En temas de marketing online y de financiación de startups, la visión global a menudo se puede resumir en 3 variables: el CAC (Customer Aquisition Cost, o Coste de Adquisición de Cliente), el LTV (customer LifeTime Value) y la profundidad del estanque en él que estás pescando (captando clientes potenciales).
El CAC es relativamente fácil de calcular: se obtiene dividiendo el coste de marketing total del mes por el número de nuevos clientes del mes.
El LTV también es bastante fácil de calcular si tienes ya medida la recurrencia: se obtiene multiplicando el margen bruto de un pedido por la recurrencia de los clientes (el número estimado de pedidos que hará un cliente en su vida).
El margen bruto por pedido: el margen bruto medio por pedido es la diferencia entre el ingreso medio por pedido (sin IVA por supuesto) y los costes directos que incluyen cualquier coste directamente relacionado con la venta (el coste de los bienes o servicios vendidos, el transportes, la parte variable de la logística, cualquier otro coste variable que depende directamente del pedido). Aquí para estimar el LTV no se tienen en cuenta los costes fijos o los costes de marketing.
La recurrencia: por mi experiencia, lo que más complica el análisis es el cálculo de la recurrencia. Para estimarla lo correcto es hacer un estudio de cohortes. Como se trata de un análisis un pelín complejo, muchas startups no saben por dónde empezar. El objetivo de este post es de intentar explicar cómo realizar un análisis de cohortes, de ofrecer una plantilla a disposición de todos, y también de pedir vuestro feedback para mejorarlo. Por cierto, lo que sigue ya es más técnico: si quieres seguir respira hondo y ponte cómodo ;)
Modelo de estudio de cohortes:
Imagen ejemplo de estudio de cohortes
Cómo actualizar el fichero con los datos de tu negocio:
- Nuevos clientes de cada mes: completa las celdas B5 a B19 con el número de nuevos clientes del mes. Ojo: sólo nuevos clientes del mes, no clientes totales. Un cohorte son clientes que compran por primera vez en aquel mes.
- Pedidos de cada cohorte por mes: completa la primera tabla «Valores absolutos = número de pedidos«: las celdas C5 a Z19 con el número de pedidos mes a mes de los clientes nuevos del mes X.
- Pedidos / nuevo cliente: automáticamente se actualizará la segunda tabla «Valores relativos (pedido / cliente de la cohorte)«.
- Recurrencia media por mes observada: la fila 42, celdas C42 a M42, calcula la recurrencia media por mes observada para los primeros meses. En esta media puedes incluir el número de meses que te parezca relevante. Lo ideal es utilizar los 12 últimos si ya llevas más de un año, para evitar el ruido por estacionalidad. Algunos también excluyen de esta media el dato del último mes dado que éste puede variar todavía por las devoluciones por venir.
- Ajusta el área de datos de la gráfica «Recurrencia – Tendencia»: coge sólo las filas y columnas sobre las que quieres hacer el análisis: botón derecho por encima de la gráfica, «Seleccionar datos», modificar el área de datos «=’Cohortes total’!$D$42:$M$42» donde cambias «M» por la última columna con datos observados (ejemplo poner «H» si sólo tienes datos de los 5 últimos meses).
- Recurrencia media extrapolada a los meses siguientes: la gráfica «Recurrencia – Tendencia» (visible en la celda P26) muestra la evolución de la repetición media de los cohortes durante los X primeros meses (11 meses en el ejemplo adjunto). La línea azul es lo observado y la línea negra es la regresión logarítmica sobre la línea azul. Esta línea negra es la tendencia, y nos permite estimar cómo podría ser la línea azul en los siguientes meses. Si sólo tienes 2 o 3 meses de observación es probablemente mejor remplazar la función logarítmica por una regresión lineal. En otros casos es posible que una regresión polinómica o potencial se ajuste mejor a lo observado, pero por mi experiencia en general la logarítmica funciona bien.
- Gracias a la formula de la línea negra (y=-0,031ln(x)+0,1003) podemos estimar la recurrencia sobre 24 meses en lugar de estimarla sólo sobre los 11 primeros meses de nuestra observación.
- Actualiza la formula que está en Z42 (=-0,031*LN(Z45)+0,1003) con los datos que aparecen en tu gráfica (cambia «-0,031» y «0,1003» por lo que veas en tu gráfica).
- Copia la nueva formula que tienes en Z42 y pégala en las celdas anteriores Y42, X42, … hasta la primera columna donde no tienes datos observados (ej. en N42 en el ejemplo). En otras palabras en C42 hasta M42 tenemos datos observados, y en N42 hasta Z42 tenemos datos extrapolados en base a la regresión logarítmica.
