aspects de votre entreprise.

Comprendre le moment de l'attrition n'est que la moitié de la bataille. Recherche d'Amplitude sur l'analyse de cohorte constate que l'aspect le plus puissant de l'approche est qu'elle met en évidence non seulement quand les clients s'en vont, mais aussi les modèles de comportement sous-jacents qui prédisent le départ, vous donnant quelque chose sur lequel vous pouvez vraiment agir. Cette distinction est énorme lorsque vous décidez où investir dans l'intégration ou les améliorations de produit.

Et l'une des utilisations les plus courantes de l'analyse de cohorte est d'améliorer la rétention des clients.

En analysant les clients en cohortes, nous pouvons voir des choses comme si les clients se désabonnent au début de leur abonnement, comment les changements de produit/métier affectent l'attrition (négativement ou positivement), comment chaque cohorte affecte les revenus et d'autres informations importantes.

Une description pratique de l'analyse de cohorte de rétention des clients analyse confirme ce que la plupart des fondateurs de SaaS découvrent après ce travail : la segmentation des clients en cohortes met régulièrement en évidence les modèles de rétention que les données agrégées masquent entièrement. La clé est de passer de l'observation à l'action en identifiant la cohorte où la chute s'accélère, puis en la retraçant à un canal d'acquisition spécifique, un changement de tarification ou une lacune d'intégration.

Dans la plupart des cas, les entreprises SaaS analysent les cohortes en fonction du comportement ou de l'acquisition. Voici un aperçu rapide de chacun.

Cohortes comportementales

Les cohortes comportementales sont groupées selon les actions spécifiques que les utilisateurs effectuent dans votre produit.

Par exemple, chez Baremetrics, nous pourrions avoir une cohorte d'utilisateurs qui se sont connectés et ont consulté leur MRR au cours d'une semaine spécifique.

Avec les cohortes comportementales, vous devez définir :

1. Un comportement spécifique
2. Période de temps

Vous pouvez utiliser un outil comme Mixpanel (ou même Google Analytics) pour cela. Les cohortes comportementales sont excellentes pour comprendre comment les utilisateurs s'engagent avec votre produit, quelles fonctionnalités incitent les utilisateurs à revenir et d'autres informations spécifiques au produit.

Si votre objectif est d'apprendre comment les utilisateurs s'engagent avec votre produit, les cohortes comportementales sont une bonne option. Mais pour nos besoins, nous voulons nous concentrer sur la rétention et l'acquisition.

Cohortes d'acquisition

Pour utiliser l'analyse de cohorte afin d'améliorer l'attrition, nous devons examiner les cohortes d'acquisition. Ce sont des cohortes basées sur le moment où un utilisateur s'est inscrit à votre produit.

Par exemple, les personnes qui se sont inscrites en février feraient partie de la même cohorte. Vous pouvez le suivre dans Baremetrics.

Les cohortes d'acquisition peuvent vous aider à déterminer la LTV des clients, le taux d'attrition moyen et d'autres informations liées à la rétention. Nous approfondirons tout cela un peu plus loin dans cet article.

Comment lire un graphique d'analyse de cohorte

Si vous êtes nouveau aux graphiques de cohorte, ils peuvent sembler un peu confus au premier coup d'œil. Mais ils sont en fait assez faciles à lire une fois que vous savez ce que vous regardez.

Voici un aperçu rapide de ce que nos graphiques de cohorte ressemblent dans Baremetrics.

Commençons par regarder une seule cohorte.

De gauche à droite, voici ce que vous regardez :

• Avril 2019 : C'est la « cohorte » — les clients qui se sont inscrits à notre produit en avril 2019.
• 24: C'est le nombre de clients dans cette cohorte. Donc 24 clients se sont inscrits à notre produit en avril 2019.
• 92%: C'est le pourcentage de clients qui sont restés au cours du premier mois suivant leur inscription. Donc en avril 2019, 8 % de ces 24 clients ont annulé.

