تحلیل کوهورت (Customer Cohort Analysis) چیست؟

تحلیل کوهورت مشتریان (Customer Cohort Analysis) روشی برای بررسی رفتار گروه هایی از مشتریان با نقطه شروع مشترک در طول زمان است. برای مثال، مشتریانی که اولین خرید معتبر خود را در فروردین انجام داده اند، یک کوهورت هستند. با دنبال کردن خریدهای بعدی این گروه، می توانید ببینید چه تعداد از آنها در اردیبهشت، خرداد و ماه های بعد دوباره خرید کرده اند.

کوهورت (Cohort) را می توان «گروه هم آغاز» دانست. ویژگی مهم این گروه، داشتن یک نقطه شروع مشخص است؛ مانند اولین خرید، آغاز اشتراک یا اولین دریافت یک خدمت. تحلیل کوهورت نشان می دهد رفتار این گروه پس از آن نقطه شروع چگونه تغییر می کند.

برای یک فروشگاه اینترنتی، پرسش کاربردی این است: از مشتریانی که در یک ماه برای اولین بار خرید کرده اند، چند نفر در ماه های بعد دوباره خرید می کنند؟ پاسخ به این پرسش کمک می کند عملکرد کسب و کار را پس از جذب مشتری نیز بررسی کنید.

کوهورت مشتریان چگونه تشکیل می شود؟

برای تشکیل یک کوهورت، ابتدا باید مشخص کنید چه رویدادی مشتری را وارد گروه می کند. در این مقاله، معیار ورود را «اولین خرید معتبر» در نظر می گیریم. خرید معتبر نیز باید بر اساس یک تعریف مشخص، مانند سفارش با پرداخت موفق و بدون لغو، شناسایی شود.

سپس مشتریان را بر اساس دوره وقوع اولین خریدشان گروه بندی می کنید:

زمان اولین خرید معتبر	گروه مشتری
فروردین	کوهورت فروردین
اردیبهشت	کوهورت اردیبهشت
خرداد	کوهورت خرداد

مشتری با خریدهای بعدی، از گروه اولیه خود خارج نمی شود. اگر اولین خرید او در فروردین بوده و در خرداد دوباره خرید کند، همچنان عضو کوهورت فروردین است. خرید خرداد، بخشی از رفتار بعدی همان گروه محسوب می شود.

همچنین، هر مشتری در اندازه اولیه گروه فقط یک بار شمرده می شود. مشتری دارای سه سفارش، سه مشتری نیست. این تفاوت ساده، پایه محاسبه درست نرخ خرید مجدد است.

فرض کنید فروشگاهی در فروردین ۱۰۰ مشتری با اولین خرید معتبر دارد. از این گروه، ۲۰ مشتری در اردیبهشت حداقل یک خرید دیگر انجام می دهند. بنابراین، نرخ خرید مجدد این گروه در ماه تقویمی بعد از ورود، ۲۰ درصد است. این عدد درباره همان ۱۰۰ مشتری صحبت می کند. مشتریان جدید اردیبهشت در محاسبه آن وارد نمی شوند.

چرا فروش کل، رفتار مشتریان قبلی را نشان نمی دهد؟

فروش کل به شما نشان می دهد در یک دوره چقدر درآمد داشته اید، اما به تنهایی مشخص نمی کند این درآمد چگونه میان مشتریان جدید و قبلی تقسیم شده است.

ممکن است فروش افزایش پیدا کند، در حالی که مشتریان قبلی کمتر بازمی گردند. جذب تعداد زیادی مشتری جدید می تواند کاهش خرید مجدد را در گزارش کلی پنهان کند.

برای روشن شدن موضوع، این مثال را در نظر بگیرید:

شاخص	دوره اول	دوره دوم
فروش به مشتریان جدید	۸۰ میلیون تومان	۱۲۰ میلیون تومان
فروش به مشتریان قبلی	۴۰ میلیون تومان	۳۰ میلیون تومان
فروش کل	۱۲۰ میلیون تومان	۱۵۰ میلیون تومان

فروش کل افزایش یافته است، اما فروش به مشتریان قبلی کاهش دارد. این جدول هنوز ثابت نمی کند نرخ خرید مجدد پایین آمده است. مبلغ سفارش، تعداد مشتریان و ترکیب محصولات نیز ممکن است تغییر کرده باشند. با این حال، نشان می دهد رشد فروش کل برای ارزیابی رفتار مشتریان قبلی کافی نیست.

تحلیل کوهورت کمک می کند پرسش دقیق تری مطرح کنید: مشتریان هر دوره جذب، پس از گذشت زمان چه رفتاری دارند؟ آیا گروه جدید در ماه بعد بیشتر بازمی گردد؟ آیا گروه های قدیمی همچنان خرید می کنند؟ آیا تفاوت مشاهده شده به بررسی بیشتری نیاز دارد؟

این تحلیل، محل بررسی را روشن می کند، اما علت رفتار را به تنهایی توضیح نمی دهد. کاهش خرید مجدد ممکن است با چرخه مصرف محصول، موجودی، تخفیف، کانال جذب یا تجربه پس از خرید ارتباط داشته باشد. برای تشخیص علت، باید داده های تکمیلی و بازخورد مشتریان را نیز بررسی کنید.

ارزش عملی تحلیل کوهورت از همین جا آغاز می شود. به جای تکیه بر یک عدد کلی، رفتار گروه های مشخص را دنبال می کنید و برای تصمیم بعدی، پرسش قابل بررسی می سازید.

تحلیل کوهورت با RFM، ارزش طول عمر و نقشه سفر مشتری چه تفاوتی دارد؟

تحلیل کوهورت، رفتار گروه های مشتریان را در طول زمان بررسی می کند. تحلیل RFM مشتریان را بر اساس سابقه خرید دسته بندی می کند؛ ارزش طول عمر مشتری به ارزش اقتصادی رابطه می پردازد و نقشه سفر مشتری، مسیر تجربه و نقاط تماس را نشان می دهد. این روش ها به پرسش های متفاوتی پاسخ می دهند و می توانند در کنار یکدیگر استفاده شوند.

انتخاب روش مناسب، به مسئله شما بستگی دارد. اگر می خواهید بدانید مشتریان جذب شده در هر ماه چقدر دوباره خرید می کنند، تحلیل کوهورت کاربرد دارد. اگر هدف، انتخاب مشتریان مناسب برای یک پیشنهاد بازاریابی باشد، ممکن است به بخش بندی RFM نیاز داشته باشید.

هر روش به چه پرسشی پاسخ می دهد؟

روش	پرسش اصلی	نمونه کاربرد
تحلیل کوهورت	مشتریان با نقطه شروع مشترک، در گذر زمان چه رفتاری دارند؟	مقایسه خرید مجدد مشتریان اولین خرید فروردین و اردیبهشت
تحلیل RFM	مشتریان بر اساس تازگی، تکرار و مبلغ خرید چگونه دسته بندی می شوند؟	شناسایی مشتریان پرتکرار یا مشتریانی که مدت زیادی خرید نکرده اند
ارزش طول عمر مشتری	رابطه با مشتری چه ارزش اقتصادی دارد؟	برآورد ارزش رابطه برای تصمیم گیری درباره هزینه جذب و حفظ مشتری
نقشه سفر مشتری	مشتری چه مراحل و نقاط تماسی را تجربه می کند؟	بررسی ابهام ها و مشکلات مسیر خرید، دریافت محصول و پشتیبانی

تحلیل تازگی، تکرار و مبلغ خرید (Recency, Frequency, Monetary؛ RFM) بر سه ویژگی سابقه خرید تکیه دارد:

• تازگی خرید: چه مدت از آخرین خرید مشتری گذشته است؟
• تکرار خرید: مشتری در بازه مورد بررسی چند بار خرید کرده است؟
• مبلغ خرید: مشتری در همان بازه چه مبلغی خرید کرده است؟

در RFM، زمان ارزیابی و بازه بررسی اهمیت دارند. مشتری ممکن است امروز در گروه خریداران فعال قرار بگیرد و چند ماه بعد، با فاصله گرفتن از آخرین خرید، به گروه دیگری منتقل شود. اما در تحلیل کوهورت بر اساس اولین خرید، گروه اولیه او ثابت می ماند.

دو مشتری که اولین خرید خود را در فروردین انجام داده اند و عضو یک کوهورت هستند. یکی از آنها در ماه های بعد چند بار خرید می کند و دیگری دیگر خریدی ندارد. عضویت کوهورت آنها یکسان است، اما وضعیت RFM آنها می تواند متفاوت باشد.

ارزش طول عمر مشتری (Customer Lifetime Value؛ CLV) درباره ارزش اقتصادی رابطه با مشتری است. برای استفاده درست از این شاخص باید روشن کنید ارزش را بر اساس چه چیزی می سنجید: درآمد، حاشیه سود یا سود پس از هزینه های مرتبط؟ افق زمانی و فرض های پیش بینی نیز باید مشخص باشند.

جدول کوهورت می تواند اطلاعاتی درباره الگوی خرید و ماندگاری مشتریان فراهم نماید، اما به تنهایی CLV را محاسبه نمی کند. پیش بینی خریدهای آینده و تبدیل آنها به ارزش اقتصادی، به داده و فرض های بیشتری نیاز دارد. پژوهش های تحلیل پایگاه مشتری نیز رفتار خرید را به عنوان ورودی محاسبات ارزش مشتری بررسی می کنند.

نقشه سفر مشتری (Customer Journey Map) مسیر تعامل مشتری با کسب و کار را نمایش می دهد؛ از آشنایی و بررسی گزینه ها تا خرید، دریافت محصول و خدمات پس از فروش. این نقشه برای شناسایی نقاط تماس، نیازها و مسائل تجربه کاربرد دارد.

تحلیل کوهورت ممکن است نشان دهد خرید مجدد یک گروه کمتر شده است. نقشه سفر مشتری می تواند به بررسی تجربه همان گروه کمک کند. آیا ارسال با تاخیر همراه بوده؟ آیا مشتری برای استفاده از محصول راهنمای کافی داشته است؟ پاسخ این پرسش ها باید با داده و بازخورد بررسی شود؛ خود نقشه سفر نیز علت افت را اثبات نمی کند.

چرا جدول کوهورت به تنهایی وفاداری یا سودآوری را اثبات نمی کند؟

خرید مجدد، یک رفتار قابل مشاهده است، اما از روی آن نمی توان تمام ابعاد رابطه مشتری با برند را نتیجه گرفت.

دو گروه، هر کدام ۱۰۰ مشتری دارند و در ماه بعد، ۲۰ مشتری از هر گروه دوباره خرید می کنند. نرخ خرید مجدد هر دو گروه ۲۰ درصد است. با این حال، ممکن است گروه اول با قیمت عادی خرید کرده باشد و گروه دوم فقط با تخفیف سنگین بازگشته باشد. مبلغ سفارش، حاشیه سود و هزینه خدمت رسانی آنها نیز می تواند متفاوت باشد.

بنابراین، نرخ یکسان خرید مجدد به معنای ارزش اقتصادی یکسان نیست. برای ارزیابی سودآوری باید اطلاعات مالی مرتبط را نیز در نظر بگیرید.

خرید دوباره همچنین به تنهایی نشانه قطعی رضایت یا وفاداری نیست. مشتری ممکن است به دلیل نیاز فوری، نبود گزینه جایگزین یا یک پیشنهاد موقت بازگردد. برای شناخت رابطه او با برند، بررسی رضایت، بازخورد و دلایل انتخاب نیز لازم است.

هنگام انتخاب روش، ابتدا پرسش خود را دقیق بنویسید. برای مقایسه رفتار گروه ها در طول زمان، از کوهورت استفاده کنید. برای بخش بندی بر اساس سابقه خرید، RFM را بررسی کنید. برای سنجش ارزش اقتصادی، به CLV بپردازید و برای شناخت مسیر تجربه، نقشه سفر مشتری را به کار بگیرید. ترکیب این روش ها زمانی مفید است که هر کدام به یک پرسش مشخص پاسخ دهند.

مشتریان را بر چه اساسی وارد کوهورت کنیم؟

معیار ورود به کوهورت باید رویدادی مشخص، قابل ثبت و متناسب با پرسش شما باشد. اگر هدف، بررسی خرید مجدد است، اولین خرید معتبر نقطه شروع مناسبی است. برای بررسی حفظ اشتراک، آغاز اشتراک اهمیت دارد و برای تحلیل استفاده از یک خدمت، ممکن است اولین دریافت خدمت مبنا قرار بگیرد.

پیش از ساخت جدول، این جمله را کامل کنید:

«می خواهیم رفتار مشتریانی را بررسی کنیم که برای اولین بار …….. را انجام داده اند.»

