Рассмотрим бизнес, например, электронную коммерцию или любой другой тип бизнеса, в котором потребность в продукте у клиентов появляется не регулярно, как это принято в SaaS, а после срабатывания некоторого внешнего триггера. При этом мы можем рассчитать юнит-экономику для такого бизнеса и получить модельные значения числа юнитов масштабирования UA, и числа клиентов B, например, 10 000 и 350 соответственно. При этом среднее число сделок на одного клиента равно 4.3. Мы также понимаем, что все эти клиенты пришли не в первый месяц, а в течении всего времени жизни когорты, наши юниты масштабирования могут возвращаться в наш продукт и превращаться в клиентов. При моделировании P&L на основе такой юнит-экономики, необходимо понимать, а сколько именно клиентов в каком месяце существования когорты появлялось в продукте.

Для того, чтобы решить эту задачу надо определить поведение когорты пользователей. Пусть наша когорта ведет себя следующим образом: во-первых, она затухает, в первые месяцы клиентов становиться больше, чем в последующие; во-вторых, наши юниты масштабирования возвращаются случайным образом. Строго говоря этого уже достаточно для моделирования когорты клиентов и пользователей.

Фактически нам надо заполнить таблицу для UA, B_new, B_old, Transaction при этом учитывать такие факторы заполнения, что пользователи и клиенты в каждый конкретный месяц когорты ведут себя случайным образом (отличие от SaaS, в котором мы прогнозируем подписку и ожидаем возврата пропорционально расчетному числу платежей).

В итоге, заполняя таблицу UA мы должны получить что-то, как на рисунке выше. При этом, возвращаемость пользователя задается двумя затухающими кривыми, первая определяет максимальную вероятность вернуться пользователю в этом месяце, а вторая — минимальную.

Аналогичным образом формируется когорты новых клиентов. Тут важно отметить, что таблица по клиентам выглядит похожей на таблицу новых пользователей, но при этом, в каждом месяце в когорте мы видим именно новых клиентов этой когорты.

Если внимательно рассмотреть таблицу, размещенную выше, то видно, что когорта июня 2023 года, имеет 169 клиентов, из которых в июне ожидается 73, в июле 42 и так далее. При этом, в строке Total вверху, под месяцами, указано общее число новых клиентов ото всех когорты в этом месяце. Формально этих двух таблиц уже достаточно для формирования продуктовой сводки для модельного P&L.

При этом клиенты, которые возвращаются для каждой когорты рассчитываются отдельно, по аналогии с расчетом возврата пользователей, используя 2 кривых вероятности возврата. При этом надо обязательно понимать, что клиенты могут возвращать только с учетом достаточного числа пользователей из этой когорты в этом месяце, а среднее число следок в когорте должно соответствовать расчетному. 

Более детально формирование когорт клиентов я покажу в следующих материалах.