- La suma de estos datos de pedidos / nuevo cliente por mes de A42 a Z42, nos da la recurrencia estimada sobre 24 meses en AA42. En nuestro ejemplo la recurrencia estimada sobre 24 meses es de 1,76, lo que significa que estimamos que cada nuevo cliente captado hará de media 1,76 pedidos. Si quieres estimarla sobre menos de 24 meses basta con incluir menos columnas en la suma.
- Luego calculas el LTV multiplicando tu margen bruto por pedido por la recurrencia. Por ejemplo si el margen bruto fuera de 20€ por pedido, el Lifetime Value de un cliente sería de 35,2€.
- Con esta estimación de LTV ya sabes hasta cuánto estás dispuesto a gastarte de media por un cliente. Con un LTV de 35,2, lo razonable sería no pasarse de 35,2€ de CAC medio (por encima de 35,2 los clientes nos cuestan de media más de lo que valen).
Agradecimiento: gracias a Clever PPC por el modelo original de esta hoja de cálculo, a Marta y a Fernando Constantino por revisar este post y a José Cabiedes por haberme enseñado sobre cohortes.
Actualización 22/11/2013: Nacho Hernández de Yaysi lo explica muy bien en lenguaje más natural en su comentario:
Para asegurarme de que lo entiendo bien y por si a alguien le puede ayudar a comprenderlo también, lo que entiendo que estamos haciendo aquí es algo así como calcular la probabilidad de que un usuario que ha comprado en un mes determinado por primera vez realice otra compra en cada uno de los meses posteriores. Para calcular esta probabilidad usamos datos históricos, por ejemplo, cuantas personas que compraron por primera vez en mayo de 2013 compraron también en junio, julio, etc… Así, si tuvimos 100 ventas a clientes nuevos en mayo y de esos 100, 10 nos vuelven a comprar en junio la probabilidad de que un comprador de mayo compre en junio es de un 10%.
Al agregar todos los datos lo que obtenemos es la probabilidad de que alguien que compra en el mes N por primera vez realice otra compra en el mes N+1, N+2… Así si utilizamos años completos en los datos históricos se elimina la estacionalidad.
Cuando se suman todos los datos históricos más los extrapolados lo que obtenemos es una estadística sobre cuantos pedidos nos va a hacer un usuario (de media) en un período determinado.
También te podría interesar:
- Consejos marketing para startups 1 y Consejos marketing para startups 2 (en mi blog)
- Excel template for cohorts analyses in SaaS y 3 more ways to look at cohort data (Christoph Janz, de Point Nine Capital)
¡comentarios bienvenidos! así podremos ir mejorando la plantilla y este post.
Etiquetas: CAC, Cohortes, Coste de Adquisición de Cliente, Customer Lifetime Value, LTV, Marketing, recurrencia
Blog de François Derbaix 
noviembre 20, 2013 a las 1:14 pm |
En aras a una interpretación mas sencilla sin tener que descargar la excel ¿y si haces que la imagen sea abra más grande en otra pestaña? así podemos seguir más de cerca la explicación.. sin mas..
Me costará una semana entenderlo pero haremos un intento…yo de momento uso el ojímetro, mis cohortes no tienen comportamientos muy diferentes (por minicambios/ajustes) y actuan en general con un patrón de comportamiento «bastante» predecible «ojimetricamente» hablando. ;-(
Gracias por el esfuerzo de HACER y compartir.
Me gustaMe gusta
noviembre 20, 2013 a las 9:52 pm |
¡gracias por la sugerencia Aitor» He modificado la imagen que ahora se abre más grande en otra pestaña. En cuanto al ojímetro es sin duda la mejor primera aproximación (no tiene sentido analizar sin primero visualizar los datos). Luego, para el seguimiento mes a mes creo que el cálculo más preciso puede aportar bastante.
Me gustaMe gusta
noviembre 20, 2013 a las 8:59 pm |
puede ser que el primer sea Sept 12 y no Sept 13?
saludos F
Sergio
Me gustaMe gusta
noviembre 20, 2013 a las 9:53 pm |
corregido, gracias
Me gustaMe gusta
noviembre 20, 2013 a las 9:43 pm |
Por qué dices: Con un LTV de 35,2, lo razonable sería no pasarse de 35,2€ de CAC medio (por encima de 35,2 los clientes nos cuestan de media más de lo que valen).
Asumiendo CACs crecientes, por que no hablas de CAC marginal en lugar de medio? En cuanto el CAC marginal pasa del LTV estas perdiendo dinero con cada nuevo usuario que consigues.
Tal vez tiene que ver con lo de mirar las ventas y no el margen? ;-)
CAC MEDIO = LTV es lo que puedes financiar
CAC MARGINAL = LTV es lo que optimiza resultados.