پاسخ شما باید روشن باشد. عبارت هایی مانند «مشتریان جدید» کافی نیستند؛ چون جدید بودن ممکن است به اولین بازدید، ثبت نام، اولین پرداخت یا اولین خرید اشاره کند. هر تعریف، گروه متفاوتی می سازد و به پرسش متفاوتی پاسخ می دهد.

اولین خرید، شروع اشتراک یا اولین دریافت خدمت؟

نقطه شروع را بر اساس رفتار مورد بررسی انتخاب کنید:

پرسش کسب و کار	رویداد ورود پیشنهادی	رویدادی که بعدا بررسی می شود
مشتریان فروشگاه چقدر دوباره خرید می کنند؟	اولین خرید معتبر	خرید معتبر بعدی
مشترکان چقدر در رابطه باقی می مانند؟	آغاز اشتراک پولی	ادامه اشتراک یا تمدید، طبق تعریف مشخص
دریافت کنندگان یک خدمت چقدر دوباره مراجعه می کنند؟	اولین دریافت خدمت	مراجعه بعدی واجد شرایط
کاربران تازه وارد چقدر به سایت بازمی گردند؟	اولین بازدید ثبت شده	بازدید یا فعالیت بعدی

گروه ردیف آخر، کوهورت کاربران سایت است و لزوما کوهورت مشتریان خریدار نیست. بازگشت به سایت نیز با خرید مجدد تفاوت دارد.

در کسب و کار خدماتی، باید میان خرید خدمت و دریافت آن تمایز بگذارید. برای مثال، اگر مشتری یک بسته شش جلسه ای خریده باشد، شرکت در جلسه دوم، استفاده از همان خرید قبلی است. این رویداد را نباید بدون توضیح، خرید مجدد بنامید. البته اگر پرسش شما درباره ادامه حضور در جلسات باشد، همین رویداد می تواند معیار پیگیری مناسبی باشد.

در این مقاله، معیار ورود را اولین خرید معتبر مشتری در نظر می گیریم. هر مشتری بر اساس زمان وقوع این خرید، وارد یک گروه می شود و خریدهای بعدی او در همان گروه دنبال می شوند.

برای اجرای این تعریف، باید بتوانید اولین خرید را از تاریخچه سفارش ها تشخیص دهید. اگر فقط سفارش های چند ماه اخیر را دارید، ممکن است اولین خریدی که در فایل می بینید، خرید اول واقعی مشتری نباشد. روش برخورد با این محدودیت را در بخش آماده سازی داده بررسی می کنیم.

گروه بندی زمانی و رفتاری چه تفاوتی دارند؟

در کوهورت زمانی (Time-based Cohort)، مشتریان بر اساس دوره وقوع رویداد شروع دسته بندی می شوند. برای مثال، مشتریان دارای اولین خرید در فروردین یک گروه و مشتریان دارای اولین خرید در اردیبهشت گروه دیگری هستند.

این دسته بندی به شما کمک می کند رفتار گروه های ورودی را در مراحل بعدی مقایسه کنید. البته برای مقایسه درست، باید سن گروه ها و شرایط تقویمی را نیز در نظر بگیرید، موضوعی که در بخش انتخاب بازه زمانی توضیح داده می شود.

در کوهورت رفتاری (Behavioral Cohort)، یک رفتار مشخص نیز در تعریف گروه نقش دارد. در تحلیل خرید مجدد، می توانید گروه زمانی را بر اساس ویژگی های اولین خرید به زیرگروه های قابل مقایسه تقسیم کنید؛ مانند:

• دسته محصول در اولین سفارش.
• استفاده یا عدم استفاده از تخفیف در اولین خرید.
• خرید از سایت یا شعبه حضوری.
• کانال جذب، با تعریف مشخص روش انتساب.

صرف دسته بندی مشتریان بر اساس شباهت رفتار، تحلیل کوهورت را کامل نمی کند. نقطه شروع و نحوه دنبال کردن گروه در طول زمان نیز باید مشخص باشند.

مثلا مشتریان اولین خرید اردیبهشت را به دو زیرگروه تقسیم می کنید: افرادی که در سفارش نخست از تخفیف استفاده کرده اند و افرادی که بدون تخفیف خرید کرده اند. سپس خرید مجدد هر زیرگروه را در ماه بعد بررسی می کنید.

در این مقایسه، دوره ورود مشترک است و وضعیت تخفیف از همان سفارش نخست مشخص می شود. با این حال، تفاوت نرخ خرید مجدد هنوز اثر قطعی تخفیف را اثبات نمی کند. نوع محصول، مبلغ سفارش و ترکیب مشتریان نیز ممکن است متفاوت باشند.

چرا ویژگی های آینده نباید با ویژگی های اولیه اشتباه شوند؟

ویژگی مورد استفاده برای مقایسه باید با زمان پرسش شما هماهنگ باشد. اگر می خواهید بررسی کنید شرایط اولین خرید با بازگشت بعدی چه ارتباطی دارد، ویژگی گروه بندی باید هنگام همان خرید مشخص باشد.

برای مثال، گروه «مشتریانی که در سه ماه بعد حداقل سه بار خرید کردند» بر اساس رفتار آینده ساخته شده است. طبیعی است که این گروه خرید مجدد بیشتری داشته باشد، چون همین رفتار، شرط ورود به گروه بوده است.

چنین دسته بندی می تواند برای توصیف مشتریان پرتکرار مفید باشد، اما به تنهایی نشان نمی دهد کدام ویژگی اولیه باعث خرید بیشتر شده است. استفاده از اطلاعات آینده برای پاسخ به یک پرسش درباره شرایط اولیه، می تواند تحلیل را گمراه کند.

پیش از محاسبه، تعریف گروه خود را در یک جمله ثبت کنید. برای مثال:

«این کوهورت شامل مشتریان یکتایی است که اولین خرید معتبر آنها در اردیبهشت رخ داده است و خرید مجدد آنها در ماه های بعد بررسی می شود.»

اگر زیرگروهی می سازید، ویژگی آن و زمان اندازه گیری را نیز به همین جمله اضافه کنید. این تعریف کوتاه، مبنای ساخت جدول و تفسیر تمام درصدهای بعدی خواهد بود.

برای تحلیل کوهورت چه داده ای لازم داریم؟

حداقل داده لازم برای تحلیل کوهورت خرید مجدد، شامل شناسه پایدار مشتری، شناسه یکتای سفارش، تاریخ خرید و اطلاعات تعیین اعتبار سفارش است. با این داده ها می توانید اولین خرید هر مشتری را شناسایی کنید، گروه اولیه او را بسازید و خریدهای بعدی را دنبال کنید.

داده مناسب، بهتر است در سطح سفارش باشد، یعنی بتوانید هر سفارش را به یک مشتری و یک زمان مشخص متصل کنید. گزارشی که فقط فروش کل هر ماه را نشان می دهد، برای محاسبه تعداد مشتریان یکتای بازگشته کافی نیست.

داده	کاربرد در تحلیل	نکته مهم
شناسه مشتری (Customer ID)	اتصال خریدهای یک مشتری در طول زمان	باید در سفارش های مختلف قابل پیگیری باشد
شناسه سفارش (Order ID)	تشخیص سفارش مستقل و حذف ثبت تکراری	چند ردیف محصول ممکن است متعلق به یک سفارش باشند
تاریخ و زمان خرید	تعیین دوره ورود و زمان خریدهای بعدی	مبنای تاریخ و منطقه زمانی مشخص باشد
وضعیت سفارش	شناسایی خرید معتبر	پرداخت ناموفق، لغو و مرجوعی طبق سیاست مشخص بررسی شوند

مشتری یکتا و خرید معتبر را چگونه تعریف کنیم؟

مشتری یکتا (Unique Customer) در این تحلیل، واحدی است که خریدهایش را با یک شناسه پایدار دنبال می کنید. پیش از محاسبه باید روشن کنید این شناسه نماینده شخص، حساب کاربری یا شرکت خریدار است.

برای مثال، در فروشگاه مصرفی ممکن است مشتری را در سطح حساب خریدار بررسی کنید. در فروش پروژه ای، شاید واحد مناسب، شرکت مشتری باشد. این دو تعریف را نباید بدون توضیح در یک گزارش ترکیب کنید.

نام مشتری به تنهایی شناسه قابل اتکایی نیست. دو نفر ممکن است نام یکسان داشته باشند و نام یک نفر نیز با شکل های مختلف ثبت شود. همچنین، یک مشتری ممکن است بخشی از سفارش ها را با حساب کاربری و بخشی را به صورت مهمان ثبت کرده باشد.

اگر امکان اتصال قابل اتکای این سفارش ها وجود ندارد، محدودیت را ثبت کنید. ادغام مشتریان بر اساس شباهت نام یا اطلاعات تماس، بدون قاعده مشخص، می تواند افراد متفاوت را یک نفر فرض کند.

خرید معتبر (Valid Purchase) نیز باید پیش از تحلیل تعریف شود. برای مثال، ممکن است در گزارش خود، سفارش دارای پرداخت موفق و بدون لغو یا مرجوعی کامل را خرید معتبر بدانید. این تعریف باید با فرایند واقعی فروشگاه شما هماهنگ باشد، مخصوصا اگر پرداخت در محل، فروش اعتباری یا پیش پرداخت دارید.

چند مورد نیازمند تصمیم روشن هستند:

• پرداخت ناموفق یا سفارش لغو شده، خرید نهایی محسوب نشود.
• سفارش آزمایشی و ثبت تکراری از داده تحلیلی حذف شود.
• تعویض یا ارسال جایگزین، بدون معامله جدید، خرید مجدد شمرده نشود.
• سیاست مرجوعی کامل و جزئی مشخص باشد.

در مرجوعی جزئی، ممکن است سفارش همچنان خرید معتبر محسوب شود، اما مبلغ درآمد آن تغییر کند. بنابراین، اعتبار خرید برای شمارش مشتری و مبلغ خرید برای تحلیل اقتصادی، دو موضوع مرتبط اما جدا هستند.

مثال: یک مشتری سه سفارش معتبر دارد و هر سفارش شامل دو محصول است. فایل محصولات ممکن است شش ردیف داشته باشد، اما شما با یک مشتری و سه سفارش مواجه هستید. در اندازه اولیه کوهورت، این مشتری یک بار شمرده می شود. در هر دوره بازگشت نیز، صرف نظر از تعداد سفارش های همان دوره، فقط یک مشتری بازگشته است.

اولین خرید واقعی با اولین خرید مشاهده شده چه تفاوتی دارد؟

اولین خرید واقعی، نخستین خرید معتبر مشتری در کل تاریخچه قابل اتکای کسب و کار است. اولین خرید مشاهده شده، نخستین خریدی است که در داده در دسترس شما دیده می شود. این دو همیشه یکسان نیستند.

فرض کنید فقط سفارش های فروردین تا تیر را دریافت کرده اید. مشتری در فروردین یک سفارش دارد و شما آن را اولین خرید تشخیص می دهید. اما اگر همین مشتری در اسفند سال قبل نیز خرید کرده باشد، مشتری جدید فروردین نیست.

برای جلوگیری از این خطا، ترتیب کار اهمیت دارد:

1. تاریخچه معتبر در دسترس را بررسی کنید.
2. اولین خرید هر مشتری را در همان تاریخچه پیدا کنید.
3. سپس مشتریانی را انتخاب کنید که اولین خرید آنها در دوره تحلیل قرار دارد.

اگر ابتدا سفارش های قدیمی را حذف کنید و بعد اولین خرید را بیابید، ممکن است مشتریان قبلی را به اشتباه وارد گروه مشتریان جدید کنید.

وقتی تاریخچه کامل در دسترس نیست، محدودیت را در عنوان یا توضیح گزارش بیاورید. برای مثال:

«کوهورت بر اساس اولین خرید مشاهده شده در داده موجود؛ تاریخچه پیش از فروردین در دسترس نیست.»

اگر سامانه فروش، تاریخ اولین خرید مشتری را جداگانه نگهداری می کند، آن اطلاعات نیز می تواند کمک کند، به شرط آنکه تعریف و سابقه ثبت آن قابل بررسی باشد. داشتن چند ماه سابقه بدون خرید، به تنهایی ثابت نمی کند مشتری هرگز پیش از آن خرید نکرده است.

کیفیت داده را چگونه کنترل کنیم؟

پیش از ساخت جدول، چند کنترل ساده انجام دهید. این مرحله برای جلوگیری از تولید درصدهای دقیق اما گمراه کننده ضروری است.