Chaque colonne après celle-ci montre le pourcentage de clients restants de cette cohorte après chaque mois. Donc dans la colonne « 1 », nous pouvons voir que 88 % des 24 clients d'origine restent après leur premier mois, et ainsi de suite.

Si vous n'aimez pas regarder les pourcentages, vous pouvez également consulter les données en nombres absolus. Cela vous montrera le nombre exact de clients restants après chaque mois.

Assez simple, non ?

Si vous voulez voir le chiffre d'affaires au lieu des utilisateurs, nous vous donnons également ces données.

Inscrivez-vous pour voir votre graphique de rétention des revenus

Avoir les données et savoir comment lire un graphique de cohorte, c'est bien. Mais à moins que vous ne le transformiez en action, quel est l'intérêt ?

Alors parlons de comment utiliser ces beaux tableaux de cohorte.

Les captures d'écran et les tactiques que je vais couvrir dans ce guide proviennent de notre produit, Baremetrics. Si vous êtes intéressé par l'obtention de ce type d'insight pour votre entreprise, s'inscrire à un essai gratuit ici et suivez !

Comment utiliser l'analyse de rétention de cohorte pour réduire l'attrition précoce

Vous pouvez en apprendre beaucoup sur votre entreprise en examinant l'attrition au cours des premiers mois suivant l'inscription des clients.

La recherche académique sur l'attrition montre de manière cohérente que les signaux comportementaux précédant l'annulation sont détectables des semaines avant qu'un client ne parte réellement. Une étude analysant l'attrition des clients d'une perspective stratégique a révélé que les premiers modèles d'engagement, spécifiquement la façon dont les clients interagissent avec les fonctionnalités principales au cours des 30 premiers jours, sont parmi les prédicteurs les plus forts de la rétention à long terme. C'est exactement pourquoi vos données de cohorte du premier mois sont si précieuses.

Par exemple, supposons que votre graphique de rétention de cohorte ressemble à ceci :

Beaucoup trop de clients abandonnent au cours de leurs premiers mois d'utilisation de votre produit.

En regardant le graphique ci-dessus, au cours du premier mois suivant l'inscription, cette entreprise perd près d'un quart de ses clients de chaque cohorte. Après deux mois, ils sont tombés à près de 50 %.

Les chances que cette entreprise reste sont minces à moins qu'elle ne découvre ce qui se passe.

Si les clients abandonnent après seulement quelques mois, cela pourrait être le signe d'un ou plusieurs de ces éléments :

• Votre produit ne correspond pas aux attentes de vos clients
• Votre processus d'intégration a besoin de travail
• Il y a un problème avec la façon dont vous acquérez/activez les utilisateurs

Voyons comment vous pouvez utiliser l'analyse de cohorte pour identifier chacun de ces trois scénarios et comment les corriger.

Une incompatibilité entre les attentes des clients et votre produit

Avez-vous déjà vu une bande-annonce pour un film et vous êtes devenu super enthousiaste ? Puis, après avoir regardé le film, vous vous sentez déçu et vous vous dites : « ce n'était rien comme la bande-annonce ».

C'est exactement ce qui se passe lorsque les attentes de vos clients ne correspondent pas à leur expérience réelle d'utilisation de votre produit.

Je ne parle pas de mentir sur ce que fait votre produit ou de tromper les gens (j'espère que vous ne le faites pas). Mais l'incompatibilité peut survenir lorsque vous surdimensionnez votre produit ou que vous commercialisez auprès du mauvais public.

Par exemple, regardez Trello. C'est un produit incroyablement polyvalent pour la gestion de projet et d'autres tâches. Mais supposons qu'ils aient commencé à le commercialiser comme une alternative aux outils CRM complets.

Ils ne mentiraient pas. Vous pouvez utiliser Trello comme CRM (comme noté ici). Cependant, pour l'utiliser comme alternative aux CRM populaires tels que Hubspot, Keap et autres, cela nécessite plus de configuration et de modules complémentaires.

Si les clients se sont inscrits à Trello en s'attendant à obtenir un CRM plus avancé, ils pourraient ne pas obtenir exactement ce qu'ils avaient prévu. Et ils seraient plus susceptibles d'abandonner que quelqu'un qui s'est inscrit à la recherche d'un CRM plus basique.

