Jūsų verslas 360° Analitika360
Kohortų analizė Power BI: nuo duomenų iki retencijos matricos
Kohortų analizė Power BI ataskaitoje parodo, kiek klientų, pirmą kartą pirkusių tą patį mėnesį, grįžta po vieno, trijų ar dvylikos mėnesių ir kiek pajamų jie atneša. Jai pakanka trijų laukų iš pardavimų duomenų (kliento kodo, dokumento datos ir sumos), kelių DAX skaičiavimų ir matricos vizualo. Šiame vadove aprašome visą kelią: kokius duomenis paruošti, kokias formules naudoti, kaip perskaityti rezultatą ir kokių klaidų išvengti, kai duomenys ateina iš Rivilės ar Finvaldos.
Trumpai
- Kohorta yra klientų grupė, sujungta pagal pirmojo pirkimo mėnesį. Jos elgsena stebima mėnuo po mėnesio.
- Power BI modeliui reikia kliento kodo, pardavimo datos, sumos ir datų lentelės.
- Pagrindiniai DAX įrankiai: CALCULATE, DATEDIFF ir DISTINCTCOUNT.
- Rezultatas pateikiamas matricoje: eilutės yra kohortos, stulpeliai yra mėnesiai nuo pirmojo pirkimo, reikšmės yra retencijos procentas arba pajamos.
- Analizė vertinga tik tada, kai atsinaujina automatiškai ir virsta konkrečiais veiksmais.
Turinys
- Kas yra kohortų analizė ir ką ji parodo
- Kokių duomenų reikia
- Kohortų modelis Power BI: žingsnis po žingsnio
- Kaip sudaryti ir perskaityti kohortų matricą
- Ne tik retencija: pajamos, krepšelis ir maržos
- Dažniausios klaidos ir kaip jų išvengti
- Mūsų požiūris
- Kohortų ataskaita jūsų Rivilės ar Finvaldos duomenims
- DUK
- Šaltiniai
Kas yra kohortų analizė ir ką ji parodo
Bendri rodikliai, tokie kaip mėnesio apyvarta ar aktyvių klientų skaičius, dažnai atrodo stabiliai net tada, kai po paviršiumi vyksta svarbūs pokyčiai. Kohortų analizė suskaido klientus į grupes pagal tai, kada jie pirmą kartą pirko, ir leidžia pamatyti tendencijas, kurias slepia bendri vidurkiai: lojalumo mažėjimą, kampanijos poveikį ar asortimento pakeitimo pasekmes.
Praktiniai klausimai, į kuriuos atsako kohortų ataskaita:
- Ar nauji klientai grįžta? Jei sausio kohortoje po trijų mėnesių perka 40 % klientų, o birželio tik 25 %, kažkas pasikeitė: aptarnavimas, kainodara arba pritraukiamų klientų tipas.
- Ar kampanija atvedė tinkamus klientus? Akcijos mėnesio kohorta gali būti didelė, bet greitai ištirpti.
- Kada klientai nustoja pirkti? Dažnai didžiausias kritimas būna antrą ar trečią mėnesį, todėl būtent tada verta priminti apie save.
- Kiek vertas klientas per metus? Sukauptos kohortos pajamos rodo realią kliento vertę, o ne vieno mėnesio rezultatą.
Svarbu atskirti, ką kohortų analizė daro gerai. Ji puikiai parodo, kas ir kada pasikeitė, ir padeda suformuluoti hipotezes. Priežastį dažniausiai patvirtina tolesnis darbas: pokalbis su pardavimų komanda, kampanijų kalendoriaus peržiūra ar kontroliuojamas eksperimentas.