Me gustaMe gusta
noviembre 20, 2013 a las 9:57 pm |
Buena pregunta :) Tienes razón en que el CAC marginal es lo que optimiza el resultado, y el CAC medio = LTV es lo que maximiza el crecimiento. Si lo que buscas es resultado entonces el CAC medio es tu medida, pero en mi opinión para una startup es un camino equivocado, demasiado conservador. Para una startup lo primero debería ser el crecimiento: maximizar el crecimiento, no la rentabilidad, por ello recomiendo invertir hasta que CAC medio (y no CAC marginal) esté cerca del LTV.
Me gustaMe gusta
noviembre 21, 2013 a las 2:02 am |
Gracias por compartirlo François! :)
Me gustaMe gusta
noviembre 21, 2013 a las 3:14 am |
¡Gracias por compartir tus conocimientos François! Me costará entenderlo todo pero merece la pena. Un dato, los enlaces hacia los consejos para emprendedores 1 y 2 apuntan los dos al 1º el segundo debería de llevar a: https://francoisderbaix.com/2013/05/23/consejos-marketing-para-startups-2/
Saludos!
Me gustaMe gusta
noviembre 22, 2013 a las 9:26 am |
gracias Álvaro! corregido
Me gustaMe gusta
noviembre 22, 2013 a las 1:41 am |
Mil gracias por el post y el excel, llevaba tiempo detrás de calcular este dato de manera fácil y a sabiendas de que lo hacía correctamente!
Para asegurarme de que lo entiendo bien y por si a alguien le puede ayudar a comprenderlo también, lo que entiendo que estamos haciendo aquí es algo así como calcular la probabilidad de que un usuario que ha comprado en un mes determinado por primera vez realice otra compra en cada uno de los meses posteriores. Para calcular esta probabilidad usamos datos históricos, por ejemplo, cuantas personas que compraron por primera vez en mayo de 2013 compraron también en junio, julio, etc… Así, si tuvimos 100 ventas a clientes nuevos en mayo y de esos 100, 10 nos vuelven a comprar en junio la probabilidad de que un comprador de mayo compre en junio es de un 10%.
Al agregar todos los datos lo que obtenemos es la probabilidad de que alguien que compra en el mes N por primera vez realice otra compra en el mes N+1, N+2… Así si utilizamos años completos en los datos históricos se elimina la estacionalidad.
Cuando se suman todos los datos históricos más los extrapolados lo que obtenemos es una estadística sobre cuantos pedidos nos va a hacer un usuario (de media) en un período determinado.
Me surgen una duda:
¿qué cantidad de datos (n° de clientes/ventas) mínimos sería necesario tener para que el análisis sea consistente?
De nuevo, gracias.
Me gustaMe gusta
noviembre 22, 2013 a las 9:37 am |
¡Gracias Nacho! No podía haberlo explicado mejor (de hecho, lo he incorporado al post, si quieres que vaya con enlace a tu página avísame). En cuanto a la cantidad mínima de datos, depende de la volatilidad de estos datos. Creo que +- tenemos datos suficientes cuando los datos de mes 1 a mes x de cada cohorte son más o menos estables.
Me gustaMe gusta
noviembre 22, 2013 a las 11:53 am
Ok, gracias, nuestra web es http://www.yaysi.com
Me gustaMe gusta
noviembre 22, 2013 a las 2:22 am |
interesante decir que SaaS como https://mixpanel.com/retention/ te pueden ayudar a calcularlo también automáticamente.
Me gustaMe gusta
noviembre 22, 2013 a las 9:37 am |
cierto, me olvidé mencionarlo.
Me gustaMe gusta
noviembre 28, 2013 a las 5:32 pm |
Gracias por el modelo, muy interesante. Creo que es especialmente válido cuando se tienen cifras suficientemente grandes para trabajar bien estadísticos. Lo que me gustaría preguntarte es cómo ves su uso para mercados con muchos cambios y muy dinámicos en los que acciones de competidores pueden cambia la dinámica de la cohorte de forma grande.
En nuestro caso, estando en un nicho donde la recurrencia es baja, creo que puede ser muy útil para analizar compras de viajes, por ejemplo, por temas de cumpleaños o fechas señaladas. La recurrencia podría estar marcada por la fecha en sí…
Otra aplicación que le veo es cómo diferentes acciones (precio, nuevos productos, etc.) pueden hacer variar la recurrencia…
Muy útil la idea y el modelo…Da para pensar
Me gustaMe gusta
noviembre 29, 2013 a las 2:04 pm |
[…] que convertirte en un friki de las métricas. De crecimiento, de ventas (CAC siempre menor que CLV), de clientes, geográficas, etc. Comprueba que coinciden o no con tus objetivos y pivota en […]
Me gustaMe gusta
enero 30, 2014 a las 12:35 pm |
Gran post Francois!!
