Table des Matières
Désabonnement est omniprésent dans le monde du SaaS. C'est tellement populaire que cela nous fait croire que c'est une métrique essentielle à suivre. C'est peut-être la métrique la plus importante.
Mais tout le monde n'est pas d'accord avec l'attrition. Nous avons été inspirés par un article écrit pour catch.js sur le sujet. Ils démontrent par des expériences de simulation que l'attrition, dans certaines circonstances, montrera l'opposé de ce qu'elle devrait. Ils soutiennent que l'attrition est inutile.
Nous avons pensé examiner l'attrition de la même manière. Dans cet article (quatrième partie de notre série Optimisation des prix), nous allons tester la métrique d'attrition sur des simulations pour démontrer quand elle nous donne des résultats trompeurs.
Pour commencer, examinons une situation similaire à celle mentionnée dans l'article ci-dessus. L'article utilise une distribution de Lomax pour modéliser la durée d'une souscription car elle ressemble le plus étroitement à leurs propres clients.
Ils ont beaucoup de clients qui essaient leur service pendant une courte période, comme quelques mois. Ils en ont aussi quelques-uns qui restent beaucoup plus longtemps. Nous simulerons nos souscriptions avec la distribution de Weibull, avec des paramètres qui la rendent similaire à leur modèle de Lomax.
Toutes les données dont votre startup a besoin
Obtenez des analyses approfondies sur le MRR de votre entreprise, le taux de désabonnement et d'autres métriques vitales pour votre entreprise SaaS.
Bien que de nombreux Baremetrics clients partagent une base de clients comme la leur, certains ne le font pas. Nous allons également tester l'attrition sur d'autres types de bases de clients, modélisées à partir des expériences de nos clients Baremetrics.
L'attrition nous induira-t-elle également en erreur dans ces cas ?
Examinons l'attrition. Voici une formule pour taux de désabonnement des clients pour chaque période :
Attrition = clients perdus / clients au début
La formule ci-dessus donne la fraction de clients perdus dans chaque période de temps. Si nous perdons beaucoup de clients, la fraction augmente. Si nous gagnons beaucoup de clients, la fraction diminue, idéalement vers zéro. Une faible attrition est bonne, et une forte attrition est mauvaise.
Cela semble assez simple, mais si nous regardons de plus près, nous rencontrerons des problèmes. L'attrition ne se comporte pas comme nous l'attendons.
Scénario : Que se passe-t-il quand rien ne change ?
Commençons par un scénario où rien ne change : une entreprise où rien ne s'améliore et rien ne s'aggrave. Les inscriptions restent les mêmes. Les durées de souscription sont constantes. Les revenus sont également stables.
Cela nous donne une base de référence pour comparaison plus tard quand quelque chose change. Alors, comment l'attrition se comporte-t-elle dans une entreprise stagnante ?
Nous commençons par simuler les inscriptions avec une distribution de Poisson avec un taux moyen de 30 inscriptions par mois. Nous simulons également les durées de souscription en utilisant une distribution de Weibull, avec des paramètres tels que l'abonné moyen s'abonne pendant environ 2 mois.
Regardons ce qui se passe à la base de clients au fil du temps dans cette simulation :
Le graphique ci-dessus montre la population de clients actifs au fil du temps. Remarquez comment notre base de clients augmente au début bien que j'aie dit « rien ne change ».
C'est parce que nous avons commencé avec zéro clients. Après environ 12 mois, nous atteignons un plateau, où les inscriptions sont en équilibre avec les désinscriptions.
La population d'abonnés fluctue mais reste près d'un nombre constant indiqué par la ligne rouge. Elle continuera à orbiter autour de cette ligne rouge pour toujours. Cela s'applique également aux revenus : nous devrions nous attendre à à peu près les mêmes revenus, pour toujours. C'est véritablement une entreprise stagnante, ni s'améliorant ni se détériorant.
Regardons maintenant ce que l'attrition client fait dans ce scénario. À quoi ressemble l'attrition stagnante ?
Tout comme la population de clients, l'attrition reste constante après que les inscriptions et les désinscriptions atteignent l'équilibre. Au fur et à mesure que notre population de clients augmente initialement, nous remarquons que l'attrition baisse comme nous nous l'attendions, car la proportion de désinscriptions diminue par rapport à la population d'abonnés.
Le graphique ci-dessus est à quoi ressemble l'attrition quand « rien ne se passe ». Dans une entreprise stagnante, il y a des hauts et des bas d'un mois à l'autre en raison de la variation naturelle.
Malgré cette variation, l'attrition moyenne est constante, pour toujours. Cette variation devrait être un rappel de ne pas paniquer quand votre attrition change d'un mois à l'autre. Au lieu de cela, c'est la tendance qui compte, indiquée par la ligne rouge dans ce graphique. Dans ce cas, elle est plate.
Maintenant, gâchons-le !
Scénario : Que se passe-t-il quand les inscriptions s'arrêtent ?
Et si nous arrêtions les inscriptions à mi-chemin de cette simulation ? Si nous n'obtenons plus de nouveaux abonnés, nous nous attendrions à ce que l'attrition augmente. L'attrition est mauvaise, et perdre des inscriptions est mauvais, donc nous espérons que les deux se correspondent. Nous nous attendons à ce que l'attrition augmente quand nous ne parvenons pas à retenir les clients. Est-ce le cas ?
Voici ce qui se passe à notre population de clients :
Notre entreprise simulée se développe et atteint le plateau, tout comme dans l'exemple précédent. Après cela, nous arrêtons d'obtenir de nouvelles inscriptions (ligne rouge).
