Не секрет, что юнит-экономика в современном виде оперирует показателями в когортах, но бизнесу очень трудно ориентироваться в когортном представлении, и привычно за всем наблюдать в традиционных периодах времени, например в месяц. При этом когортные представления дают больше ответов на управленческие вопросы, чем традиционные представления данных. Но моделирование продуктовых метрик осложнено тем, что работая с когортами хочется имея фактически только (почти) знания о когортах, получить представление этих когорт в традиционных периодах времени, я называю это, разворотом когорт.

Представим себе задачу, рассчитать число подписчиков в месяц зная информацию о всех когортах проекта, для каждого месяца, это легко получить с помощью ueCalc. В итоге, мы будем знать значение показателей когорты для каждого месяца, например, мы знаем, что у нас есть когорта, в которой имеется 16 клиентов (B), причем, среднее число сделок на клиента составляет 5.50 (APC), и пусть это SaaS сервис. Нужно понять, а сколько сделок должны совершить наши клиенты в каждый месяц существования когорты. Причем, мы знаем, что в первый месяц конвертируется не более 70.00% лидов. Это значит, что наши 16 клиентов стали клиентами за два месяца существования когорты, 11 в первый и 5 во второй. 

Для того, чтобы расписать число сделок по месяца на основе известной информации необходимо, рассчитать общее число сделок, для этого нам нужно умножить среднее число сделок на клиента на число клиентов, 16 × 5.50 = 88.00. Но как распределить платежи от клиентов по месяцам? 

Давайте начнем просто представлять. В первый месяц у нас было всего 11 клиентов, и каждый успел совершить только одну покупку (у нас SaaS), значит в первый месяц у нас было всего 11 сделок. Во второй месяц у нас пришло еще 5 новых клиентов в когорте и каждый из них совершил по одной покупке. Но при этом из имеющихся у нас 11 клиентов часть вернется и совершит вторую покупку. Число вернувшихся зависит от параметра оттока (Churn Rate), который для SaaS равен 1/APC. Тогда, вернется во второй месяц следующее число клиентов 11 × (1 - 1/5.50) = 9. И суммарно, во второй месяц у нас будет 14 клиентов. И все это для одной когорты. Такие расчеты необходимо сделать для каждой когорты. А затем суммировать значения для каждого месяца. 

Кроме того, в бизнесе может быть задача учесть прерывание подписки, например, связанная с сезонностью, например, зачем вам оплачивать интернет на даче вне летнего сезона? Для этого нам необходимо подготовить справочник с периодами и указать для каждого месяца, долю клиентов, которые перестают платить в этом периоде. И затем для каждого расчетного периода по возврату клиентов делать корректировку. Пусть на второй месяц существования когорты только 40.00% продлевают подписку. Тогда наша формула превратится в 11 × (1 – 1/5.50) × 0.40 = 3.6 или 4. 

Ну а если вы все это делаете в Google Sheet, то автоматически можно построить когорты с помощью вот таких формул:

Где, 'Cohorts - b SaaS' содержит информацию о числе новых клиентов в когорте за первый месяц существования. В ячейке C10 храниться информация об общем числе сделок от всех клиентов за все время существования когорты, чтобы не выйти за границы значения метрик для когорт при моделировании. В ячейке H10 находиться рассчитанное значение сделок для предыдущего периода, а конструкция VLOOKUP находит значение числа клиентов, которые делают перерыв в платежах. И в итоге все это приводит к такой таблице. 

Так, что не надо бояться когорт при моделировании, а существующие решения позволяют учитывать, достаточно сложные бизнес задачи при моделировании. Я же планирую добавить такой механизм в ueCalc, и вам не придется заморачиваться с кучей формул в табличных процессорах.