Análise Cohort: um grande aliado da operação de Customer Success

Lembro de quando cheguei na RD em maio de 2014 e pela primeira vez me deparei com um gráfico como esse:

Era algo tão diferente, tão novo e sim, tão confuso, que me senti completamente perdido.

Mas não deixei passar batido e logo levantei a mão e pedi para o Guilherme Lopes explicar o que era aquilo e ele de prontidão o fez. Mas ainda assim eu continuava cheio de dúvidas, mas imaginando que todos os outros presentes naquela sala estavam totalmente habituados com aquela coisa ali que ele mostrava na tela.

Pois bem, fui atrás disso no Google e quase não encontrei nada – talvez por possivelmente ter escrito errado o nome do gráfico e/ou não ser algo tão comum naquela época 🙂

Mas logo o gráfico apareceu em uma outra reunião e fui entendendo melhor o que estava sendo representado naquela imagem. Descobri com o tempo, que praticamente em todas reuniões de apresentação de resultados, era um dos recursos mais importantes para ilustrar correlações entre métricas ao longo de um intervalo de tempo, devido à facilidade (sim, é fácil mesmo) de leitura para saber basicamente como uma métrica está impactando outra.

Fui me acostumando e começando a utilizar em meu dia a dia e hoje posso dizer que sou grande fã dos cohorts.

Minha mesa dia desses

Mas percebi também que sempre que utilizo um cohort em alguma apresentação, tenho a necessidade de explicar o que significa e como fazer a leitura do gráfico, por isso decidi escrever esse post para deixar documentado e poder contribuir para que mais pessoas quebrem essa barreira e também se apaixonem por esse poderoso recurso de análises em uma operação de Customer Success.

O que é um cohort?

A análise cohort agrupa clientes que possuam em comum alguma característica e realiza o cruzamento com algum indicador que você deseja analisar o comportamento ao longo do tempo.

Uma das traduções (Inglês > Português) que encontramos é “grupo” e eu particularmente gosto dessa.

A análise cohort agrupa clientes que possuam em comum alguma característica e realiza o cruzamento com algum indicador que você deseja analisar o comportamento ao longo do tempo.

Exemplo:
Considerando os clientes que contrataram o seu software entre janeiro e agosto de 2018, qual será a taxa de retenção ao longo do tempo? Quantos clientes foram saindo da sua base nesses meses?

O gráfico abaixo ilustra isso utilizando as seguintes informações:

  • Característica em comum dos grupos: data de entrada (mês do ano)
  • O que desejamos avaliar: taxa de retenção
  • Período analisado: janeiro a agosto de 2018

Entendendo as informações

Temos nesse gráfico 8 grupos de clientes, divididos por data de compra.

Junto da data, temos o número de clientes que está em cada grupo.

Temos também o número de meses que se passou desde a compra. Os clientes que entraram em janeiro, estão na base há 7 meses, enquanto que os que entraram em agosto, há apenas 1 mês. Como o primeiro grupo é mais velho que o último, os gráficos sempre ficam com o formato de um triângulo.

Fazendo as leituras

Olhando para esse gráfico, as principais leituras que conseguimos rapidamente fazer são:

01 – De todos os clientes que entraram em cada um dos meses, quantos permaneceram conosco conforme os meses foram passando?

Se analisarmos horizontalmente os clientes de janeiro (10):

  • Após o primeiro mês, apenas 81% desses clientes continuam na base
  • Após 4 meses, apenas 66% dos cliente
  • Após 7 meses, 63% dos clientes

02 – Ao longo do tempo, a taxa de retenção está melhorando ou piorando?

Essa análise fazemos olhando verticalmente os números:

No primeiro mês, nenhum cliente cancelou o contrato até hoje. Repare que a coluna “0” é 100% para todos os grupos de clientes.

No entanto, analisando a coluna “1”, podemos notar que em maio, houve uma significativa melhora na taxa de retenção, passando de 85% para 94%, ou seja: antes 15% dos clientes cancelavam após completarem 1 mês de vida, agora, apenas 6%.

Obs: na coluna “1”, o mês de agosto está vazio pois o grupo de clientes que entrou nesse mês ainda não completou 1 mês de vida, assim como o grupo de julho não completou 2 meses.

Com essa leitura, podemos investigar se alguma ação foi realizada com os clientes nos primeiros dias de vida para que a taxa de retenção tenha aumentado.

Caso você já tenha a resposta e ela seja “sim”, perceba como esse gráfico lhe ajuda a entender se a ação que realizou teve efeito ou não. Claramente sim!

Simples né?

Faça bom uso das cores

Repare nos gráficos acima que conforme o indicador vai piorando a cor verde vai dando lugar ao amarelo, então só de bater o olho no gráfico, conseguimos entender que quanto mais verde melhor, quanto mais amarelo, pior.

Viu como vai ficando fácil a leitura? Não precisamos nem saber qual o número que está nas colunas, apenas com as cores conseguimos interpretar o gráfico 🙂

Como começar?

Atualmente alguns softwares de BI como o Mode ou Customer Success, como o Amity já possuem esse gráfico pronto, dependendo apenas de informarmos os dados.

No entanto, na ausência de algum software como esses, o Excel é a melhor forma de montar esse tipo de análise. Esse tutorial explica como.

Indo além do visual!

Mas como todo gráfico, o que no final das contas vale é o que é feito com as informações que ele te disponibiliza, e considero esse um dos grandes diferenciais em pessoas que possuem o senso analítico mais aguçado, conseguem ir além do que estão enxergando e pensar em diversas outras possibilidade e caminhos a seguir à partir desse primeiro passo.

Afinal, o que adianta saber que duas métricas tem alta correlação e a combinação delas grande impacto na retenção de seus clientes, se nada for feito para que esse indicador evolua?

Então como passo ainda mais importante que criar o gráfico, é tomar ações à partir do que for descoberto.

Me conte se você já fez alguma análise dessas e o que achou! Descobriu algo interessante?