Descubre cómo las cohortes te permiten segmentar y entender mejor a tus clientes, incrementando el valor y la lealtad en el comercio electrónico y SaaS B2B.
Las cohortes son un concepto clave que tiene su origen en la investigación epidemiológica, y se refieren a un grupo de individuos que comparten una característica común durante un período específico. Por ejemplo, una cohorte puede estar formada por personas nacidas en el mismo año, residentes de una misma área geográfica o individuos que comenzaron un tratamiento médico al mismo tiempo. Este enfoque permite a los investigadores observar y analizar cómo diferentes factores, tanto ambientales como de estilo de vida, influyen en la salud y el comportamiento de estos grupos a lo largo del tiempo.
En el contexto de los negocios de comercio electrónico o SaaS B2B, el análisis de cohortes se utiliza para estudiar el comportamiento de los clientes a lo largo del tiempo y entender cómo sus acciones cambian desde su primera interacción con nuestro negocio. Una cohorte en este contexto se define, por ejemplo, como un grupo de clientes que realizaron su primera compra en un mismo mes. Al seguir el comportamiento de esta cohorte, los analistas pueden observar patrones de compra, tasas de retención y lealtad, así como la efectividad de estrategias de marketing a lo largo del tiempo.
El análisis de cohortes en los negocios permite a las empresas identificar tendencias cruciales y áreas de mejora. Por ejemplo, al observar cómo una cohorte específica se comporta en términos de frecuencia de compra, gasto promedio y tasa de abandono, una empresa puede detectar si ciertos cambios en su sitio web, promociones o campañas de marketing han tenido el impacto deseado. Si una cohorte muestra una alta tasa de abandono después del primer mes, esto podría indicar la necesidad de mejorar la experiencia post-compra o implementar estrategias de retención más efectivas, como programas de lealtad o campañas de re-engagement.
Además, este tipo de análisis puede ser fundamental para personalizar la experiencia del cliente. Al entender cómo diferentes cohortes responden a diversos estímulos de marketing o cambios en el producto, las empresas pueden segmentar mejor su audiencia y ofrecer promociones y recomendaciones más relevantes. Por ejemplo, si una cohorte que ingresó al sitio a través de una promoción de redes sociales muestra un mayor interés en productos específicos, la empresa puede dirigir campañas de marketing similares a futuros clientes con perfiles y comportamientos similares.
De lo anterior se deduce que un análisis de cohortes no necesariamente debe realizarse a nivel general, sino que los clientes pueden segmentarse para crear y analizar cohortes de diferente tipo. Así, por ejemplo, la segmentación de cohortes puede implicar dividir a los clientes en grupos específicos basados en ciertas características en función de un patrón temporal que por lo general son meses. A continuación, se explican algunas formas comunes de segmentar cohortes.
1. Canal de Adquisición
Segmentar cohortes según el canal a través del cual los clientes fueron adquiridos (como redes sociales, búsquedas orgánicas, campañas de correo electrónico, publicidad pagada, etc.) ayuda a evaluar la efectividad de cada canal. Esto permite ajustar las inversiones en marketing y optimizar las estrategias para cada canal. Por ejemplo, si los clientes adquiridos a través de publicidad pagada muestran una mayor tasa de retención, se puede considerar aumentar el presupuesto en ese canal.
2. Tipo de Producto Comprado
Segmentar cohortes según el tipo de productos comprados permite entender las preferencias y comportamientos de los clientes en relación con diferentes categorías de productos. Por ejemplo, los clientes que compran productos de lujo pueden tener comportamientos de compra y necesidades diferentes a aquellos que compran productos de uso cotidiano. Esta segmentación ayuda a personalizar la experiencia de compra y las estrategias de marketing para cada grupo.
3. Geografía
La segmentación geográfica de las cohortes permite analizar diferencias en el comportamiento de los clientes según su ubicación. Las preferencias y patrones de compra pueden variar significativamente entre diferentes regiones, por lo que entender estas diferencias es crucial para personalizar ofertas y campañas de marketing de manera efectiva.
4. Valor de la Primera Compra
Dividir las cohortes según el valor de la primera compra puede ofrecer insights sobre cómo el valor inicial gastado se relaciona con la retención y el LTV. Por ejemplo, los clientes que realizan una compra de alto valor inicialmente podrían tener un comportamiento de compra diferente en comparación con aquellos que comienzan con compras de menor valor. Este análisis ayuda a identificar segmentos de clientes más valiosos y desarrollar estrategias para retenerlos.