کنترل	پرسش اجرایی
سفارش تکراری	آیا یک شناسه سفارش چند بار ثبت شده است؟
شناسه خالی	آیا سفارش معتبر بدون شناسه قابل پیگیری مشتری داریم؟
هویت مشتری	آیا یک مشتری چند شناسه دارد یا یک شناسه به چند مشتری متصل شده است؟
اعتبار خرید	آیا وضعیت پرداخت، لغو و مرجوعی با تعریف گزارش هماهنگ است؟
تاریخ	آیا تاریخ نامعتبر، تاریخ آینده یا تفاوت منطقه زمانی وجود دارد؟
تطبیق با سامانه فروش	آیا تعداد سفارش های معتبر با گزارش مبدا سازگار است؟

شناسه خالی را برای همه سفارش ها یک مشتری مشترک در نظر نگیرید. سفارش های بدون هویت قابل پیگیری باید جدا بررسی شوند و میزان پوشش داده در گزارش مشخص باشد.

همچنین، مشتریانی را که خرید مجدد ندارند از داده پایه حذف نکنید. این افراد بخشی از گروه اولیه و مخرج نرخ خرید مجدد هستند. حذف آنها، نرخ بازگشت را به صورت مصنوعی بالا می برد.

پس از آماده شدن داده اصلی، اطلاعات تکمیلی را برای تفسیر بهتر اضافه کنید: دسته محصول، مبلغ خرید با واحد پول مشخص، تخفیف، کانال جذب، زمان ارسال و ارتباط با پشتیبانی. همه این اطلاعات برای ساخت نخستین جدول ضروری نیستند، اما می توانند به بررسی تفاوت گروه ها کمک کنند.

خروجی این مرحله باید یک مجموعه سفارش قابل پیگیری، تعریف مکتوب مشتری و خرید معتبر، و یادداشت محدودیت تاریخچه باشد. سپس می توانید بازه زمانی مناسب را انتخاب کنید و جدول کوهورت را بسازید.

بازه هفتگی یا ماهانه را چگونه انتخاب کنیم؟

بازه تحلیل کوهورت را بر اساس چرخه خرید، کسب و کار و مدت داده در دسترس انتخاب کنید. اگر خرید معمولا با فاصله چند هفته انجام می شود، تحلیل ماهانه می تواند نقطه شروع مناسبی باشد. برای خریدهای پرتکرار، بازه هفتگی ممکن است جزئیات مفیدتری نشان دهد. در محصولات دیرخرید، نبود خرید مجدد طی یک ماه به تنهایی نشانه مشکل نیست.

چرخه خرید (Purchase Cycle) به فاصله معمول میان خریدهای مرتبط اشاره دارد. این فاصله برای همه مشتریان و محصولات یکسان نیست. بنابراین، پیش از انتخاب بازه، سابقه سفارش ها و ماهیت مصرف محصول را بررسی کنید.

برای فروشگاه محصولات مصرفی خانه، خرید بعدی ممکن است پس از چند هفته رخ دهد. اما خریدار یک وسیله بادوام، شاید تا مدت زیادی به خرید همان نوع محصول نیاز نداشته باشد. استفاده از یک بازه ماهانه یکسان برای قضاوت درباره این دو رفتار، می تواند نتیجه گمراه کننده ای ایجاد کند.

وضعیت کسب و کار	بازه قابل بررسی	نکته تفسیری
خریدهای پرتکرار در فاصله کوتاه	هفتگی	تغییرات کوتاه مدت و نوسان های تقویمی اهمیت بیشتری دارند
خریدهای تکرارشونده با فاصله چند هفته	ماهانه	برای گزارش مدیریتی و دنبال کردن گروه ها مناسب است
خریدهای فصلی یا دیرهنگام	بازه طولانی تر، متناسب با رفتار خرید	فرصت کافی برای وقوع خرید بعدی لازم است
اشتراک با تمدید مشخص	دوره تمدید قرارداد	حفظ اشتراک باید با زمان واقعی تمدید هماهنگ باشد

این جدول، پیشنهاد شروع است و معیار ثابت برای همه کسب و کارها نیست. اگر چند دسته محصول با چرخه های متفاوت دارید، تحلیل جداگانه آنها می تواند از تفسیر نادرست نرخ کلی جلوگیری کند.

سن کوهورت با زمان تقویمی چه تفاوتی دارد؟

سن کوهورت (Cohort Age) نشان می دهد چند دوره از دوره ورود گروه گذشته است. در حالی که زمان تقویمی نشان می دهد رفتار در کدام هفته یا ماه رخ داده است.

در تحلیل ماهانه تقویمی، ماه صفر، ماه اولین خرید است. ماه یک، ماه تقویمی بعد از آن و ماه دو، دومین ماه تقویمی پس از ورود است.

گروه مشتریان	ماه صفر	ماه یک	ماه دو
اولین خرید فروردین	فروردین	اردیبهشت	خرداد
اولین خرید اردیبهشت	اردیبهشت	خرداد	تیر
اولین خرید خرداد	خرداد	تیر	مرداد

این تفاوت برای مقایسه گروه ها ضروری است. اگر بخواهید رفتار آنها را در مرحله مشابهی بررسی کنید، باید ماه یک را با ماه یک مقایسه کنید؛ نه ماه سوم یک گروه قدیمی را با ماه اول یک گروه تازه.

با این حال، برابر بودن سن کوهورت، شرایط تقویمی را برابر نمی کند. ماه یک گروه فروردین در اردیبهشت رخ داده، اما ماه یک گروه اردیبهشت در خرداد است. فصل، تعطیلات، موجودی محصول یا کمپین های این دو ماه ممکن است متفاوت باشند.

بنابراین، دو پرسش جدا دارید:

• مقایسه در سن برابر: گروه های مختلف پس از گذشت یک دوره چه رفتاری دارند؟
• بررسی در زمان تقویمی برابر: در یک ماه مشخص، رفتار گروه های مختلف چگونه بوده است؟

برای مثال، اگر چند گروه در یک ماه تقویمی خرید کمتری داشته باشند، بررسی موجودی یا شرایط همان ماه می تواند مفید باشد. این الگو یک سرنخ است و به تنهایی علت کاهش خرید را اثبات نمی کند.

ماه تقویمی با بازه ۳۰ روز پس از خرید چه تفاوتی دارد؟

ماه تقویمی بر مرزهای تقویم تکیه دارد. بازه ۳۰ روزه پس از خرید، برای هر مشتری از زمان اولین خرید او آغاز می شود. این دو تعریف را نباید به جای یکدیگر استفاده کنید.

فرض کنید دو مشتری در روز اول و روز آخر فروردین، اولین خرید خود را انجام داده اند. هر دو عضو کوهورت فروردین هستند، اما فرصت یکسانی برای خرید دوم در همان ماه ندارند. مشتری اول تقریبا یک ماه فرصت داشته و مشتری دوم فرصت بسیار کوتاهی داشته است.

همچنین، خرید در «ماه یک» لزوما خرید بین روزهای ۳۰ تا ۶۰ پس از اولین سفارش نیست. در روش تقویمی، ماه یک فقط به ماه بعد از ماه ورود اشاره دارد.

اگر پرسش شما این باشد که «چند درصد مشتریان طی ۳۰ روز پس از اولین خرید دوباره خرید می کنند؟»، باید برای هر مشتری یک پنجره مشاهده (Observation Window) مستقل تعریف کنید.

مرز این پنجره نیز باید روشن باشد. برای مثال:

«خرید مجدد معتبر پس از سفارش نخست و تا پایان ۳۰ روز بعد از زمان آن بررسی می شود.»

در اجرای داده، زمان سفارش نخست، نحوه محاسبه روزها و شمول مرز پایانی باید یکسان اعمال شوند. این دقت از تفاوت ناخواسته میان گزارش های مختلف جلوگیری می کند.

انتخاب میان دو روش به پرسش شما بستگی دارد. ماه تقویمی برای دنبال کردن گروه های ورودی و ارتباط دادن رفتار با رویدادهای ماهانه مفید است. پنجره ثابت پس از خرید، برای سنجش بازگشت در فاصله زمانی مشخص از خرید هر مشتری کاربرد دارد.

آیا همه مشتریان فرصت کافی برای بازگشت داشته اند؟

انتخاب بازه بدون توجه به تاریخ قطع داده، تحلیل را ناقص می کند. تاریخ قطع داده (Data Cutoff) آخرین زمانی است که رفتار مشتریان تا آن مشاهده شده است.

اگر داده شما تا پایان تیر باشد، ماه یک گروه خرداد قابل مشاهده است؛ اما ماه یک گروه تیر در مرداد رخ می دهد و هنوز داده ای برای آن ندارید. این خانه باید «مشاهده نشده» باشد، نه صفر.

در تحلیل ۳۰ روزه نیز، مشتری دارای اولین خرید در چند روز پایانی داده، هنوز فرصت کامل ۳۰ روزه نداشته است. تا کامل شدن پنجره، نباید او را با مشتری دارای فرصت کامل، بدون تعدیل روش، مقایسه کنید.

برای نخستین تحلیل، چهار تصمیم را مکتوب کنید: رویداد ورود، بازه زمانی، تقویمی یا مبتنی بر فاصله از خرید بودن بازه، و تاریخ قطع داده. این تعریف ها مشخص می کنند هر ستون جدول چه معنایی دارد و کدام گروه ها برای مقایسه آماده هستند.

جدول کوهورت مشتریان را چگونه بسازیم؟

برای ساخت جدول کوهورت، ابتدا اولین خرید معتبر هر مشتری را پیدا کنید، سپس خریدهای بعدی او را به گروه اولیه و دوره مربوط متصل کنید. در هر خانه جدول، تعداد مشتریان یکتای بازگشته را قرار دهید و برای محاسبه درصد، آن را بر اندازه اولیه همان گروه تقسیم کنید.

مسیر اجرا شامل شش مرحله است:

1. استخراج سفارش های معتبر از تاریخچه.
2. شناسایی اولین خرید هر مشتری.
3. تعیین دوره ورود و سن هر خرید.
4. یکتا کردن مشتریان بازگشته در هر دوره.
5. ساخت جدول تعداد و درصد.
6. مشخص کردن وضعیت مشاهده هر خانه.

در این بخش، مبنا را ماه تقویمی شمسی و تاریخ قطع داده را پایان تیر ۱۴۰۵ در نظر می گیریم.

مرحله اول: سفارش های معتبر را از کل تاریخچه استخراج کنید

ابتدا تعریف خرید معتبر را روی داده سفارش ها اعمال کنید. سفارش های لغو شده، پرداخت های ناموفق و موارد دیگری که طبق تعریف گزارش خرید محسوب نمی شوند، از مجموعه تحلیلی کنار گذاشته شوند.

در این مرحله، تاریخچه لازم برای شناسایی اولین خرید را حفظ کنید. اگر می خواهید گروه های فروردین تا تیر را بررسی کنید، نباید از ابتدا تمام سفارش های قبل از فروردین را حذف کنید. ممکن است بخشی از مشتریان این دوره، قبلا خرید کرده باشند.

همچنین، داده باید در سطح سفارش آماده شود. اگر هر محصول یک ردیف جدا دارد، پیش از تحلیل مشخص کنید کدام ردیف ها به یک سفارش تعلق دارند.

مرحله دوم: تاریخ اولین خرید هر مشتری را پیدا کنید

سفارش های معتبر هر مشتری را بر اساس زمان مرتب کنید و نخستین سفارش را مشخص کنید. سپس تاریخ اولین خرید را به سفارش های بعدی همان مشتری متصل کنید.

بخشی از داده می تواند چنین باشد:

شناسه مشتری	شناسه سفارش	تاریخ خرید	تاریخ اولین خرید معتبر
F015	O001	۱۴۰۵/۰۱/۰۷	۱۴۰۵/۰۱/۰۷
F015	O002	۱۴۰۵/۰۲/۱۵	۱۴۰۵/۰۱/۰۷
F015	O003	۱۴۰۵/۰۳/۱۰	۱۴۰۵/۰۱/۰۷
F025	O004	۱۴۰۵/۰۱/۲۱	۱۴۰۵/۰۱/۲۱
F025	O005	۱۴۰۵/۰۳/۲۰	۱۴۰۵/۰۱/۲۱
F025	O006	۱۴۰۵/۰۴/۰۵	۱۴۰۵/۰۱/۲۱

این جدول فقط دو مشتری از مجموعه را نمایش می دهد و نماینده کل داده نیست.

هر دو مشتری عضو کوهورت فروردین هستند. سفارش خرداد مشتری F025، او را وارد کوهورت خرداد نمی کند. این سفارش، خرید بعدی یکی از مشتریان گروه فروردین است.

مرحله سوم: دوره ورود و سن هر خرید را محاسبه کنید

برای هر سفارش، سه اطلاعات مشخص کنید:

• دوره ورود مشتری: ماه اولین خرید معتبر.
• دوره سفارش: ماه وقوع سفارش مورد بررسی.
• سن خرید: فاصله دوره سفارش از دوره ورود.