Tengo una pregunta. Si eres una startup de reciente creación y quieres presentar las estimaciones financieras a futuros inversores, con respecto al CAC y al LTV, qué es mejor:
1- Hacer unas estimaciones de CAC y LTV, aunque dichas estimaciones sean «casi» aleatorias dada la incertidumbre inicial y la no existencia de un histórico en la empresa.
2- Ser sinceros y no presentar unas estimaciones que valen para poco.
gracias!!
Me gustaMe gusta
enero 30, 2014 a las 5:01 pm |
Hola José Luis, la idea es que el CAC y el LTV no se estimen si no que se midan: CAC = gasto marketing / nuevos clientes, y LTV = margen bruto * recurrencia extrapolado con el análisis decohortes. Lo suyo es no manipular el cálculo ;) No sé si responde a tu pregunta…
Me gustaMe gusta
febrero 18, 2014 a las 12:33 am |
Entonces Francois, por lo que dices, si yo voy a acudir a inversores pero no tengo todavía datos reales, no me recomiendas hacer mis estimaciones de CAC y LTV? Yo no tengo datos reales porque todavía no hemos salido, pero sí unas estimaciones razonables porque conozco el sector.
Gracias.
Me gustaMe gusta
febrero 18, 2014 a las 12:23 pm |
Hola José Luis, a defecto de datos reales siempre es bueno hacer estimaciones o hipótesis que se puedan validar luego, pero de cara a inversores estas estimaciones sin validar valdrán de poco. De todos modos en caso de no haber lanzado aún el negocio, te recomendaría financiarte con ahorros propios y FFF’s, y sólo salir a buscar inversores profesionales una vez tienes ya las primeras métricas.
Me gustaMe gusta
febrero 20, 2014 a las 8:31 am |
[…] TRANSACACIONALES (modelos donde alguien vende algo y se produce una transacción) La métrica clave por excelencia de un e-commerce pero de muchos otros negocios, tanto offline como online. Tiene que ver con aspectos clave del proceso de compra y cómo fluye el cliente a lo largo del embudo de conversión, es decir: conversión (hay dudas razonables sobre si a secas ésta es la mejor métrica), tamaño de la compra, tasas de abandono… y ojo, es importante saber comprender cómo se comportan todas estas métricas según fuentes de tráfico o según cohortes. […]
Me gustaMe gusta
febrero 26, 2014 a las 2:37 pm |
[…] 1. TRANSACACIONALES (modelos donde alguien vende algo y se produce una transacción). La métrica clave por excelencia de un e-commerce pero de muchos otros negocios, tanto offline como online. Tiene que ver con aspectos clave del proceso de compra y cómo fluye el cliente a lo largo del embudo de conversión, es decir: conversión (hay dudas razonables sobre si a secas ésta es la mejor métrica), tamaño de la compra, tasas de abandono… y ojo, es importante saber comprender cómo se comportan todas estas métricas según fuentes de tráfico o según cohortes. […]
Me gustaMe gusta
marzo 5, 2014 a las 3:34 am |
Excelente pagina…
Me gustaMe gusta
marzo 12, 2014 a las 12:04 pm |
[…] éxito con sus empresas, gracias a todo el conocimiento que coomparte a través de su blog. Ahora espero que esta mayor capacidad para invertir en startups le permita poder seguir cumpliendo […]
Me gustaMe gusta
marzo 14, 2014 a las 4:36 pm |
Buen artículo François!
Pero tengo una duda, según lo que comentas aquí «CAC marginal es lo que optimiza el resultado, y el CAC medio = LTV es lo que maximiza el crecimiento.» no tienes en cuenta otra parte de la ecuación que son los gastos fijos.
Es decir si al final el CAC = LTV, la empresa estaría en perdidas, ya que no hay suficiente beneficio para cubrir los gastos fijos.
¿Con qué ingresos cubres gastos de personal, alquileres…?
ó
¿Recomiendas en una primera fase crecer a toda costa sin ser rentables y soportar los gastos fijos con financiación?
Gracias!
Me gustaMe gusta
marzo 14, 2014 a las 5:49 pm |
Hola Pablo, es así: recomiendo como dices: al inicio crecer a toda costa sin ser rentables y soportar los gastos fijos con financiación. Este crecimiento es lo que te debería permitir optimizar tus gastos, mejorar el margen y a medio plazo ser rentable. En mi opinión en una startup la creación de valor pasa primero por el crecimiento de las ventas, sin buscar la rentabilidad a corto plazo.