Voici un moyen d'utiliser l'analyse de cohorte pour déterminer si « les attentes par rapport à la réalité » est la cause de la fuite de vos clients.

Tout d'abord, demandez une raison d'annulation chaque fois que les clients annulent leur abonnement. Vous pouvez utiliser Analyse des annulations pour cela.

Après avoir commencé à collecter les raisons, vous pourrez voir les tendances dans les raisons pour lesquelles les gens annulent.

Une fois que vous avez défini vos raisons, créez un segment de client dans Baremetrics spécifiquement pour les personnes qui ont indiqué leur raison d'annulation comme quelque chose de lié à leurs attentes.

Pour nous, cela pourrait être des personnes qui ont annulé parce que nous manquions d'une fonctionnalité, n'étaient pas sûres de comment utiliser les données/outils ou ont changé pour un concurrent.

J'ai enregistré ce filtre sous le nom « Raison d'annulation – Attentes ». Dorénavant, toute personne qui annule et inclut l'une de ces raisons sera intégrée à ce segment.

Ensuite, nous irons à notre graphique de rétention client de cohorte. Il y a une liste déroulante qui vous permet de choisir un segment spécifique pour cette cohorte. Nous choisirons celui que je viens de créer.

Ce que nous examinons dans le graphique ci-dessus, ce sont les clients qui se sont inscrits au cours des 12 derniers mois et qui ont donné l'une des raisons d'annulation de notre filtre lorsqu'ils ont annulé.

Sur la base de cela, nous pouvons voir que pour la plupart, les personnes qui annulent pour nos raisons « Attentes » ont tendance à le faire après au moins un mois ou deux avec quelques exceptions.

Puisque nous n'avons pas un modèle à haut volume, nous avons des chiffres plus petits. Mais si vous êtes dans une entreprise qui inscrit des centaines ou des milliers de clients par mois, vous verrez probablement des tendances encore plus fortes.

Ces données sont plus précieuses lorsque vous les comparez au total des annulations.

Donc, regardons les deux graphiques côte à côte :

(1) Le graphique de rétention des clients pour tous les clients

(2) Le graphique de rétention des clients pour notre segment de raison d'annulation « Attentes »

Je vais passer de « Relatif » à « Absolu » pour que nous puissions voir le nombre réel d'utilisateurs restants chaque mois au lieu de pourcentages.

Tous les clients

Segmenté

Le nombre de personnes qui ont annulé pour l'une de nos raisons « d'attente » est très faible, ce qui est bon signe. Gardez à l'esprit cependant que cet exemple est pour vous montrer le processus. Vos conclusions seront probablement différentes des nôtres.

Le principal drapeau rouge que vous voulez surveiller lorsque vous faites cet exercice pour votre entreprise est de savoir si la baisse pour les clients qui ont annulé parce que votre produit ne correspondait pas à leurs attentes est pire que la moyenne générale.

Autrement dit, combien de clients dans chaque cohorte annulent parce que votre produit ne correspondait pas à leurs attentes ?

Processus d'intégration médiocre

Une autre cause potentielle d'une baisse abrupte au cours des premiers mois de vos cohortes est que vos clients ne sont pas bien intégrés. Cela s'ajoute au conseil précédent.

Si les clients annulent parce qu'ils ne savent pas comment utiliser votre produit, vous devriez modifier votre processus d'intégration.

Pour voir si votre intégration est le problème, vous pouvez suivre les mêmes étapes que la section précédente. Seulement cette fois, vous recherchez spécifiquement les personnes qui ont donné une raison d'annulation de ne pas comprendre comment utiliser votre produit. Vous pouvez également leur permettre de sélectionner spécifiquement une raison comme « Manque d'intégration » ou « Formation produit insuffisante ».

Si le nombre de clients qui annulent parce qu'ils ne savent pas comment utiliser votre produit représente un bon pourcentage de vos annulations totales, vous savez quel est le problème. Et à ce stade, vous devez corriger votre processus d'intégration.