در روش ماهانه تقویمی، سن خرید از اختلاف ترتیب ماه ها به دست می آید. برای مشتری دارای اولین خرید در فروردین، سفارش اردیبهشت در ماه یک و سفارش خرداد در ماه دو قرار می گیرد.

مشتری	سفارش	گروه اولیه	سن خرید	وضعیت سفارش در تحلیل
F015	O001	فروردین	صفر	خرید نخست
F015	O002	فروردین	یک	خرید مجدد
F015	O003	فروردین	دو	خرید مجدد
F025	O004	فروردین	صفر	خرید نخست
F025	O005	فروردین	دو	خرید مجدد
F025	O006	فروردین	سه	خرید مجدد

اگر داده چند سال را پوشش می دهد، اختلاف سال نیز باید در محاسبه ترتیب ماه ها لحاظ شود. کم کردن شماره ماه ها به تنهایی کافی نیست.

خرید نخست را با رویداد بازگشت اشتباه نگیرید. همچنین، اگر مشتری در همان ماه ورود سفارش دیگری داشته باشد، آن سفارش می تواند خرید مجدد ماه صفر باشد.

مرحله چهارم: مشتریان بازگشته را در هر دوره یکتا کنید

برای جدول تعداد مشتریان بازگشته، هر مشتری در هر دوره فقط یک بار شمرده می شود. تعداد سفارش های او در آن دوره، شاخص دیگری است.

فرض کنید مشتری F015 در اردیبهشت سه سفارش معتبر داشته باشد. سهم او در خانه «کوهورت فروردین، ماه یک» همچنان یک مشتری است.

برای خلاصه سازی، ترکیب این سه مورد را مبنا قرار دهید:

گروه اولیه + سن خرید + شناسه مشتری

در نمونه بالا، مشتری F015 یک بار در ماه یک و یک بار در ماه دو شمرده می شود. حضور او در دو دوره مجاز است، چون جدول دوره ای، رفتار هر دوره را جداگانه نشان می دهد. هنگام محاسبه نرخ تجمعی، روش شمارش متفاوت خواهد بود.

مرحله پنجم: جدول تعداد و جدول درصد را جدا بسازید

ابتدا اندازه اولیه هر کوهورت را از تعداد مشتریان یکتای وارد شده به آن گروه محاسبه کنید. مشتریان بدون خرید مجدد نیز در این تعداد باقی می مانند.

سپس تعداد مشتریان یکتای بازگشته را برای هر سن خرید در جدول قرار دهید. جدول کامل مثال فرضی چنین است:

ماه اولین خرید در ۱۴۰۵	اندازه اولیه گروه	ماه یک	ماه دو	ماه سه
فروردین	۱۰۰	۲۰	۱۵	۱۰
اردیبهشت	۴۰	۱۲	۸	مشاهده نشده
خرداد	۶۰	۶	مشاهده نشده	مشاهده نشده
تیر	۸۰	مشاهده نشده	مشاهده نشده	مشاهده نشده

برای تبدیل هر خانه مشاهده شده به درصد، تعداد مشتریان بازگشته آن خانه را بر اندازه اولیه همان سطر تقسیم کنید و در ۱۰۰ ضرب کنید.

برای مثال، ۱۲ مشتری از گروه ۴۰ نفره اردیبهشت در ماه یک بازگشته اند:

(12/40)*100 = ۳۰ درصد

اندازه اولیه گروه را کنار درصدها نگه دارید. درصد بدون تعداد مشتریان، اطلاعات کافی برای ارزیابی نتیجه ندارد.

مرحله ششم: وضعیت مشاهده هر خانه را مشخص کنید

پیش از رنگ آمیزی یا تفسیر جدول، وضعیت داده هر خانه را تعیین کنید:

وضعیت	معنای خانه
عدد مثبت	دوره کامل مشاهده شده و مشتری بازگشته وجود دارد
صفر	دوره کامل مشاهده شده، اما مشتری بازگشته وجود ندارد
مشاهده نشده	دوره مورد نظر بعد از تاریخ قطع داده قرار دارد
دوره ناقص	فقط بخشی از دوره مشاهده شده است

در مثال ما، ماه یک گروه تیر در مرداد رخ می دهد. چون داده تا پایان تیر است، این خانه «مشاهده نشده» محسوب می شود. ثبت صفر، به اشتباه نشان می دهد مشتریان فرصت بازگشت داشته اند و هیچ کدام خرید نکرده اند.

اگر داده یک دوره به دلیل اختلال ثبت یا نبود اطلاعات ناقص است، آن را نیز نباید صفر فرض کنید. نبود داده با نبود رفتار تفاوت دارد.

خروجی این شش مرحله، جدولی است که هر سطر آن یک گروه مشخص، هر ستون آن یک سن مشخص و هر خانه آن یک تعداد قابل توضیح دارد. اکنون می توانید نرخ خرید مجدد دوره ای، تجمعی و ترکیبی را با صورت و مخرج درست محاسبه کنید.

نرخ خرید مجدد دوره ای، تجمعی و ترکیبی چگونه محاسبه می شود؟

نرخ خرید مجدد دوره ای، بازگشت مشتریان در یک دوره مشخص را نشان می دهد. نرخ تجمعی، مشتریانی را می شمارد که تا پایان یک افق مشخص حداقل یک بار دوباره خرید کرده اند. نرخ ترکیبی نیز رفتار چند گروه واجد شرایط را در یک سن یکسان خلاصه می کند.

این سه شاخص به پرسش های متفاوتی پاسخ می دهند. پیش از استفاده از هر درصد، باید بدانید چه مشتریانی در صورت و مخرج آن قرار گرفته اند و فرصت مشاهده آنها چقدر بوده است.

نرخ خرید مجدد دوره ای چیست؟

نرخ خرید مجدد دوره ای (Period Repurchase Rate) نشان می دهد چه درصدی از مشتریان اولیه یک کوهورت، در یک دوره مشخص حداقل یک خرید مجدد معتبر داشته اند.

فرمول آن چنین است (فرمول را از راست به چپ بخوانید):

(تعداد مشتریان یکتای بازگشته در دوره مورد نظر ÷ تعداد مشتریان اولیه همان گروه) × ۱۰۰

در مثال این مقاله، کوهورت فروردین ۱۰۰ مشتری دارد. از این گروه، ۲۰ مشتری در ماه یک، ۱۵ مشتری در ماه دو و ۱۰ مشتری در ماه سه دوباره خرید کرده اند.

سن کوهورت	مشتریان یکتای بازگشته در همان دوره	اندازه اولیه گروه	نرخ دوره ای
ماه یک	۲۰	۱۰۰	۲۰٪
ماه دو	۱۵	۱۰۰	۱۵٪
ماه سه	۱۰	۱۰۰	۱۰٪

مخرج این شاخص در هر سه دوره، ۱۰۰ مشتری اولیه است. تقسیم ۱۵ مشتری ماه دو بر ۲۰ مشتری ماه یک، نرخ تعریف شده در این جدول را به دست نمی دهد.

اگر بخواهید بدانید «از خریداران ماه یک، چند نفر در ماه دو نیز خرید کرده اند؟»، باید مشتریان مشترک دو دوره را شناسایی کنید. این پرسش، شاخص دیگری می سازد و به محاسبه جداگانه نیاز دارد.

همچنین، تعداد مشتری بازگشته با تعداد سفارش متفاوت است. اگر یک مشتری در ماه دو چهار سفارش داشته باشد، در صورت نرخ دوره ای فقط یک بار شمرده می شود.

نرخ خرید مجدد تجمعی چیست؟

نرخ خرید مجدد تجمعی (Cumulative Repurchase Rate) نشان می دهد چه درصدی از مشتریان اولیه گروه، از پس از سفارش نخست تا پایان افق مورد بررسی، حداقل یک خرید مجدد معتبر داشته اند.(از راست به چپ فرمول را بخوانید.)

(تعداد مشتریان یکتای دارای حداقل یک خرید مجدد تا پایان دوره مورد نظر ÷ تعداد مشتریان اولیه همان گروه) × ۱۰۰

 

برای محاسبه تجمعی، تعداد مشتریان دوره ها را جمع نکنید. شناسه مشتریان را در تمام دوره های مورد نظر کنار هم قرار دهید و هر مشتری را فقط یک بار بشمارید.

در مثال فروردین:

• ماه یک: ۲۰ مشتری خرید مجدد دارند.
• ماه دو: ۱۵ مشتری خرید می کنند، اما ۱۰ نفر آنها قبلا در ماه یک بازگشته اند. بنابراین فقط پنج مشتری به شمارش تجمعی اضافه می شوند.
• ماه سه: ۱۰ مشتری خرید می کنند، اما پنج نفر آنها قبلا خرید مجدد داشته اند. بنابراین پنج مشتری دیگر اضافه می شوند.

افق بررسی	مشتریان بازگشته در همان ماه	مشتریان با نخستین خرید مجدد در آن ماه	مجموع مشتریان یکتای بازگشته تا آن زمان	نرخ تجمعی
پایان ماه یک	۲۰	۲۰	۲۰	۲۰٪
پایان ماه دو	۱۵	۵	۲۵	۲۵٪
پایان ماه سه	۱۰	۵	۳۰	۳۰٪

جمع نرخ های دوره ای، یعنی ۲۰ + ۱۵ + ۱۰ = ۴۵ درصد، نرخ تجمعی نیست. در این جمع، بعضی مشتریان چند بار شمرده شده اند. نرخ درست تجمعی تا پایان ماه سه، ۳۰ درصد است.

در داده آموزشی این مثال، خرید دوم در ماه ورود رخ نداده است. در داده واقعی، اگر مشتری پس از سفارش نخست در همان ماه صفر دوباره خرید کرده باشد، برای شاخص تجمعی «از اولین خرید» باید او را نیز لحاظ کنید.

با ثابت بودن داده، تعریف و اندازه گروه، نرخ تجمعی در افق های طولانی تر کاهش پیدا نمی کند؛ چون مشتری دارای خرید مجدد قبلی، همچنان در شمارش تجمعی باقی می ماند. اما افزایش این نرخ به معنای خرید مستمر تمام مشتریان بازگشته نیست. مشتری دارای یک خرید مجدد نیز در آن حضور دارد.

نرخ ترکیبی گروه ها چگونه محاسبه می شود؟

نرخ ترکیبی، برای خلاصه کردن رفتار چند کوهورت در یک سن مشخص کاربرد دارد. در تحلیل این مقاله، هر مشتری فقط عضو یک کوهورت اولین خرید است. بنابراین، گروه ها با یکدیگر همپوشانی ندارند.

برای محاسبه نرخ ترکیبی ماه یک، تعداد مشتریان بازگشته گروه های واجد فرصت کامل مشاهده را جمع کنید و بر مجموع اندازه اولیه همان گروه ها تقسیم کنید(فرمول را باید از راست به چپ بخوانید):

(مجموع مشتریان بازگشته گروه های دارای فرصت کامل مشاهده ÷ مجموع مشتریان اولیه همان گروه ها) × ۱۰۰

]

فقط گروه های دارای تعریف یکسان و دوره مشاهده کامل، در این محاسبه وارد شوند.

در مثال فرضی، داده تا پایان تیر است:

گروه	اندازه اولیه	مشتریان بازگشته در ماه یک	نرخ ماه یک
فروردین	۱۰۰	۲۰	۲۰٪
اردیبهشت	۴۰	۱۲	۳۰٪
خرداد	۶۰	۶	۱۰٪

نرخ ترکیبی ماه یک:

نرخ ترکیبی ماه یک: (۳۸ ÷ ۲۰۰) × ۱۰۰ = ۱۹٪

یعنی از مجموع ۲۰۰ مشتری این سه گروه، ۳۸ مشتری در ماه یک مربوط به گروه خود دوباره خرید کرده اند.

گروه تیر با ۸۰ مشتری وارد مخرج نمی شود، چون ماه یک آن در مرداد رخ می دهد و هنوز مشاهده نشده است.

چرا میانگین ساده درصدها با نرخ ترکیبی تفاوت دارد؟

میانگین ساده نرخ سه گروه برابر است با:

(۲۰ + ۳۰ + ۱۰) ÷ ۳ = ۲۰٪

اما نرخ ترکیبی مشتریان، ۱۹ درصد بود. علت تفاوت، اندازه نابرابر گروه هاست.

میانگین ساده به هر گروه وزن برابر می دهد. گروه ۴۰ نفره و گروه ۱۰۰ نفره به یک اندازه در نتیجه اثر دارند. نرخ ترکیبی، وزن هر گروه را متناسب با تعداد مشتریان آن در نظر می گیرد.