Me gustaMe gusta
marzo 15, 2014 a las 10:36 am
ok, comparto tu opinión. Pero para un ecommerce, como es mi caso, se puede crecer de muchas vías, no sólo pagando más por adquirir un nuevo cliente, como puede ser ampliar catálogo ó abrir nuevos mercados, siempre teniendo en cuenta la liquidez que uno dispone
Me gustaMe gusta
marzo 25, 2014 a las 10:48 am |
[…] También recomendaría buscar un nicho de mercado o una especialización donde no compitan de frente con Amazon como, por ejemplo, algunos ecommerce donde he invertido: Deporvillage, Zacatrus, We Are Knitters, Mumumio… También suelo ofrecer recomendaciones en mi blog, como en este post de consejos para emprendedores o sobre el modelo de análisis de cohortes. […]
Me gustaMe gusta
abril 9, 2014 a las 7:31 am |
[…] todas madres que acaban de empezar a trabajar de nuevo?)… algo para lo que se puede utilizar un estudio de cohortes pero por funcionalidades. Y no nos engañemos, esto aplica exáctemente igual al mundo offline… […]
Me gustaMe gusta
abril 14, 2014 a las 3:05 am |
quien me ayuda!
Un cliente del , durante 5 años genera los flujos que se
presentan en la tabla
Los costos fijos anuales de atender al cliente son de 75 UM.
El costo de adquirir el cliente fue de $M 25 y su permanencia en la empresa se estima en 5 años. ¿Cuál es su LTV? Si la tasa de descuento de la empresa se ha fijado en un
15%.
Tabla N°.1 Ingresos Proyectados
Años 1 2 3 4 5
Monto[$M] 85 96 104 121 125 ( cada año respectivamente)
Me gustaMe gusta
abril 23, 2014 a las 3:16 pm |
[…] todas madres que acaban de empezar a trabajar de nuevo?)… algo para lo que se puede utilizar un estudio de cohortes pero por funcionalidades. Y no nos engañemos, esto aplica exáctemente igual al mundo offline… […]
Me gustaMe gusta
abril 25, 2014 a las 2:07 pm |
[…] que acaban de empezar a trabajar de nuevo?)… algo para lo que se puede utilizar un estudio de cohortes pero por funcionalidades. Y no nos engañemos, esto aplica exáctemente igual al […]
Me gustaMe gusta
May 2, 2014 a las 2:58 pm |
Hola François estoy poniéndome a realizar el cálculo del poquito tiempo que tengo (3 meses) y me pasa un pequeño problema. En uno de los meses el número de clientes nuevos es 0. Con lo cuál la división es incalculable. He hecho la trampa de poner 1 nuevo cliente y 0 nuevas compras pero no se si esto es lo adecuado.
Muchas gracias
Me gustaMe gusta
May 3, 2014 a las 11:28 pm |
Hola,
Tengo una duda: En las columnas C42:M42 se calcula «la media de las medias de compras por usuario» de cada periodo. No debería ser «el total de compras del periodo entre el total de usuarios existentes en el periodo»?
En ese caso, E42 (y demás celdas del estilo) deberían contener
=SUM(E5:E19)÷SUMIF(E5:E19;»»;$B5:$B19)
Quizás se entiende mejor con este ejemplo. No es lo mismo:
((2/1000) + (8/4))/2 = 1.001 <–la media de dos medias
que
((2+8) + (1000+4))/2 = 507 <–la suma de compras entre la suma de usuarios
Aunque quizás no he entendido realmente qué es el contenido de esas celdas.
Saludos,
Marc
Me gustaMe gusta
May 4, 2014 a las 8:32 pm |
Hola Marc, interesante pregunta. Creo que ambas posibilidades (media de las medias, o media general) valen, según el contexto.
En mi opinión para una startup es mejor hacer la media de las medias, para no dar más peso a los cohortes con más nuevos compradores sobre los otros.
A cambio, para una empresa más consolidada, con menos crecimiento, quizás sea más correcto hacer la media general como comentas, para estimar mejor el LTV.
Por otra parte, en caso de duda, lo que haría sería realizar ambos cálculos y miraría si el resultado difiere mucho o no, y por qué. Al final lo importante es entender los números, saber aprender de ellos, y saber hasta cuánto uno está dispuesto a pagar por un nuevo comprador.
Me gustaMe gusta
abril 8, 2015 a las 7:27 am |
yo también opino que debería ser una media ponderada, aun con la explicacion de François. Muchas gracias por compartir, excelente post!
Me gustaMe gusta
May 21, 2014 a las 11:18 am |
Excelente post François.
