Статьи
Статьи

Моделирование случайного возврата в электронной коммерции

  • unit economics,
  • P&L

Я давно занимаюсь созданием финансовых моделей для стартапов, причем самых различных видов деятельности. В общем виде мои модели строятся по принципу — стартап отвечает только своими компетенциями и только за метрики продукта, на которые он может влиять, по этому строиться юнит-экономика и по ней уже автоматически заполняется P&L план.

Этот подход позволяет получать финансовые модели, которые основатель может объяснить инвестору, получить полезную информацию для себя о перспективах такого бизнеса, слабых местах команды и т.д.

При создании таких моделей, я описываю юнит-экономику на начало плана и на последний период плана. Получив для каждой продуктовой метрики два значения, начальное и конечное. Далее надо просто каким то образом растянуть значения от начального до конечного. Я использую экспоненциальный подход, это когда значение прирастает не равномерно, а постепенно, сначала небольшими значениями и потом все больше и больше. В итоге приходим к требуемым значениям.

На рисунке видно, что на старте у нас значение числа юнитов масштабирования 1000, а на последний месяц — 60 000. И число этих юнитов масштабирования прирастает по экспоненциальному закону. 

Однако, все, что я рассказал это новые юниты масштабирования, которые формируют когорты в соответствующие месяца, при этом у нас есть еще и старые юниты, которые возвращаются в продукт в следующие месяца, и их надо как то учитывать. 

Если мы будем говорить об интернет сайте, то у нас есть аудитория, которая зашла на сайт в какой-то месяц в первый раз, сформировала когорту, а спустя какое-то время вернулось еще раз на сайт. Общая посещаемость сайта будет состоять из новых пользователей, пришедших в этом периоде первый раз и старых, которые вернулись и были на сайте до этого в разные периоды в прошлом. Возникает вопрос, а как их учесть? 

Первое, что приходит в голову, это рассчитывать значение коэффициента оттока для каждой когорты, так же как мы считаем значения юнит-экономики. Величина оттока рассчитывается по формуле:

Churn Rate (CR) = 1 / APC,

но это хорошо работает для какой-то реальной периодической ситуации, например, SaaS и для клиентов, а как быть с интернет-магазином, где аудитория возвращается в некотором случайном порядке, которым мы пытаемся управлять за счет ремаркетинга, акций и тп. 

Главный недостаток CR в том, что он предполагает равномерный отток аудитории, каждый месяц уходит CR пользователей. Но в реальности, в электронной коммерции мы имеем случайны поток клиентов, например, если изначально в когорте было 1000 человек, то на следующий месяц может вернуться только 50, еще через месяц придет 350 из них, и спустя шесть месяцев и вовсе 746. То есть аудитория возвращается хаотично и так для каждой когорты.

Поэтому я решил реализовать учет оттока пользователей для каждой когорты с учетом случайного характера возврата. Чтобы реализовать эту идею, надо всего лишь построить матрицу, в которой каждая строка будет когорта определенного месяца, а столбец соответственно месяц. В таком случае внизу каждого столбца будет число новых посетителей, а все, что сверху это посетители от более ранних когорт.

Остается только заполнить ячейки для каждой строки, где ячейка принимает значение от нуля до максимального значения для каждой когорты. После мы можем суммировать значения по столбцу и получим как значение новых посетителей в месяц, так и число вернувшихся в этом месяце от прошлых когорт.

Вот такое решения я применил для того, чтобы учитывать хаотичный возврат аудитории из месяца к месяцу.

Сказать спасибо и оказать поддержку будущему контенту.

50/год

  • Доступ к закрытым материалам
  • Возможность комментирования материалов
  • Доступ к Реально Заданным Вопросам
  • Помочь мне донести идею Data Driven до большего числа людей

Для доступа к комментариям и содержанию материалов, оформите подписку.
Если вы уже клиент, то просто .

Оплата через Boosty (для России)