شاخص	پرسشی که پاسخ می دهد
میانگین ساده درصد گروه ها	میانگین نرخ گروه ها با وزن برابر چقدر است؟
نسبت مجموع مشتریان بازگشته به مجموع مشتریان اولیه	چه درصدی از مشتریان مجموعه گروه ها بازگشته اند؟

هر دو کمیت قابل محاسبه هستند، اما نباید یکی را با نام دیگری گزارش کنید. برای بیان نرخ خرید مجدد مشتریان ترکیب شده، نسبت مجموع تعدادها مناسب است.

در کنار هر نرخ، نام شاخص، اندازه گروه، بازه، رویداد بازگشت و وضعیت مشاهده را بنویسید. این اطلاعات مشخص می کنند درصد گزارش شده دقیقا چه چیزی را اندازه گرفته و با کدام نتیجه قابل مقایسه است.

یک مثال کامل از تحلیل کوهورت فروشگاه اینترنتی

برای اجرای تحلیل کوهورت، باید تعریف گروه، داده، محاسبات و تصمیم مدیریتی به یکدیگر متصل باشند. در این بخش، همان مثال مقاله را از ابتدا تا نتیجه عملی دنبال می کنیم.

تعریف فروشگاه، تاریخ قطع داده و رویداد بازگشت

فرض کنید یک فروشگاه اینترنتی محصولات مصرفی خانه می فروشد. فاصله معمول خرید محصولات مورد بررسی، حدود چهار تا هشت هفته است. مدیر فروشگاه می خواهد بداند مشتریان جدید هر ماه، در ماه های بعد چقدر دوباره خرید می کنند.

تعریف تحلیل چنین است:

مولفه	تعریف در مثال
واحد تحلیل	مشتری یکتا با شناسه پایدار
معیار ورود	اولین خرید معتبر مشتری
خرید معتبر	سفارش دارای پرداخت موفق، بدون لغو یا مرجوعی کامل تا تاریخ قطع
رویداد بازگشت	حداقل یک سفارش معتبر پس از سفارش نخست
بازه تحلیل	ماه تقویمی شمسی
گروه های مورد بررسی	مشتریان اولین خرید فروردین تا تیر ۱۴۰۵
تاریخ قطع داده	پایان تیر ۱۴۰۵
تاریخچه در دسترس	تمام سفارش ها از آغاز فعالیت فروشگاه در فروردین ۱۴۰۴

وجود تاریخچه از آغاز فعالیت، امکان شناسایی اولین خرید مشتری را فراهم می کند، به شرط آنکه سفارش های قبلی کامل و شناسه ها قابل اتصال باشند.

برای ساده شدن محاسبات، در این داده هیچ مشتری در ماه ورود خود خرید دوم نداشته است. این فرض، ویژگی مثال است و نباید به داده واقعی فروشگاه تعمیم داده شود.

ساخت جدول تعداد و درصد

پس از شناسایی اولین خرید، مشتریان در چهار گروه قرار می گیرند. جدول زیر، تعداد و درصد مشتریان بازگشته را کنار هم نشان می دهد:

ماه اولین خرید	اندازه اولیه گروه	ماه یک	ماه دو	ماه سه
فروردین	۱۰۰	۲۰ نفر؛ ۲۰٪	۱۵ نفر؛ ۱۵٪	۱۰ نفر؛ ۱۰٪
اردیبهشت	۴۰	۱۲ نفر؛ ۳۰٪	۸ نفر؛ ۲۰٪	مشاهده نشده
خرداد	۶۰	۶ نفر؛ ۱۰٪	مشاهده نشده	مشاهده نشده
تیر	۸۰	مشاهده نشده	مشاهده نشده	مشاهده نشده

هر درصد، نسبت مشتریان بازگشته همان خانه به اندازه اولیه همان سطر است.

از جدول می توان گفت نرخ خرید مجدد ماه یک گروه اردیبهشت، در داده مشاهده شده، بیشتر از فروردین و خرداد است. اما هنوز نمی توان گفت مشتریان اردیبهشت وفادارتر هستند یا اقدام بازاریابی آن ماه موفق تر بوده است.

برای بررسی این تفاوت، باید عواملی مانند نوع محصول اولین سفارش، تخفیف، کانال جذب، موجودی و تجربه دریافت سفارش را نیز مقایسه کنید.

بررسی یک مشتری حاضر در چند ماه

فرض کنید مشتری F015 اولین خرید خود را در فروردین انجام داده و در اردیبهشت و خرداد نیز خرید کرده است.

این مشتری:

• در اندازه اولیه کوهورت فروردین، یک بار شمرده می شود.
• در تعداد مشتریان بازگشته ماه یک، یک بار حضور دارد.
• در تعداد مشتریان بازگشته ماه دو، یک بار حضور دارد.
• در شمارش تجمعی تا پایان ماه دو، فقط یک بار شمرده می شود.

برای بازبینی محاسبه گروه فروردین، شناسه های آموزشی را چنین در نظر بگیرید:

دوره	مشتریان بازگشته
ماه یک	شناسه های ۱ تا ۲۰
ماه دو	شناسه های ۱۱ تا ۲۵
ماه سه	شناسه های ۲۱ تا ۳۰

پس از حذف شمارش تکراری، تا پایان ماه دو، ۲۵ مشتری و تا پایان ماه سه، ۳۰ مشتری حداقل یک خرید مجدد داشته اند.

بنابراین، نرخ تجمعی سه ماهه گروه فروردین ۳۰ درصد است. جمع تعدادهای دوره ای، یعنی ۴۵، تعداد مشتریان یکتای بازگشته نیست.

خلاصه کردن چند گروه بدون وارد کردن داده مشاهده نشده

مدیر فروشگاه اکنون می خواهد نرخ خرید مجدد ماه یک را برای مجموعه گروه های قابل بررسی بداند.

سه گروه فروردین، اردیبهشت و خرداد، فرصت کامل مشاهده ماه یک را داشته اند. تعداد مشتریان اولیه آنها ۲۰۰ نفر و تعداد مشتریان بازگشته در ماه یک مربوط به هر گروه، ۳۸ نفر است:

(38/200)× ۱۰۰ = ۱۹ درصد

گروه تیر وارد این محاسبه نمی شود؛ چون ماه یک آن در مرداد رخ می دهد.

این نتیجه را باید دقیق بیان کنید:

«در گروه های اولین خرید فروردین تا خرداد، ۱۹ درصد مشتریان در ماه تقویمی بعد از ماه ورود خود دوباره خرید کرده اند.»

این عدد، نرخ خرید مجدد همه مشتریان فروشگاه در تیر نیست. خریدهای مورد شمارش در ماه های تقویمی متفاوتی رخ داده اند، اما سن کوهورت آنها یکسان است.

چه تصمیمی می توان گرفت و چه نتیجه ای هنوز اثبات نشده است؟

نرخ ماه یک گروه خرداد، ۱۰ درصد است. این مشاهده، نقطه شروع بررسی است، نه دلیل کافی برای تغییر فوری کمپین یا ارسال تخفیف به تمام مشتریان.

برنامه بررسی می تواند چنین باشد:

مرحله	اقدام پیشنهادی
مشاهده	خرید مجدد ماه یک گروه خرداد کمتر از دو گروه دیگر است
بررسی داده	کنترل صحت سفارش ها و شناسه ها
بررسی شرایط	مقایسه محصول، تخفیف، کانال، موجودی و ارسال
بررسی تجربه	مرور پیام ها، شکایت ها و بازخورد مشتریان
ساخت فرضیه	انتخاب توضیح محتمل بر اساس شواهد تکمیلی
انتخاب اقدام	طراحی یک تغییر محدود و قابل ارزیابی

فرض کنید بررسی بازخوردها نشان دهد بخشی از مشتریان درباره استفاده از محصول و زمان مناسب خرید بعدی ابهام دارند. اکنون می توانید فرضیه ای مشخص بسازید:

«ارائه راهنمای کاربردی پس از خرید، ممکن است به استفاده بهتر و خرید مجدد کمک کند.»

برای ارزیابی این فرضیه، مشتریان جدید واجد شرایط را به صورت تصادفی به دو گروه هم زمان تقسیم کنید: گروه دریافت کننده راهنما و گروه دریافت کننده ارتباط معمول فروشگاه. معیار اصلی می تواند خرید مجدد تجمعی تا پایان ماه دو باشد. حاشیه سود و مرجوعی نیز در کنار آن بررسی شوند.

مسئول اجرا، زمان ارزیابی و تعریف شاخص ها باید پیش از شروع مشخص باشند. نتیجه آزمایش نیز تا زمان تکمیل فرصت مشاهده و تحلیل داده، معلوم نیست.

یک نمونه پژوهشی واقعی: بررسی خریدهای مشتریان CDNOW

کاربرد تحلیل رفتار خرید در پژوهش نیز دیده می شود. Fader، Hardie و Lee در مقاله سال ۲۰۰۵ خود، داده مشتریانی را بررسی کردند که اولین خریدشان از فروشگاه CDNOW در سه ماه نخست ۱۹۹۷ انجام شده بود.

داده تا ژوئن ۱۹۹۸ ادامه داشت. پژوهشگران از یک نمونه سیستماتیک ۲۳۵۷ مشتری استفاده کردند. بخش نخست بازه ۷۸ هفته ای داده و ۳۹ هفته بعد برای ارزیابی پیش بینی خرید به کار رفت.

این نمونه نشان می دهد چگونه می توان خریدهای بعدی یک گروه مشخص را دنبال کرد. با این حال، هدف آن ارزیابی مدل پیش بینی بود و عددهای آن، معیار استاندارد خرید مجدد برای فروشگاه شما نیستند. داده قدیمی یک فروشگاه در یک دسته محصول، محدودیت مهم تعمیم این پژوهش است.

در اجرای نخستین تحلیل خود نیز همین ترتیب را حفظ کنید: تعریف روشن، محاسبه قابل بازبینی، تفسیر محدود به داده و اقدامی که نتیجه آن جداگانه سنجیده شود.

جدول حرارتی کوهورت را چگونه بخوانیم؟

برای خواندن جدول حرارتی کوهورت، ابتدا یک گروه را در طول زمان دنبال کنید، سپس گروه ها را در سن برابر مقایسه کنید و در پایان، شرایط مشترک زمان تقویمی را بررسی کنید. رنگ به پیدا کردن الگو کمک می کند، اما نتیجه باید از عددها، اندازه گروه و تعریف شاخص به دست بیاید.

جدول حرارتی (Heatmap) با تغییر شدت رنگ، تفاوت مقدار خانه ها را نشان می دهد. برای مثال، در جدول نرخ خرید مجدد، رنگ پررنگ تر می تواند بیانگر درصد بالاتر باشد. پیش از تفسیر، راهنمای رنگ را بخوانید و مطمئن شوید جدول، نرخ دوره ای را نمایش می دهد یا نرخ تجمعی را.

خواندن یک سطر؛ رفتار یک گروه در گذر زمان

هر سطر، مسیر یک گروه مشخص از مشتریان را نشان می دهد. با دنبال کردن آن، می توانید ببینید اعضای همان گروه در دوره های بعد چه رفتاری داشته اند.

در مثال فرضی مقاله، نرخ خرید مجدد دوره ای گروه فروردین در ماه های یک، دو و سه، به ترتیب ۲۰، ۱۵ و ۱۰ درصد است.

برداشت دقیق این است:

«از ۱۰۰ مشتری اولیه گروه فروردین، در ماه یک ۲۰ نفر، در ماه دو ۱۵ نفر و در ماه سه ۱۰ نفر خرید مجدد داشته اند.»

این اعداد نشان نمی دهند که هر ماه تعدادی مشتری برای همیشه از دست رفته اند. مشتری ممکن است یک ماه خرید نکند و ماه بعد بازگردد. همچنین، مشتریان حاضر در خانه های مختلف سطر، لزوما همان افراد نیستند.

کاهش نرخ دوره ای را با کاهش نرخ تجمعی اشتباه نگیرید. در همان مثال، نرخ تجمعی از ۲۰ درصد به ۲۵ و سپس ۳۰ درصد می رسد. چون تعداد مشتریانی که تا آن زمان حداقل یک بار خرید مجدد داشته اند، افزایش یافته است.

هنگام خواندن یک سطر، چرخه خرید را نیز در نظر بگیرید. فاصله افت و بازگشت نرخ ها ممکن است با زمان مصرف محصول یا خرید فصلی ارتباط داشته باشد و به بررسی بیشتری نیاز داشته باشد.

مقایسه یک ستون؛ گروه ها در سن برابر

هر ستون، رفتار گروه ها را در یک سن مشخص نمایش می دهد. برای مقایسه خرید مجدد پس از ورود، ماه یک گروه ها را با یکدیگر بررسی کنید.