Mauvais modèle d'acquisition/activation

Certains clients sont destinés à se désabonner dès le départ en raison de la façon dont ils ont été acquis. Vous voyez beaucoup cela lorsque les entreprises accordent des remises profondes aux nouveaux clients ou plusieurs mois gratuits.

Les remises sont un bon moyen d'acquérir rapidement de nouveaux clients. Mais vous devrez également accepter que cela puisse entraîner un taux de désabonnement élevé au cours des premiers mois également.

C'est exactement ce que History Hit a découvert après avoir exécuté une offre du Vendredi noir. Le service vidéo par abonnement a acquis un grand nombre de nouveaux clients après avoir lancé une promotion pour le Vendredi noir.

Ils obtenaient des clients pour la moitié de leur coût d'acquisition cible. Mais ils ont également remarqué que leur taux d'annulation est passé de 6 % à 9 % en quelques semaines.

De plus, leur LTV mensuel a baissé de 36 % après novembre et leur taux de conversion d'essai est passé de 80 % à 40 %.

Vous pouvez lire leur parcours complet pour savoir ce qui s'est passé et comment ils ont pu inverser la tendance. Mais finalement, tout s'est résumé au fait que les remises qu'ils offraient étaient si importantes qu'elles attiraient des prospects de qualité inférieure.

Rappelez-vous : Si vous allez offrir des remises, des essais gratuits ou même devenir freemium, assurez-vous que cela a un sens financier pour votre entreprise.

Modèles et Stratégies de Tarification SaaS Démystifiés

Découvrez comment choisir le bon modèle de tarification pour votre entreprise !

La bonne nouvelle est qu'il est assez facile de savoir si votre modèle d'acquisition ou d'activation est la cause de votre désabonnement en utilisant l'analyse de cohorte. Vous pouvez exécuter une expérience où vous modifiez votre modèle d'activation pendant un mois ou deux et comparez les résultats.

C'est exactement ce que Ahrefs l'ont fait.

Pendant plus de cinq ans, ils ont permis à quiconque d'utiliser gratuitement leur produit pendant 14 jours sans avoir à fournir d'informations de paiement.

Cela a causé un nombre massif de personnes utilisant leur produit gratuitement en s'inscrivant, en annulant après 14 jours, puis en s'inscrivant à nouveau avec une adresse e-mail différente.

À un moment donné, ils avaient deux fois plus d'utilisateurs gratuits que de clients payants. Et ce n'était même pas un produit freemium.

Bien que les essais gratuits les aient initialement beaucoup exposés, cela a absorbé beaucoup de leurs ressources (coûts serveur et support client) sur des clients non payants. À long terme, cela n'allait pas être durable.

Donc, ils ont expérimenté un essai de 7 jours pour 7 $. Et bien qu'ils aient obtenu moins d'essais, leur taux de conversion d'essai en payant s'est amélioré parce qu'ils obtenaient des utilisateurs de meilleure qualité.

Vous pouvez voir exactement ce qu'ils ont fait et leurs résultats dans cette vidéo :

Si vous avez un désabonnement élevé taux d'attrition au cours des premiers mois, essayez de voir si l'un de ces trois problèmes en est la cause. Et la bonne chose en matière de surveillance par cohortes est que vous pouvez facilement suivre l'impact de vos changements au fil du temps.

Dans certains cas cependant, vous pourrez retenir initialement les clients. Mais après 6-12 mois, ils commencent à chuter en masse.

Voici ce qu'il faut faire dans ce scénario.

Comment utiliser l'analyse de cohorte pour améliorer votre LTV client

En tant qu'entreprise SaaS (ou vraiment n'importe quel entreprise), vous voulez garder les clients en vous payant aussi longtemps que possible. L'analyse de cohorte vous aidera à voir comment votre désabonnement évolue 6, 12, 18 ou même 24 mois plus tard.