Me gustaMe gusta
May 28, 2014 a las 12:33 pm |
[…] Actualización 11/2013: Tercera y mejor parte en “Modelo de estudio de cohortes“ […]
Me gustaMe gusta
May 29, 2014 a las 2:40 pm |
Buenas tardes François, realmente un excelente aporte, primero que nada agradecerte. Dicho ésto, tengo una duda, en este modelo no se tienen en cuenta los pedidos que no sean de clientes nuevos? Es decir, dónde se calculan la totalidad de pedidos de clientes ya registrados por mes?.
Gracias de antemano.
Me gustaMe gusta
May 29, 2014 a las 2:47 pm |
Hola Ylenkuz, los pedidos de clientes existentes se cuentan en las columnas M+1 a M+… pero sólo para los cohortes (= mes de origen del cliente) que estás considerando.
Me gustaMe gusta
May 29, 2014 a las 3:10 pm
Ok, muchas gracias. Encantado del material, siempre que tengas material como éste seremos muy agradecidos de que lo compartas. Saludos!
Me gustaMe gusta
junio 4, 2014 a las 8:11 am |
[…] CAC < LTV: que este crecimiento se consiga con una inversión en marketing razonable: con un coste de adquisición de cliente inferior al lifetime value (ver post sobre el CAC y LTV). […]
Me gustaMe gusta
junio 6, 2014 a las 12:15 pm |
[…] explica muy bien el emprendedor y business angel François Derbaix en sus artículos: Modelo de estudio de cohortes y consejos de marketing para startups 1 y 2, que sin duda os recomiendo estudiar con […]
Me gustaMe gusta
julio 3, 2014 a las 9:01 am |
[…] un tiempo me recomendaron la lectura de un artículo de François Derbaix sobre cohortes que me iluminó y que os recomiendo a todos. La verdad es que nunca había oído a hablar de este […]
Me gustaMe gusta
julio 21, 2014 a las 2:38 pm |
[…] Entre mis blogs preferidos sobre Analítica están el de François Derbaix (muy bueno su post sobre el modelo de estudio de cohortes) y el de Ferriol […]
Me gustaMe gusta
agosto 28, 2014 a las 5:08 pm |
Hola Francois por favor podrías explicarme un poco más porque tomas los valores de «-0,031» y «1.003». A mi entender este rango lo defines a partir de los promedios obtenidos por los meses en recurrencia. Entonces, aquí viene mi planteamiento si yo reduzco la diferencia existente en el margen ( P.E. paso de «-0,31» a «-0.01» y «1.003» a «1.09» ) podré obtener resultados mas precisos o es indiferente?
Me gustaMe gusta
noviembre 14, 2014 a las 12:06 am |
Hola de nuevo François! te comenté en tu último post.
He lanzado hace poco un proyecto para la limpieza y plancha en el hogar (seguro que te suenan varios parecidos).
Se llama Clintu.es
Quería comentarte si a parte del CAC, no analizas también el coste de retener al cliente. Ofertas futuras etc. Consiguiendo bajar el churn con una mayor inversión en permanencia, quizá sacrificando adquisición.
¿Qué opinas?
Gracias!
Alex
Me gustaMe gusta
diciembre 8, 2014 a las 10:54 am |
[…] no es algo que sea sencillo de explicar, creo que lo mejor es que lo dejemos aquí y os envíe a un post que realizó François Derbaix donde ha confeccionado un Excel que os permitirá calcular la […]
Me gustaMe gusta
febrero 19, 2015 a las 10:45 am |
[…] En Internet, a menudo el principal problema que tenemos es decidir qué es “perder” a un usuario, ya que en muchos modelos lo habitual no es que se dé “activamente” de baja, sino símplemente que deje de venir… así que lo más común es definir una franja temporal (30 días, 90 días…etc, depende del negocio) y considerar que todo cliente que ha dejado de venir en ese periodo es un cliente perdido (algo muy complicado en los primeros tiempos de una startup, ya que no sabemos cuánto tiempo es normal que permanezcan los clientes). En cualquier caso la mejor forma de analizarlo es con un buen análisis de cohortes. […]
Me gustaMe gusta
May 21, 2015 a las 11:06 am |