گروه	اندازه اولیه	نرخ خرید مجدد ماه یک
فروردین	۱۰۰	۲۰٪
اردیبهشت	۴۰	۳۰٪
خرداد	۶۰	۱۰٪

در این داده، نرخ ماه یک اردیبهشت بالاتر است. تفاوت آن با فروردین، ۱۰ واحد درصد است؛ یعنی ۳۰ درصد در برابر ۲۰ درصد.

اما هنوز نمی توان نتیجه گرفت که کیفیت جذب مشتری در اردیبهشت بهتر بوده است. اندازه گروه ها متفاوت است و نوع محصول، تخفیف یا کانال جذب نیز ممکن است فرق داشته باشد.

ماه سوم فروردین را با ماه اول خرداد برای قضاوت درباره عملکرد گروه ها مقایسه مستقیم نکنید. هر دو نرخ در مثال ۱۰ درصد هستند، اما مشتریان در مراحل زمانی متفاوتی قرار دارند.

مقایسه در سن برابر، یکی از شرط های خواندن درست جدول است؛ شرایط دیگر، مانند تعریف خرید معتبر و فرصت کامل مشاهده نیز باید هماهنگ باشند.

بررسی زمان تقویمی؛ چه اتفاقی در یک ماه مشترک رخ داده است؟

رفتار هر خانه، علاوه بر سن کوهورت، در یک زمان تقویمی مشخص رخ داده است. برای پیدا کردن مسائل مشترک، خانه های متعلق به یک ماه را کنار هم بررسی کنید.

در جدول مثال، تیر برای گروه های مختلف چنین جایگاهی دارد:

گروه	سن کوهورت در تیر
فروردین	ماه سه
اردیبهشت	ماه دو
خرداد	ماه یک

اگر چند گروه در یک ماه تقویمی تغییر مشابهی نشان دهند، بررسی شرایط همان ماه می تواند مفید باشد. برای مثال، ممکن است موجودی یک محصول کاهش یافته یا ارسال سفارش ها با مشکل مواجه شده باشد.

این مقایسه به شما کمک می کند فرضیه بسازید، اما تفاوت سن گروه ها را حذف نمی کند. برای نسبت دادن تغییر به یک اتفاق تقویمی، شواهد تکمیلی لازم است.

پنج عامل زیر را بررسی کنید:

عامل	پرسش مناسب برای بررسی
فصل و تقویم	آیا نیاز به محصول، تعطیلات یا الگوی خرید در این دوره تغییر کرده است؟
تخفیف	آیا میزان و شرایط تخفیف در خرید اول یا خرید بعدی متفاوت بوده است؟
کانال جذب	آیا ترکیب کانال های جذب و نوع مخاطبان تغییر کرده است؟
موجودی	آیا مشتری امکان خرید دوباره محصول قبلی یا جایگزین مناسب را داشته است؟
ترکیب محصول	آیا گروه ها محصولات دارای چرخه مصرف متفاوت خریده اند؟

برای بررسی این عوامل، از داده سفارش، سوابق کمپین، اطلاعات موجودی و بازخورد مشتری استفاده کنید. رنگ جدول به تنهایی پاسخ هیچ یک از این پرسش ها را نمی دهد.

چه اطلاعاتی باید کنار رنگ ها نمایش داده شود؟

جدول باید بدون اتکا به رنگ نیز قابل فهم باشد. در هر خانه، مقدار عددی را بنویسید و کنار هر سطر، اندازه اولیه گروه را نگه دارید.

عنوان جدول و توضیح همراه آن باید مشخص کنند:

• شاخص، دوره ای است یا تجمعی.
• سطرها بر اساس کدام رویداد ورود ساخته شده اند.
• ستون ها چه بازه و سنی را نشان می دهند.
• تاریخ قطع داده چه زمانی است.
• رویداد بازگشت چگونه تعریف شده است.
• خانه های مشاهده نشده یا ناقص چه علامتی دارند.

برای مقایسه چند جدول حرارتی، مقیاس رنگ نیز باید یکسان یا تفاوت آن صریح باشد. یک رنگ مشابه در دو جدول با مقیاس متفاوت، لزوما مقدار مشابهی را نشان نمی دهد.

خانه «مشاهده نشده» را از صفر متمایز کنید. صفر، نتیجه یک دوره کامل بدون مشتری بازگشته است، مشاهده نشده یعنی هنوز داده لازم برای آن دوره وجود ندارد.

هنگام ثبت یک یافته، علاوه بر درصد، گروه، سن، زمان تقویمی و تعداد مشتریان را بنویسید. چنین یادداشتی مبنای مناسبی برای بررسی علت های احتمالی و انتخاب اقدام بعدی است.

چه زمانی تفاوت کوهورت ها قابل اتکا نیست؟

تفاوت درصدهای دو کوهورت، به تنهایی برای نتیجه گیری درباره کیفیت مشتریان یا اثر یک اقدام کافی نیست. اندازه گروه، کامل بودن دوره مشاهده، کیفیت داده و تفاوت شرایط ورود باید بررسی شوند. حتی یک تفاوت عددی روشن نیز ممکن است علت های متفاوتی داشته باشد.

در این مرحله، دو پرسش را از هم جدا کنید:

• آیا عدد گزارش شده، رفتار ثبت شده این گروه را درست توصیف می کند؟
• آیا می توان از آن درباره مشتریان آینده یا اثر یک اقدام نتیجه گرفت؟

برای مثال، اگر دو نفر از ۱۰ مشتری دوباره خرید کرده باشند، نرخ ثبت شده دقیقا ۲۰ درصد است. کوچک بودن گروه، این محاسبه را نادرست نمی کند؛ اما تعمیم آن به مشتریان آینده با عدم قطعیت بیشتری همراه است.

نمونه کوچک چگونه تفسیر درصدها را تغییر می دهد؟

در گروه های کوچک، رفتار تعداد کمی مشتری می تواند درصد را به مقدار زیادی تغییر دهد.

اندازه گروه	مشتریان بازگشته	نرخ خرید مجدد	نرخ پس از بازگشت یک مشتری دیگر
۱۰ نفر	۲ نفر	۲۰٪	۳۰٪
۱۰۰ نفر	۲۰ نفر	۲۰٪	۲۱٪

در گروه اول، بازگشت یک مشتری دیگر، نرخ را ۱۰ واحد درصد افزایش می دهد. در گروه دوم، همین تغییر فقط یک واحد درصد اثر دارد.

بنابراین، نمایش درصد بدون اندازه گروه می تواند مخاطب را گمراه کند. نرخ ۲۰ درصد در گروه ۱۰ نفره و گروه ۱۰۰ نفره، مقدار یکسانی دارد، اما اطلاعات یکسانی برای پیش بینی رفتار بعدی فراهم نمی کند.

برای همه کسب و کارها نمی توان یک حداقل حجم نمونه ثابت تعیین کرد. تعداد لازم به نرخ مورد انتظار، دقت مورد نیاز، بزرگی تفاوت مهم برای تصمیم و روش ارزیابی وابسته است.

بازه اطمینان (Confidence Interval) می تواند به بیان عدم قطعیت برآورد کمک کند. برای نمونه، اگر بازگشت هر مشتری را یک پیامد مستقل با احتمال مشترک در نظر بگیریم، بازه اطمینان ۹۵ درصدی ویلسون برای دو مثال بالا تقریبا چنین است:

داده فرضی	نرخ مشاهده شده	بازه اطمینان ۹۵ درصدی ویلسون
۲ مشتری بازگشته از ۱۰ مشتری	۲۰٪	۵٫۷٪ تا ۵۱٫۰٪
۲۰ مشتری بازگشته از ۱۰۰ مشتری	۲۰٪	۱۳٫۳٪ تا ۲۸٫۹٪

این بازه ها محاسبات آموزشی بر اساس روش ویلسون هستند. فرمول و مبانی روش در راهنمای آماری NIST توضیح داده شده است.

بازه ها درباره برآورد احتمال بازگشت تحت فرض های مدل صحبت می کنند؛ نرخ دقیق ثبت شده در هر دو گروه همچنان ۲۰ درصد است. همچنین، بازه اطمینان خطاهای ثبت سفارش، شناسه نامعتبر یا سوگیری ناشی از ناقص بودن داده را برطرف نمی کند.

همپوشانی یا نبود همپوشانی بازه های دو گروه نیز نباید جای تحلیل مناسب تفاوت آنها را بگیرد.

تفاوت کوهورت ها چرا اثر علّی کمپین را اثبات نمی کند؟

فرض کنید نرخ خرید مجدد ماه یک، برای مشتریان فروردین ۲۰ درصد و برای مشتریان اردیبهشت ۳۰ درصد است. اگر در اردیبهشت پیام جدیدی پس از خرید ارسال کرده باشید، ممکن است افزایش نرخ را به آن پیام نسبت دهید.

اما گروه اردیبهشت شاید از چند جهت دیگر نیز متفاوت باشد:

• محصولات متفاوتی خریده باشد.
• از کانال جذب دیگری آمده باشد.
• تخفیف بیشتری دریافت کرده باشد.
• سفارش ها را سریع تر دریافت کرده باشد.
• در شرایط فصلی یا اقتصادی متفاوتی قرار گرفته باشد.

جدول کوهورت، تفاوت مشاهده شده را نشان می دهد؛ مشخص نمی کند سهم هر عامل در ایجاد آن چقدر بوده است.

اثر علّی (Causal Effect) به این پرسش مربوط است که رفتار مشتریان، در صورت اجرای اقدام در مقایسه با اجرا نشدن آن، چه تفاوتی می کرد. مقایسه دو گروه تاریخی، بدون طراحی مناسب، معمولا این وضعیت مقایسه ای را فراهم نمی کند.

برای سنجش اثر یک راهنمای پس از خرید، در صورت امکان می توانید مشتریان واجد شرایط و هم زمان را به صورت تصادفی به گروه دریافت کننده راهنما و گروه ارتباط معمول تقسیم کنید. رویداد بازگشت، فرصت مشاهده و سایر شرایط اجرایی باید هماهنگ باشند. مبانی تحلیل چنین آزمایش هایی در مرور روش شناختی Athey و Imbens بررسی شده است.

آزمایش نیز صرفا با نام گذاری دو گروه معتبر نمی شود. روش تخصیص، اجرای واقعی اقدام، کیفیت اندازه گیری و توان داده برای تشخیص تفاوت اهمیت دارند.

اگر طراحی لازم را ندارید، نتیجه را توصیفی گزارش کنید: «نرخ خرید مجدد این گروه بیشتر بود.» عبارت «این اقدام باعث افزایش خرید مجدد شد» به شواهد بیشتری نیاز دارد.

تغییر ترکیب مشتریان چگونه ظاهر نرخ حفظ را تغییر می دهد؟

در کسب و کار اشتراکی، ممکن است نرخ حفظ دوره ای میان مشتریان باقی مانده به مرور افزایش یابد. این افزایش لزوما به معنای بهتر شدن تجربه تمام مشتریان نیست.

فرض کنید گروه اولیه، ترکیبی از مشتریان با احتمال ماندگاری بالا و پایین باشد. اگر مشتریان کم ماندگار زودتر خارج شوند، در دوره های بعد سهم مشتریان ماندگارتر در جمع باقی مانده بیشتر می شود. در نتیجه، نرخ حفظ میان افراد واجد ادامه رابطه می تواند بالاتر برود، حتی اگر احتمال ماندن هر فرد تغییر نکرده باشد.

پژوهش Fader و Hardie درباره ناهمگنی مشتریان، نقش چنین تغییر ترکیبی را در پویایی نرخ حفظ مطرح می کند.

این موضوع را با نرخ خرید مجدد فروشگاهی با مخرج ثابت گروه اولیه اشتباه نگیرید. در تفسیر نرخ حفظ دوره ای، باید روشن باشد چه کسانی در هر دوره واجد ادامه یا تمدید رابطه بوده اند.

پیش از تبدیل تفاوت کوهورت ها به تصمیم، سه مورد را ثبت کنید: آنچه مستقیما مشاهده شده، توضیح های محتمل و شواهد لازم برای انتخاب میان آنها. این تفکیک کمک می کند یک الگوی قابل بررسی، به نتیجه قطعی فراتر از داده تبدیل نشود.

تحلیل کوهورت را با چه ابزاری انجام دهیم؟

ابزار مناسب به منبع داده، حجم سفارش ها و میزان تکرار گزارش بستگی دارد. برای نخستین تحلیل، اکسل یا Google Sheets می تواند کافی باشد. برای بررسی کاربران سایت، گزارش کوهورت GA4 کاربرد دارد. اگر موضوع، مشتریان خریدار و تاریخچه کامل سفارش هاست، باید داده سامانه فروش یا مدیریت ارتباط با مشتری را مبنا قرار دهید.