Lorsque vous commencez à utiliser l'analyse de cohorte pour améliorer le LTV, il est utile de savoir à quoi ressemble réellement le bien. L'indice de référence le plus largement cité est un ratio LTV-to-CAC de 3:1, ce qui signifie que votre valeur de durée de vie du client devrait être au moins trois fois votre coût d'acquisition. Si vos données de cohorte montrent que le LTV baisse en dessous de ce seuil, c'est un signal concret que votre problème de rétention est aussi un problème d'économie unitaire.

Voici comment le faire.

Dirigez-vous vers votre tableau de cohorte du taux de rétention client. Selon la période que vous voulez examiner, je recommande de passer de la vue des 12 derniers mois à 24 mois.

Nous voulons nous concentrer sur les mois 6 et au-delà.

La première chose que vous devriez faire est de surveiller comment chaque cohorte se compare à votre temps de désabonnement moyen. Vous pouvez voir cela dans Barmetrics dans votre tableau de bord de désabonnement utilisateur.

Comme vous pouvez le voir, notre temps de désabonnement moyen est d'environ 21 mois.

En regardant notre graphique de cohorte, je vérifierais si l'une des cohortes a un niveau élevé d'abandon avant 21 mois.

Heureusement, rien ne semble être trop décalé. Mais disons que nous avons vu quelque chose comme ceci à la place :

Nous pouvons voir qu'une cohorte va à l'encontre de notre tendance. À ce moment, nous voudrions examiner cette cohorte spécifique et voir ce qui s'est passé. Nous créerions un segment personnalisé comme nous l'avons fait auparavant et examinerions les raisons d'annulation pour cette cohorte.

Mais très probablement, si vous avez un problème de désabonnement à long terme, vous le verrez dans plusieurs cohortes, pas seulement une. Et si c'est le cas, voici ce que vous pouvez faire pour changer la tendance.

Étape 1. Trouvez vos points d'abandon

Tout d'abord, vous devez voir combien de mois après le début de leur abonnement la plupart des cohortes abandonnent.

Recherchez des regroupements dans votre graphique de cohorte à partir de six mois et au-delà.

Dans notre graphique, nous pouvons voir une tendance à partir du mois 9–11. Une bonne partie des cohortes sont réduites à environ 50 % à ce moment. Si nous parvenons à améliorer ces chiffres, nous pouvons améliorer notre LTV en conservant ces clients plus longtemps.

Étape 2 : Vérifiez les raisons d'annulation de ces clients

Ensuite, vous voudrez découvrir pourquoi les gens annulent pendant ces mois.

Vous pouvez voir un processus étape par étape de la façon de le faire dans mon article sur l'analyse du désabonnement où je vous montre comment analyser le désabonnement par cohortes.

Étape 3. Vérifiez votre point d'abandon

L'étape 2 vous montrera pourquoi les clients se sont désabonnés, et vous espérez pouvoir en tirer quelques leçons.

Mais une autre chose que vous pouvez faire est de vérifier auprès des clients environ un mois ou deux avant avant la période d'abandon.

Dans notre exemple, nous pourrions envoyer des e-mails de « vérification » aux mois 8 et 9 de leur abonnement pour voir comment les choses se passent. De cette façon, s'il y a un problème ou une sorte de friction, nous pouvons sauver le compte avant qu'ils n'annulent.

Une solution plus à long terme serait d'avoir une séquence d'e-mails automatisée (ou une messagerie intégrée) qui vérifie vos clients tout au long de leur abonnement. Ensuite, mesurez les performances de ces séquences au fil du temps (taux d'ouverture, engagement, etc.)

Étape 4. Suivi après la période d'abandon

Les étapes précédentes vous aideront à résoudre le problème à l'avenir, mais qu'en est-il des clients qui sont actuellement dans votre période d'abandon ou peu après ?

Ces personnes :

Vous pouvez voir que le taux de rétention est un peu plus stabilisé, mais cela ne signifie pas qu'elles ne risquent pas d'annuler.

Même s'ils ont « survécu » à cette période d'abandon initiale, vous devriez toujours les contacter pour vous assurer qu'ils sont engagés et apprécient votre produit.