[…] Muchos emplean el modelo de cohortes para estimar la recurrencia (aquí un muy buen post al respecto de François Derbaix), pero creo que hay que emplearlo con prudencia […]
Me gustaMe gusta
junio 28, 2015 a las 4:26 pm |
[…] no es algo que sea sencillo de explicar, creo que lo mejor es que lo dejemos aquí y os envíe a un post que realizó François Derbaix donde ha confeccionado un Excel que os permitirá calcular la […]
Me gustaMe gusta
agosto 25, 2015 a las 3:40 pm |
[…] todas madres que acaban de empezar a trabajar de nuevo?)… algo para lo que se puede utilizar un estudio de cohortes pero por funcionalidades. Y no nos engañemos, esto aplica exáctemente igual al mundo offline… […]
Me gustaMe gusta
agosto 31, 2015 a las 3:55 pm |
[…] la probabilidad de que un usuario nos vuelva a comprar en un periodo determinado. Te dejo este post explicativo de Francois Derbaix que además adjunta un excel para su […]
Me gustaMe gusta
septiembre 7, 2015 a las 9:57 pm |
[…] con el análisis de cohortes te recomiendo leer primero mi post de introducción al “Modelo de estudio de cohortes” […]
Me gustaMe gusta
septiembre 17, 2015 a las 8:07 am |
[…] todo se calcula por estimación: si tienes una y quieres comprender mejor las métricas, aquí y aquí están todas […]
Me gustaMe gusta
septiembre 22, 2015 a las 7:11 pm |
[…] En Internet, a menudo el principal problema que tenemos es decidir qué es “perder” a un usuario, ya que en muchos modelos lo habitual no es que se dé “activamente” de baja, sino símplemente que deje de venir… así que lo más común es definir una franja temporal (30 días, 90 días…etc, depende del negocio) y considerar que todo cliente que ha dejado de venir en ese periodo es un cliente perdido (algo muy complicado en los primeros tiempos de una startup, ya que no sabemos cuánto tiempo es normal que permanezcan los clientes). En cualquier caso la mejor forma de analizarlo es con un buen análisis de cohortes. […]
Me gustaMe gusta
noviembre 17, 2015 a las 8:06 am |
[…] no ha leído su famoso post sobre análisis de cohortes. Es un Excel a través del que puedes estimar el LTV (Life Time Value) de tus clientes, con […]
Me gustaMe gusta
junio 20, 2016 a las 8:01 am |
[…] * Si quieres hacer un excel rápido e indoloro para calcular el CLV, François Derbaix dejó este en su blog que me parece muy muy útil. […]
Me gustaMe gusta
junio 27, 2016 a las 8:05 pm |
Buenas François, Puede ser que la celda Z45 sea un 23 en lugar de un 22?
Un saludo y gracias.
Me gustaMe gusta
junio 27, 2016 a las 10:48 pm |
cierto, lo acabo de corregir, ¡gracias Alfonso!
Me gustaMe gusta
agosto 23, 2016 a las 3:48 pm
François, otra pregunta, disculpa: en el ejemplo del LTV de 35,2 que has puesto, si realmente te gastas los 35,2€ por cada cliente, no te queda margen bruto para cubrir los costes fijos, no?
Me gustaMe gusta
agosto 23, 2016 a las 4:02 pm
Hola Alfonso, gracias por preguntar. Así es: no dejas margen para cubrir los costes fijos (hará falta financiación para cubrirlos), pero maximizas el crecimiento e inviertes en mejorar tu margen de mañana (por el crecimiento del volumen y los probables efectos de escala, de experiencia o de red que tenga tu negocio).
Me gustaMe gusta
noviembre 9, 2016 a las 10:04 am
Gracias Françoix. Discúlpame porque tengo otra duda: en este ejemplo dices que no hay que incluir los costes de marketing en el margen bruto, pero en un marketplace los costes de marketing es normal que estén dentro del margen bruto,no?
Gracias!
Me gustaMe gusta
noviembre 9, 2016 a las 10:27 am |
Hola Alfonso, la idea es comparar el coste con el margen que te trae. Como tenemos en cuenta el coste de marketing en el CAC, entonces no hay que tenerlo en cuenta en el LTV (margen bruto x recurrencia). La idea es ¿Cuánto pago por un cliente y cuánto gano con un cliente? El coste d emarketing lo incluyes en la parte «Cuánto cuesta».