پیش از انتخاب ابزار، مشخص کنید چه چیزی را می شمارید: مشتری، کاربر، سفارش یا رویداد؟ ابزار می تواند محاسبه را سریع تر کند، اما تعریف نادرست شاخص را اصلاح نمی کند.

نیاز تحلیلی	ابزار قابل بررسی	نکته اصلی
نخستین گزارش از فایل سفارش ها	اکسل یا Google Sheets	آماده سازی داده و شمارش مشتری یکتا
بررسی رفتار کاربران سایت یا اپلیکیشن	GA4	تطبیق هویت، معیار ورود و رویداد بازگشت با سوال تحلیل
اتصال سفارش، پشتیبانی و اطلاعات مشتری	سامانه فروش و CRM	بررسی کامل بودن تاریخچه و پایداری شناسه ها
گزارش های تکرارشونده از چند منبع	پایگاه داده و ابزار گزارش سازی	اجرای قواعد یکسان و قابل بازبینی

شروع تحلیل کوهورت با اکسل یا Google Sheets

برای شروع، داده را در جدولی با عنوان ستون های مشخص آماده کنید. تاریخ خرید، شناسه مشتری، شناسه سفارش، گروه اولیه و سن خرید باید قابل پیگیری باشند.

جدول محوری (Pivot Table) می تواند داده آماده شده را بر اساس گروه و دوره خلاصه کند. مستندات رسمی اکسل و Google Sheets، استفاده از سطرها، ستون ها و مقادیر برای این خلاصه سازی را توضیح می دهند.

برای ساخت جدول تعداد مشتریان بازگشته، مسیر زیر را دنبال کنید:

1. سفارش های معتبر را مشخص کنید.
2. اولین خرید هر مشتری و گروه اولیه او را به دست آورید.
3. سفارش نخست را از خریدهای مجدد جدا کنید.
4. در داده خرید مجدد، ترکیب «گروه اولیه، سن خرید و شناسه مشتری» را یکتا کنید.
5. داده یکتا شده را در جدول محوری خلاصه کنید.

چیدمان جدول می تواند چنین باشد:

بخش جدول محوری	فیلد پیشنهادی
سطرها؛ Rows	ماه اولین خرید
ستون ها؛ Columns	سن خرید
مقادیر؛ Values	تعداد شناسه های مشتری پس از یکتا کردن داده

شمارش معمولی ردیف ها، لزوما شمارش مشتری یکتا نیست. اگر مشتری در یک ماه سه سفارش داشته باشد، شمارش شناسه در داده خام ممکن است او را سه بار حساب کند.

در اکسل، گزینه شمارش متمایز (Distinct Count) نیز وجود دارد، اما طبق مستندات مایکروسافت، استفاده از آن در جدول محوری به Data Model وابسته است. وجود این گزینه را در همه حالت ها فرض نکنید.

اندازه اولیه هر گروه را جداگانه از تمام مشتریان وارد شده محاسبه کنید. جدول خریدهای مجدد، مشتریان بدون بازگشت را ندارد و نمی تواند به تنهایی مخرج درست نرخ را بسازد.

همچنین، درصد آماده «از مجموع سطر» لزوما نرخ خرید مجدد نیست. مجموع تعدادهای دوره ای ممکن است یک مشتری را در چند ماه بشمارد. برای نرخ دوره ای، تعداد هر خانه باید بر اندازه اولیه گروه تقسیم شود.

برای محاسبه تجمعی، یک مسیر قابل بازبینی این است که نخستین خرید مجدد هر مشتری را مشخص کنید. سپس برای هر افق، مشتریانی را بشمارید که اولین بازگشت آنها تا پایان آن افق رخ داده است. مشتریان بدون خرید مجدد همچنان در جدول پایه باقی می مانند.

اگر تاریخ ها شمسی هستند، تعیین دوره و سن خرید را کنترل کنید. نمایش ظاهری تاریخ با ارقام فارسی، به تنهایی به معنای تشخیص درست آن توسط ابزار نیست.

گزارش Cohort exploration در GA4 چه تفاوتی دارد؟

در GA4، از بخش Explore و گالری قالب ها می توانید گزارش Cohort exploration را انتخاب کنید. سپس معیار ورود، معیار بازگشت، بازه و مقدار مورد شمارش را تعیین کنید.

طبق مستندات رسمی، این گزارش بر داده دستگاه تکیه دارد و User-ID را در تشکیل کوهورت لحاظ نمی کند. بنابراین، واحد هویت آن لزوما مشتری یکتای سامانه فروش نیست.

گزینه First touch به اولین بازدید ثبت شده اشاره دارد. گزینه Any transaction نیز معادل قطعی اولین خرید در کل تاریخچه فروشگاه نیست و یک کاربر می تواند بر اساس تراکنش هایش در چند گروه قرار بگیرد.

نوع محاسبه نیز اهمیت دارد:

گزینه	مفهوم کلی
Standard	تحقق معیار بازگشت در همان دوره
Rolling	تحقق معیار در دوره مورد نظر و تمام دوره های قبلی
Cumulative	تحقق معیار در حداقل یکی از دوره ها تا آن زمان

این تعریف ها باید با معیار ورود، بازگشت و مقدار انتخاب شده تفسیر شوند. تعداد تراکنش، تعداد مشتری نیست؛ همچنین، حضور خرید نخست در محاسبه نباید با خرید مجدد اشتباه شود.

چه زمانی داده سامانه فروش، CRM یا پایگاه داده لازم است؟

اگر پرسش شما درباره رفتار مشتریان خریدار است، به داده ای نیاز دارید که سفارش ها را با شناسه تجاری مشتری متصل کند و اعتبار خرید را مشخص سازد.

داده سامانه فروش اهمیت بیشتری پیدا می کند وقتی:

• بخشی از خریدها خارج از سایت انجام می شوند.
• لغو و مرجوعی بر اعتبار سفارش اثر دارند.
• تاریخچه خرید پیش از راه اندازی ابزار تحلیل وجود دارد.
• می خواهید خرید را به محصول، ارسال یا پشتیبانی متصل کنید.

CRM یا سامانه فروش نیز صرفا به دلیل نام ابزار، داده کامل و درست ندارد. پوشش سفارش ها، ارتباط شناسه ها و تعریف اولین خرید باید بررسی شوند.

اگر گزارش هر ماه تکرار می شود یا داده از چند سامانه می آید، اجرای قواعد در پایگاه داده و نمایش نتیجه در ابزار گزارش سازی می تواند مدیریت گزارش را آسان تر کند. اما قواعد باید همان تعریف های روشن مقاله باقی بمانند: مشتری یکتا، خرید معتبر، دوره مشخص و فرصت مشاهده کامل.

برای انتخاب ابزار، یک خانه از جدول را تا سفارش های مبدا دنبال کنید. اگر می توانید توضیح دهید کدام مشتریان در آن شمرده شده اند، چرا در آن گروه قرار گرفته اند و مخرج درصد چگونه ساخته شده است، گزارش شما قابلیت بازبینی دارد.

یافته کوهورت را چگونه به اقدام تبدیل کنیم؟

برای تبدیل یافته کوهورت به اقدام، ابتدا مشاهده را دقیق ثبت کنید، سپس توضیح های محتمل را بررسی کنید و یک تغییر قابل ارزیابی انتخاب کنید. هر اقدام باید مسئول مشخص، معیار موفقیت و زمان پیگیری داشته باشد.

دیدن یک خانه کم رنگ یا یک نرخ پایین، به تنهایی مشخص نمی کند چه کاری باید انجام دهید. ممکن است مسئله از نوع محصول، ترکیب مشتریان، موجودی، تجربه دریافت سفارش یا کیفیت داده باشد. اقدام مناسب، پس از بررسی این احتمال ها انتخاب می شود.

از مشاهده به فرضیه برسید

مشاهده را بدون نسبت دادن علت بنویسید. در مثال مقاله، جمله مناسب چنین است:

«نرخ خرید مجدد ماه یک گروه خرداد، ۱۰ درصد و پایین تر از دو گروه قبلی است.»

اما جمله «محتوای ضعیف باعث کاهش خرید مجدد خرداد شده است» هنوز پشتوانه کافی ندارد. جدول، تفاوت رفتار را نشان داده است؛ علت آن باید جداگانه بررسی شود.

برای ساخت فرضیه، به داده های تکمیلی مراجعه کنید:

• آیا گروه خرداد محصولات دارای چرخه مصرف طولانی تری خریده است؟
• آیا سهم یک کانال جذب در این گروه بیشتر بوده است؟
• آیا محصولات مناسب خرید بعدی موجود بوده اند؟
• آیا تاخیر ارسال یا مشکل پشتیبانی ثبت شده است؟
• آیا مشتریان درباره استفاده از محصول یا انتخاب خرید بعدی سوال داشته اند؟

داده سفارش، سوابق ارسال، پیام های پشتیبانی و گفت و گو با مشتریان می توانند به بررسی این پرسش ها کمک کنند. نقشه سفر مشتری نیز برای مشخص کردن نقاط تماس و محل جمع آوری شواهد مفید است.

فرضیه خوب باید قابل بررسی باشد. برای مثال:

«بخشی از مشتریان درباره نحوه استفاده از محصول ابهام دارند و ارائه راهنمای مرتبط ممکن است به خرید مجدد آنها کمک کند.»

این جمله هم توضیح احتمالی را مشخص می کند و هم امکان طراحی یک اقدام را فراهم می سازد؛ بدون آنکه نتیجه را از قبل قطعی بداند.

اقدام مناسب محتوا، بازاریابی، محصول یا تجربه مشتری را انتخاب کنید

برای هر افت، یک نسخه ثابت مانند ارسال تخفیف مناسب نیست. اقدام باید با مسئله ای که شواهد از آن حمایت می کنند هماهنگ باشد.

حوزه	مسئله قابل بررسی	اقدام احتمالی
محتوا	مشتری درباره استفاده، نگهداری یا خرید بعدی ابهام دارد	راهنمای کاربردی و پاسخ به پرسش های پس از خرید
بازاریابی	پیام جذب با نیاز و انتظار مشتری هماهنگ نیست	اصلاح پیام، مخاطب یا پیشنهاد اولیه
محصول	کالای مورد نیاز خرید بعدی موجود نیست	بررسی تامین، جایگزین مناسب یا اطلاع رسانی موجودی
تجربه مشتری	ارسال، پاسخگویی یا رسیدگی به مشکل ضعیف است	اصلاح فرایند و پیگیری مسئله مشتری

این جدول، مسیرهای احتمالی اقدام را نشان می دهد. وجود هر مسئله باید در داده یا بازخورد بررسی شود.

در حوزه محتوا، هدف صرفا انتشار مقاله بیشتر نیست. محتوای جدید باید به یک نیاز مشخص در رابطه با مشتری پاسخ دهد. برای مثال، راهنمای استفاده از محصول، زمانی ارزشمند است که ابهام استفاده در میان مشتریان دیده شده باشد. این انتخاب باید در استراتژی بازاریابی محتوا نیز جایگاه مشخصی داشته باشد.

همچنین، محتوای آموزشی مشکل موجودی یا ارسال را حل نمی کند. اگر مشتری امکان خرید دوباره محصول را ندارد، ابتدا باید همان مانع بررسی شود.

مسئول، معیار و زمان پیگیری را مشخص کنید

پس از انتخاب اقدام، یک برنامه کوتاه بنویسید. در ادامه مثال فرضی، فرض کنید بررسی پیام های مشتریان، ابهام در استفاده از محصول را به عنوان مسئله ای قابل توجه نشان داده است.

مولفه برنامه	تعریف پیشنهادی
فرضیه	راهنمای پس از خرید می تواند به استفاده بهتر و خرید مجدد کمک کند
اقدام	تهیه و ارسال راهنمای مرتبط با محصول اولین سفارش
مخاطب	مشتریان جدید واجد شرایط با اولین خرید از دسته محصول مشخص
مسئول	مدیر بازاریابی با همکاری محتوا و پشتیبانی
روش ارزیابی	مقایسه دو گروه هم زمان با تخصیص تصادفی، در صورت امکان
معیار اصلی	نرخ خرید مجدد تجمعی تا پایان ماه دو
معیارهای مکمل	حاشیه سود، مرجوعی و هزینه اجرای اقدام
زمان بررسی	پس از کامل شدن فرصت مشاهده ماه دو برای گروه های مورد مقایسه

معیارها را پیش از اجرا تعیین کنید. انتخاب شاخص پس از دیدن نتایج می تواند توجه شما را فقط به عددهای مطلوب معطوف کند.