De plus, comme ils sont restés avec vous, ce pourrait être une bonne idée d'envoyer à ces utilisateurs une enquête pour demander ce qu'ils aiment/n'aiment pas dans votre produit.

Comparez les commentaires que vous avez reçus de cette enquête aux raisons d'annulation que vous avez trouvées à l'étape 2.

Recherchez des similitudes et des différences. Et utilisez les commentaires pour améliorer votre produit et l'expérience client.

L'objectif est de déterminer ce que vous pouvez faire pour que les clients restent heureux et vous paient plus longtemps. Utilisez les tactiques ci-dessus pour trouver des tendances et identifier les problèmes potentiels.

Comment utiliser l'analyse de cohorte pour optimiser le désabonnement des revenus

Jusqu'à présent, nous avons beaucoup parlé du désabonnement des utilisateurs. Mais nous pouvons également utiliser l'analyse de cohorte pour obtenir des informations sur le désabonnement des revenus.

Un bon cas d'utilisation pour cela est de comprendre l'impact des remises.

Disons que vous étiez curieux de savoir comment les remises affectent vos revenus. Vous pouvez examiner les clients avec remise par rapport aux clients au prix fort dans une cohorte spécifique.

Je vais utiliser notre propre compte pour cet exemple.

Dans notre compte, nous spécifions les comptes réduits comme leurs propres forfaits.

Donc d'abord, nous devons créer un segment de clients pour isoler les clients avec remise et au prix fort dans une cohorte spécifique. Nous allons utiliser la cohorte d'avril 2019 pour cet exemple.

Créez un segment personnalisé avec ces deux filtres :

• Date d'inscription : Les clients d'une cohorte spécifique
• Plan : Tous les forfaits réduits que vous proposez (Si vous marquez vos clients réduits d'une manière différente, comme en les marquant dans votre CRM, vous ajouterez simplement le filtre approprié ici à la place de « Forfait ».)

Enregistrez ce segment sous un nom comme [Cohorte d'avril 2019 – Remise].

Ensuite, créez le même filtre, mais au lieu de « N'importe lequel de ces » pour le filtre Plan, changez-le en « Aucun de ces » :

Ensuite, enregistrez ce segment sous un nom comme [Cohorte d'avril 2019 – Sans remise]

Maintenant, nous pouvons utiliser Baremetrics pour comparer différentes métriques liées aux revenus pour ces deux segments.

Par exemple, nous pouvons voir quel segment de cette cohorte a un meilleur revenu moyen par utilisateur (ARPU) au fil du temps :

Suivez le revenu moyen par utilisateur de votre entreprise

Les clients au tarif plein ont connu une baisse de revenu négative certains mois. Cela signifie que certains de nos clients au tarif plein se sont développés (ont amélioré leur compte ou ont obtenu nos produits complémentaires comme Analyse des annulations et des Récupération).

Vous constaterez peut-être que même si vous avez un peu plus de clients au tarif plein qui partent que de clients à prix réduit, ils vous donnent quand même plus de revenu mensuel récurrent que les clients à prix réduit qui restent plus longtemps.

C'est juste un exemple de la façon d'utiliser l'analyse de cohorte pour analyser la baisse de revenu. Mais le processus peut être personnalisé selon ce que vous recherchez.

Pour éviter de vous perdre dans un labyrinthe de graphiques et de données, je vous suggère de commencer par un seul problème que vous voulez résoudre. Ensuite, utilisez les conseils ci-dessus pour effectuer une analyse. Sinon, vous passerez toute la journée à trier les données.

Croyez-moi, je l'ai fait.

Utilisez l'analyse de cohorte pour voir la situation dans son ensemble

Diviser vos utilisateurs par cohortes facilite beaucoup la visualisation des tendances et la prise de mesures.

Si vous avez des problèmes de départ, ne vous submergez pas en analysant l'ensemble de votre base de clients à la fois. Analysez-la plutôt par cohorte. Identifiez les problèmes dans ces cohortes, apportez des modifications et mesurez les résultats.

Au fil du temps, vous devriez commencer à voir une amélioration de votre taux de départ dans l'ensemble.