Me gustaMe gusta
diciembre 4, 2016 a las 6:13 am |
[…] En Internet, a menudo el principal problema que tenemos es decidir qué es “perder” a un usuario, ya que en muchos modelos lo habitual no es que se dé “activamente” de baja, sino símplemente que deje de venir… así que lo más común es definir una franja temporal (30 días, 90 días…etc, depende del negocio) y considerar que todo cliente que ha dejado de venir en ese periodo es un cliente perdido (algo muy complicado en los primeros tiempos de una startup, ya que no sabemos cuánto tiempo es normal que permanezcan los clientes). En cualquier caso la mejor forma de analizarlo es con un buen análisis de cohortes. […]
Me gustaMe gusta
enero 31, 2017 a las 7:00 pm |
[…] En Internet, a menudo el principal problema que tenemos es decidir qué es “perder” a un usuario, ya que en muchos modelos lo habitual no es que se dé “activamente” de baja, sino símplemente que deje de venir… así que lo más común es definir una franja temporal (30 días, 90 días…etc, depende del negocio) y considerar que todo cliente que ha dejado de venir en ese periodo es un cliente perdido (algo muy complicado en los primeros tiempos de una startup, ya que no sabemos cuánto tiempo es normal que permanezcan los clientes). En cualquier caso la mejor forma de analizarlo es con un buen análisis de cohortes. […]
Me gustaMe gusta
septiembre 4, 2017 a las 7:41 pm |
[…] En Internet, a menudo el principal problema que tenemos es decidir qué es “perder” a un usuario, ya que en muchos modelos lo habitual no es que se dé “activamente” de baja, sino símplemente que deje de venir… así que lo más común es definir una franja temporal (30 días, 90 días…etc, depende del negocio) y considerar que todo cliente que ha dejado de venir en ese periodo es un cliente perdido (algo muy complicado en los primeros tiempos de una startup, ya que no sabemos cuánto tiempo es normal que permanezcan los clientes). En cualquier caso la mejor forma de analizarlo es con un buen análisis de cohortes. […]
Me gustaMe gusta
noviembre 25, 2017 a las 7:08 pm |
[…] Si estáis interesados en realizar análisis de cohortes podáis aplicar algunas de las múltiples plantillas disponibles, por ejemplo, esta de Christoph Janz ) o esta otra que nos propone François Derbaix. […]
Me gustaMe gusta
abril 21, 2018 a las 12:52 pm |
[…] valor medio de cada compra o uso mensual de servicio. Para ayudarte, elabora también tu particular modelo de cohortes y encuentra la recurrencia estimada de los clientes en los próximos meses para poder estimar el […]
Me gustaMe gusta
febrero 17, 2019 a las 5:51 am |
Gracias por compartir su sabiduría!!!
Agradezco la respuesta a las siguiente preguntas: Para una retail que fabrica y vende productos (Cerámicas, baldosas, pegantes, alfombras, tapetes, pinturas, baños, grifería) para la construcción y/o remodelación de vivienda/oficinas:
1. Cuántos meses históricos me recomienda tomar?. Existe algún método para determinarlos?
2. Cómo cálculo la estacionalidad?
Agradezco me diga si entendí bien:
1) La celda «B12» igual «255», son los nuevos clientes que compraron en el mes «Abr13».
2) Celda H7 igual «6», es la cantidad de pedidos que hicieron en Abr13 los 37 clientes nuevos que ingresaron en Nov12. ¿si es cierto?
3) La celda D30 igual a «0.25», quiere decir, que el 25% de los clientes nuevos que ingresaron en «Mar13» hicieron de nuevo una compra en el mes de «Abr13», ¿si es cierto?
4) Celda AA42 igual 1,76, quiere decir que un cliente nuevo hará 1,76 pedidos en los próximos 12 meses? o qué quiere decir 1,76.
5) Me podría explicar cómo llego a la ecuación y=-0,031ln(x)+0,1003
Mis más sinceros agradecimientos por su respuesta.
Me gustaMe gusta
junio 19, 2019 a las 12:32 pm |
[…] Aquí realmente la clave es la recurrencia, lo que indica cuántas veces repite el cliente, algo que nos puede llegar a engaño en muchos casos (ya sea porque no tenemos histórico o porque el negocio tiene mucha variación)… pero sin duda la mejor forma de calcularla (si tenemos histórico) es con modelos de cohortes. […]
Me gustaMe gusta
julio 30, 2019 a las 9:08 am |
[…] Ya en 2013 el gran François Derbaix (fundador de Top Rural y ahora uno de los mejores Business Angels de nuestro país) compartía sus reflexiones y trabajo sobre el análisis de cohortes aplicado al eCommerc…. […]
Me gustaMe gusta
octubre 4, 2019 a las 6:43 pm |
[…] Aquí realmente la clave es la recurrencia, lo que indica cuántas veces repite el cliente, algo que nos puede llegar a engaño en muchos casos (ya sea porque no tenemos histórico o porque el negocio tiene mucha variación)… pero sin duda la mejor forma de calcularla (si tenemos histórico) es con modelos de cohortes. […]
Me gustaMe gusta
enero 17, 2021 a las 10:44 am |
[…] es donde entran en juego los análisis de cohortes para estimar la recurrencia que, por cierto, también se puede hacer con un plugin para Google […]
Me gustaMe gusta
marzo 10, 2021 a las 11:26 am |
[…] Here really the key is recurrence, which indicates how many times the client repeats, something that can deceive us in many cases (either because we don’t have history or because the business has a lot of variation) … but without a doubt the best way to calculate it (if we have a history) is with cohort models. […]
Me gustaMe gusta
febrero 15, 2022 a las 9:02 am |
[…] Precisamente, éste es el caso de uso que plantea François Derbaix en su blog. […]
Me gustaMe gusta