اگر راهنما برای بخشی از مشتریان ارسال شده است، وضعیت دریافت آن نیز باید قابل پیگیری باشد. صرف قرار گرفتن مشتری در فهرست ارسال، لزوما به معنای دریافت یا مطالعه محتوا نیست.

برای کسب و کاری با داده کم یا امکان اجرایی محدود، می توان تغییر را به صورت یک اجرای محدود آغاز کرد و نتیجه را محتاطانه دنبال کرد. چنین اجرایی برای یادگیری مفید است، اما مقایسه ساده قبل و بعد، به تنهایی اثر علّی اقدام را اثبات نمی کند.

خرید بیشتر را همراه با کیفیت اقتصادی نتیجه بررسی کنید

افزایش خرید مجدد، تنها معیار موفقیت نیست. اگر این افزایش با تخفیف سنگین، مرجوعی بیشتر یا هزینه خدمت رسانی بالا همراه باشد، نتیجه اقتصادی ممکن است مطلوب نباشد.

برای مثال، یک پیشنهاد تخفیفی می تواند خرید را زودتر از زمان معمول رخ دهد. برای ارزیابی آن، باید بررسی کنید آیا خرید اضافی ایجاد شده یا فقط زمان خرید جابه جا شده است. افق مشاهده باید با چرخه خرید و پرسش تصمیم هماهنگ باشد.

پس از ارزیابی، یکی از سه تصمیم را ثبت کنید: ادامه اقدام، اصلاح آن یا توقف و بررسی فرضیه دیگر. اگر داده هنوز کافی نیست، همین محدودیت را بنویسید.

ارزش تحلیل کوهورت زمانی آشکار می شود که هر یافته به یک پرسش قابل بررسی و هر اقدام به یک نتیجه قابل پیگیری متصل باشد. مسئول مشخص و تعریف روشن معیارها، این ارتباط را حفظ می کنند.

خطاهای رایج و چک لیست نخستین تحلیل کوهورت

بیشتر خطاهای تحلیل کوهورت از تعریف گروه، شمارش مشتریان و تعیین فرصت مشاهده آغاز می شوند. پیش از استفاده از نتیجه، باید بتوانید توضیح دهید چه کسانی وارد هر گروه شده اند، چه رفتاری بازگشت محسوب شده و صورت و مخرج هر درصد چگونه ساخته شده است.

جدول مرتب و رنگ بندی مناسب، به تنهایی نشانه صحت تحلیل نیست. ممکن است محاسبات بدون خطای نرم افزاری اجرا شده باشند، اما به دلیل تعریف نادرست، پاسخ پرسش دیگری را نشان دهند.

خطاهایی که درصدهای گزارش را تغییر می دهند

خطای رایج	پیامد	روش اصلاح
شمارش سفارش به جای مشتری	مشتری دارای چند سفارش، چند بار شمرده می شود	شناسه مشتری را در هر دوره یکتا کنید
استفاده از اولین خرید فایل به جای اولین خرید واقعی	مشتری قبلی وارد گروه مشتریان جدید می شود	تاریخچه را بررسی کنید یا محدودیت مشاهده را بنویسید
حذف مشتریان بدون خرید مجدد	مخرج کوچک و نرخ بازگشت مصنوعی بالا می شود	همه مشتریان اولیه گروه را در مخرج نگه دارید
تقسیم بر خریداران دوره قبل	شاخصی متفاوت از نرخ دوره ای با مخرج ثابت ساخته می شود	مخرج را مطابق پرسش و تعریف شاخص انتخاب کنید
جمع تعدادها یا درصدهای دوره ای برای نرخ تجمعی	مشتری حاضر در چند دوره، چند بار شمرده می شود	مشتریان بازگشته تا افق مشخص را یک بار بشمارید
ثبت خانه آینده به صورت صفر	گروه جدید ضعیف تر از واقعیت دیده می شود	وضعیت «مشاهده نشده» را جدا نمایش دهید
مقایسه دوره ناقص با دوره کامل	فرصت بازگشت گروه ها برابر نیست	دوره های کامل را مقایسه کنید یا روش تعدیل را توضیح دهید
میانگین ساده درصد گروه های نابرابر	وزن مشتریان با وزن گروه ها اشتباه می شود	برای نرخ ترکیبی مشتریان، نسبت مجموع تعدادها را محاسبه کنید
تغییر تعریف خرید معتبر میان گزارش ها	تفاوت ناشی از روش، تغییر رفتار تلقی می شود	تعریف ها و تغییرات آنها را ثبت کنید
نسبت دادن تفاوت تاریخی به اثر کمپین	نتیجه علّی بدون شواهد کافی ساخته می شود	مشاهده، فرضیه و ارزیابی اثر را جدا نگه دارید

در مثال ما، جمع نرخ های دوره ای فروردین، ۴۵ درصد است. اما نرخ تجمعی تا پایان ماه سه، ۳۰ درصد بود. همین تفاوت نشان می دهد درست بودن جمع و تقسیم، برای درست بودن شاخص کافی نیست.

همچنین، گروه تیر نباید در مخرج نرخ ترکیبی ماه یک قرار بگیرد. این گروه هنوز فرصت مشاهده ماه یک را نداشته است. اضافه کردن آن به مخرج، نرخ ترکیبی را پایین می آورد، بدون آنکه رفتار تازه ای مشاهده شده باشد.

خطاهایی که تفسیر جدول را گمراه می کنند

بعضی خطاها عدد را تغییر نمی دهند، اما معنای اشتباهی به آن می دهند.

درصد بدون اندازه گروه: نرخ ۳۰ درصد در یک گروه کوچک، برای تصمیم گیری اطلاعات یکسانی با نرخ ۳۰ درصد در یک گروه بزرگ ندارد. تعداد مشتریان را کنار درصدها نگه دارید.

مقایسه سن های متفاوت: ماه سوم گروه قدیمی با ماه اول گروه جدید، مرحله زمانی یکسانی را نشان نمی دهد. برای بررسی رفتار پس از ورود، سن برابر را مبنا قرار دهید.

یکسان دانستن خرید مجدد و وفاداری: خرید دوباره، رفتار ثبت شده است. برای شناخت رضایت، دلایل انتخاب و کیفیت رابطه، شواهد دیگری لازم است.

یکسان دانستن خرید مجدد و سودآوری: افزایش خرید ممکن است با تخفیف، هزینه بیشتر یا مرجوعی همراه باشد. نتیجه اقتصادی را جداگانه بررسی کنید.

تفسیر رنگ بدون خواندن عدد: مقیاس رنگ، نوع شاخص و وضعیت مشاهده را کنترل کنید. رنگ مشابه در دو جدول، لزوما مقدار مشابهی ندارد.

چک لیست آماده شدن گزارش

پیش از ارائه نخستین تحلیل، این موارد را بررسی کنید:

• پرسش اصلی تحلیل در یک جمله نوشته شده است.

• واحد تحلیل، مانند شخص، حساب مشتری یا شرکت، مشخص است.

• رویداد ورود و معیار بازگشت تعریف روشن دارند.

• سیاست پرداخت ناموفق، لغو و مرجوعی مشخص است.

• شناسه مشتری در خریدهای مختلف قابل پیگیری است.

• تاریخچه برای تشخیص اولین خرید بررسی شده است.

• محدودیت اولین خرید مشاهده شده، در صورت وجود، اعلام شده است.

• خرید نخست از خرید مجدد جدا شده است.

• مشتریان بدون بازگشت در اندازه اولیه گروه باقی مانده اند.

• بازه، تقویم، منطقه زمانی و تاریخ قطع داده مشخص هستند.

• دوره های ناقص و مشاهده نشده با صفر تفاوت دارند.

• شمارش دوره ای و تجمعی، مشتری یکتا را مبنا قرار می دهد.

• نرخ ترکیبی فقط گروه های دارای فرصت مشاهده مناسب را شامل می شود.

• اندازه گروه، تعریف شاخص و عنوان محور کنار جدول قرار دارند.

• محدودیت ها، فرضیه ها و تصمیم بعدی ثبت شده اند.

یک خانه جدول را تا داده مبدا دنبال کنید

برای کنترل اجرایی، یکی از خانه های مشاهده شده را انتخاب کنید و فهرست مشتریان آن را به دست آورید. سپس بررسی کنید:

1. آیا اولین خرید این مشتریان واقعا در دوره ورود همان گروه بوده است؟
2. آیا هر مشتری، خرید مجدد معتبر در دوره مورد نظر دارد؟
3. آیا هر شناسه در شمارش آن خانه فقط یک بار حضور دارد؟
4. آیا اندازه اولیه گروه، مشتریان بدون بازگشت را نیز شامل می شود؟
5. آیا دوره تا تاریخ قطع داده، کامل مشاهده شده است؟

برای نرخ تجمعی، چند مشتری حاضر در چند دوره را نیز کنترل کنید تا فقط یک بار شمرده شده باشند. برای نرخ ترکیبی، صورت و مخرج را از جدول تعداد بازسازی کنید.

این بررسی دستی چند نمونه، تضمین صحت تمام داده نیست، اما می تواند خطاهای مهم تعریف و شمارش را آشکار کند. هر مغایرت را پیش از تصمیم گیری بررسی کنید و اصلاحات را همراه با تاریخ استخراج گزارش ثبت کنید.

پرسش های متداول تحلیل کوهورت مشتریان

آیا می توان خرید سایت و خرید حضوری را در یک کوهورت ترکیب کرد؟

بله، اگر بتوانید خریدهای دو کانال را به مشتری یکتا متصل کنید و تعریف خرید معتبر، تاریخ و پوشش داده در هر دو کانال هماهنگ باشد.

ابتدا دامنه تحلیل را مشخص کنید: رفتار مشتری در کل کسب و کار را بررسی می کنید یا فقط خریدهای آنلاین او را؟

اگر موضوع، کل کسب و کار است، اولین خرید مشتری باید از تاریخچه مشترک آنلاین و فروش حضوری پیدا شود. مشتری دارای خرید حضوری قبلی، با نخستین سفارش آنلاین خود به مشتری جدید کل کسب و کار تبدیل نمی شود.

اما اگر پرسش درباره شروع خرید آنلاین است، می توانید اولین خرید آنلاین را معیار ورود قرار دهید. در این حالت، عنوان گروه باید همین تعریف را نشان دهد. برای مثال، «مشتریان دارای اولین خرید آنلاین»، نه «مشتریان جدید».

برای اتصال داده ها، صرف شباهت نام کافی نیست. شناسه مشترک یا روش تطبیق قابل اتکا لازم است. همچنین، سفارشی که در هر دو سامانه ثبت شده، باید یک بار شمارش شود.

اگر اتصال مشتریان ممکن نیست، گزارش دو کانال را جدا ارائه کنید و محدودیت را بنویسید. جمع تعداد مشتریان آنها، بدون حذف مشتریان مشترک، تعداد مشتریان یکتای کل کسب و کار را نشان نمی دهد.

اگر سفارش قدیمی بعدا مرجوع شود، گزارش قبلی باید تغییر کند؟

پاسخ به تعریف خرید معتبر و سیاست به روز کردن گزارش بستگی دارد.

اگر در روش شما سفارش دارای مرجوعی کامل، خرید معتبر محسوب نمی شود، ثبت مرجوعی می تواند نتیجه محاسبات را تغییر دهد. ممکن است یک خرید از شمارش بازگشت خارج شود. اگر سفارش مرجوع شده، اولین خرید معتبر مشتری بوده باشد، حتی تاریخ ورود و گروه او نیز ممکن است تغییر کند.

این تغییر را با تغییر رفتار تازه مشتری اشتباه نگیرید. بخشی از تفاوت گزارش، ناشی از اطلاعات جدید درباره سفارش قبلی است.

دو وضعیت را جدا نگه دارید:

• نسخه گزارش در تاریخ استخراج: نشان می دهد با اطلاعات موجود در همان زمان، چه نتیجه ای به دست آمده بود.
• نسخه اصلاح شده: اطلاعات تکمیلی، مانند مرجوعی ثبت شده بعدی، را طبق سیاست گزارش لحاظ می کند.

برای هر نسخه، تاریخ قطع رفتار، تاریخ استخراج، تعریف خرید معتبر و علت اصلاح را ثبت کنید. گزارش اصلاح شده را بدون توضیح جایگزین نسخه قبلی نکنید.

هنگام مقایسه گروه ها نیز، به فرصت ثبت مرجوعی توجه کنید. سفارش های قدیمی تر ممکن است فرصت بیشتری برای مشخص شدن وضعیت نهایی داشته باشند. اگر این موضوع بر نتیجه اثر دارد، روش رسیدگی و محدودیت آن باید در گزارش بیان شود.