5. Comportamiento de Navegación
Segmentar las cohortes según el comportamiento de navegación en el sitio web (por ejemplo, tiempo en el sitio, número de páginas visitadas) puede proporcionar información sobre el engagement inicial. Los clientes que muestran un alto nivel de interacción con el sitio desde el principio pueden ser más propensos a convertirse en clientes recurrentes.
Como estas, pueden existir otras segmentaciones relevantes… Al utilizar estas y otras formas de segmentación, las empresas pueden obtener una visión más profunda de sus clientes, mejorar la retención, optimizar las estrategias de marketing y, en última instancia, aumentar las ventas y la satisfacción del cliente.
Cómo se construye un análisis de cohortes.
Para facilitar el ejercicio, vamos a utilizar una plantilla estándar que podéis descargar aquí.
- Lo primero será popular la plantilla con los datos de tu negocio. Como podéis apreciar en la plantilla, se arranca por la celda “B4” que se deberá completar con el número de nuevos clientes que han realizado su primera compra ese mes. En nuestro ejemplo, estamos hablando del mes de enero del año 2022 y la cantidad de nuevos clientes ese mes ha sido de 43.
- Luego vamos a completar la celda “B5” con la cantidad de nuevos clientes que han realizado sus primeros pedidos en el mes de febrero de 2022 y así sucesivamente.
- Luego completamos la columna “C” arrancando por la celda “C4” con la cantidad de pedidos que han realizado los nuevos clientes que han comprado por primera vez en enero del 2022. Nótese que la cifra de pedidos este mes tendrá que ser como mínimo igual a la cantidad de nuevos clientes.
- La columna “D” la completaremos con el dato de cantidad de pedidos que han hecho durante el mes de febrero de 2022 aquellos que se han hecho clientes por primera vez en enero de 2022.
- La columna “E” la completaremos con el dato de la cantidad de pedidos que han realizado durante marzo de 2022 los clientes que han comprado por primera vez en enero de 2022. Y así sucesivamente.
De esta manera, la fila 4 representará los pedidos que han realizado los clientes que compraron por primera vez en enero de 2022 a lo largo de los meses hasta el mes del estudio. Y como queremos estimar la cantidad de veces que un cliente comprará a lo largo de su vida como tal, extenderemos el análisis una cantidad de meses adicionales de manera tal de poder realizar proyecciones. ¿Cuántos meses? Lo explicaremos más adelante.
Una vez que tenemos “populada” la plantilla con los datos de pedidos tal como se explicó, revisaremos la tabla de más abajo, que se completará automáticamente en función de los datos que hayamos utilizado.
- De esta manera, la columna “C” mostrará la cantidad de veces que los clientes que hicieron su primer pedido en el mes de enero de 2022 han comprado ese mismo mes. En este caso, 1,05 quiere decir que solo el 5% de los clientes que compraron por primera vez ese mes, han hecho más de una compra ese mismo mes. Y el dato de la celda “G31”, es decir 0,15, quiere decir que apenas el 15% de los clientes que hicieron su primera compra durante el mes de junio de 2022, han vuelto a realizar un pedido durante el mes de noviembre de 2022 (M+5). De esta forma, si promediamos todos los valores de la columna “C” obtenemos 1.04 que significa que de cada 100 clientes nuevos podemos esperar 104 pedidos el primer mes.
- Y la columna “D” significa que de cada 100 nuevos, podemos esperar que al mes siguiente éstos realicen 67 pedidos. De esta manera, si sumamos la fila 47 usando la información que tenemos (es decir sin agregar ninguna proyección), dicha suma nos da 6,49, que viene a representar la cantidad de pedidos que realiza en promedio cada nuevo cliente.
Pero, ¿qué pasa a partir de allí? Pues para saberlo tenemos que realizar una “proyección” y para ello vamos a recurrir a representar los datos que conocemos en una gráfica, agregarle una línea de tendencia logarítmica, que es la función matemática que mejor representa la evolución del comportamiento de los clientes en el tiempo, y a partir de allí proyectamos hasta que la función se haga “0”, es decir hasta que los clientes dejen de comprar. En nuestro caso, esto pasará en el mes 45. Si sumamos todos dichos valores, es decir reales más proyectados, la suma será de 8,45, significando que por cada cliente nuevo podemos esperar que realice esa cantidad de pedidos a lo largo de su vida útil en nuestra compañía, que en promedio será de 45 meses.
Para completar el análisis con un dato más valioso, multiplicamos el valor del pedido promedio por este número y obtendríamos el LTV o “Lifetime Value” de un cliente.
Y voilà! Así se hace y para esto sirve un análisis de cohortes.