Remarquez comment notre population d'abonnés baisse. La baisse est raide au début, puis devient plus plate au fil du temps. Cet effet provient d'une proportion croissante de clients plus fidèles qui restent, qui sont moins susceptibles de se désinscrire. Les derniers clients à se désinscrire sont ceux les moins susceptibles de partir.
Alors l'attrition sonne-t-elle l'alarme dans cette situation ? Regardons l'attrition :
Maintenant, nous voyons quelque chose de surprenant : l'attrition baisse tandis que notre entreprise s'effondre. C'est l'opposé de ce que nous attendrions. Nous voyons aussi le même résultat dans l'article catch.js même si nous avons utilisé une distribution différente pour modéliser les souscriptions.
Pourquoi cela se produit-il ? C'est à cause de la façon dont les durées de souscription sont distribuées. Tous les clients ne sont pas identiques. Certains clients essayeront nos services pendant un mois, décideront qu'ils ne les aiment pas et se désinscriveront.
D'autres seront satisfaits de votre produit et resteront longtemps. Voici un histogramme des durées de souscription dans la simulation que nous venons de faire pour illustrer :
Ci-dessus se trouve un histogramme montrant la fréquence des diverses durées de souscription des clients. Remarquez qu'il est énorme à gauche. Cela signifie que la plupart des clients s'abonnent pendant une courte période. Ces clients sont plus susceptibles de se désinscrire à tout moment.
Mais en revanche, il y a un nombre plus petit de clients qui s'abonnent pendant une longue période. Ces abonnés à long terme sont moins susceptibles de se désinscrire, et ils restent longtemps.
Quand nous avons arrêté les inscriptions, seuls les abonnés à plus long terme restaient. Et comme ils sont moins susceptibles de quitter notre entreprise, ils sont moins susceptibles d'augmenter notre métrique d'attrition. Par conséquent, l'attrition semble baisser tandis que notre entreprise échoue. C'est l'opposé de ce que nous voulons.
Bien que cela puisse être alarmant, ce scénario ne s'applique peut-être pas à tous Baremetrics clients. Et si nous essayions ce scénario dans un type d'entreprise différent, avec des abonnés plus fidèles ?
La désabonnement est-il mauvais dans toutes les circonstances ?
Vous remarquerez peut-être que l'histogramme des durées d'abonnement ci-dessus ne reflète pas votre propre entreprise. C'est une distribution extrême, où la majorité des clients s'abonnent pour une courte période. Et si votre entreprise avait moins de clients à court terme ?
Supposons que votre entreprise attire des clients par le biais d'équipes de vente. Vos clients typiques ne s'abonnent pas pour un mois seulement. Ils s'abonnent pour plus longtemps. À quoi ressemble la désabonnement dans cette situation lorsque nous arrêtons les inscriptions ?
Maintenant, nous allons simuler sur la base d'un vrai client Baremetrics. Dans cette entreprise, le client moyen s'abonne pendant cinq ans au lieu de deux mois. Voici comment les durées d'abonnement sont distribuées :
Ce scénario compte des abonnés plus fidèles. L'abonné typique s'abonnera pendant trois ans au lieu d'un mois, comme dans le scénario précédent.
Maintenant, refaisons la simulation où nous arrêtons les abonnements, mais avec la nouvelle distribution des abonnements. Voici le graphique des abonnés actifs :
C'est déjà différent. La croissance de la base de clients est plus régulière. Nous n'atteindrons même pas le plateau avant d'arrêter les inscriptions.
Maintenant, examinons la désabonnement :
Surprise ! La désabonnement agit davantage comme nous devrions nous y attendre : augmentant lorsque nous échouons à conserver nos clients. Pourquoi ? C'est parce que nous avons moins de clients qui se désabonnent rapidement et moins de clients extrêmes qui restent plus longtemps.
Cela nous dit quelque chose de troublant sur la métrique de désabonnement. La fiabilité de la métrique de désabonnement dépend des types de clients que vous avez.
Espérons que ces exemples inspireront nos lecteurs à être plus sceptiques quant à la signification de leurs métriques de désabonnement.
Conclusion : Un appel à de meilleures métriques
Compte tenu du comportement étrange de la métrique de désabonnement, il serait plus logique de rechercher de meilleures métriques pour comprendre la rétention de nos clients. En nous concentrant sur la désabonnement, nous regroupons probablement trop de processus à la fois : les inscriptions, les abandons et les types d'abonnés que nous avons. Un changement dans chacun de ces domaines modifiera le comportement de la désabonnement, mais nous ne saurons pas quel est le problème car la métrique regroupe ces processus.
Il serait peut-être préférable de se concentrer sur ces processus séparément. Il est tout à fait possible de construire des métriques pour les inscriptions, les abandons et les durées d'abonnement séparément.
Dans les prochains articles, nous construirons ces métriques et les testerons. Nous montrerons comment elles se comportent par rapport à la désabonnement. Les nouvelles métriques surpasseront-elles la désabonnement pour la rétention des clients, la valeur à vie et les calculs de revenus ? Restez à l'écoute pour le savoir !
Merci de votre lecture ! Si vous avez des questions, n'hésitez pas à nous les envoyer à david@baremetrics.com.
Rejoignez plus de 900 entreprises SaaS et d'abonnement utilisant Baremetrics pour des informations de données plus intelligentes, un recouvrement automatisé, un engagement client, et bien plus encore. Commencez un essai gratuit aujourd'hui !