Kokių duomenų reikia
Kohortų modeliui nereikia sudėtingos infrastruktūros. Užtenka pardavimų eilučių lygio duomenų, kuriuos jau saugo apskaitos programa.
| Laukas | Paskirtis | Iš kur paimti |
|---|---|---|
| Kliento kodas | Unikalus kliento identifikatorius | Pardavimų dokumentų klientų laukas |
| Dokumento data | Pirkimo mėnesio nustatymas | Sąskaitos faktūros ar čekio data |
| Suma be PVM | Pajamų kohortoms | Pardavimų eilutės ar dokumento suma |
| Kredito dokumentų žymė | Grąžinimų atskyrimas | Dokumento tipas |
| Datų lentelė | Laiko analizė ir filtrai | Sukuriama Power BI modelyje |
| Mėnesių lentelė (0–12) | Matricos stulpeliai | Sukuriama Power BI modelyje |
Jei pardavimai vedami Rivilėje, šie laukai paprastai jau yra pardavimų dokumentuose; kaip juos paruošti ataskaitoms, aprašėme straipsnyje apie Rivilės pardavimų analizę su Power BI. Finvaldos naudotojams tą patį pagrindą aprašo Finvalda pardavimų analizės vadovas.
Viena sąlyga yra būtina: istorija turi būti pilna. Jei į modelį įkelsite tik paskutinius dvejus metus, klientas, pirkęs ir prieš penkerius metus, bus klaidingai priskirtas naujų klientų kohortai.
Kohortų modelis Power BI: žingsnis po žingsnio
Toliau pateikiame paprastą ir patikimą variantą su apskaičiuotais stulpeliais. Lentelės pavadinimas pavyzdyje yra Pardavimai.
1. Pirmojo pirkimo data kiekvienam klientui.
Pirmas pirkimas =
CALCULATE (
MIN ( Pardavimai[Data] ),
ALLEXCEPT ( Pardavimai, Pardavimai[KlientoKodas] )
)2. Kohortos mėnuo. Datą suapvaliname iki mėnesio pirmos dienos, kad visi tą mėnesį pradėję klientai patektų į vieną grupę.
Kohorta =
DATE ( YEAR ( Pardavimai[Pirmas pirkimas] ), MONTH ( Pardavimai[Pirmas pirkimas] ), 1 )3. Mėnesio numeris nuo pirmojo pirkimo. Funkcija DATEDIFF grąžina, kiek intervalų ribų yra tarp dviejų datų, todėl su MONTH ji tiksliai suskaičiuoja kalendorinius mėnesius.
Mėnesio Nr =
DATEDIFF ( Pardavimai[Kohorta], Pardavimai[Data], MONTH )4. Matai. DISTINCTCOUNT skaičiuoja unikalias stulpelio reikšmes, todėl tas pats klientas su keliomis sąskaitomis per mėnesį įskaitomas vieną kartą.
Aktyvūs klientai = DISTINCTCOUNT ( Pardavimai[KlientoKodas] )
Kohortos dydis =
CALCULATE ( [Aktyvūs klientai], Pardavimai[Mėnesio Nr] = 0 )
Retencija % = DIVIDE ( [Aktyvūs klientai], [Kohortos dydis] )
Kohortos pajamos = SUM ( Pardavimai[Suma] )5. Mėnesių lentelė. Jei norite, kad matricoje būtų rodomi ir tušti mėnesiai, sukurkite atskirą lentelę su reikšmėmis nuo 0 iki 12 ir susiekite ją su stulpeliu Mėnesio Nr. Didelėms lentelėms skaičiavimus verta perkelti į Power Query ar duomenų saugyklą, kad modelis veiktų greičiau; kada to reikia, aprašėme straipsnyje apie Power BI duomenų saugyklą.
Kaip sudaryti ir perskaityti kohortų matricą
Matricos vizuale į eilutes dėkite Kohorta (formatu „2026-01“), į stulpelius Mėnesio Nr, į reikšmes matą Retencija %. Tada įjunkite sąlyginį formatavimą su spalvų gradientu: tamsesnis langelis reiškia didesnę retenciją, o kritimai iškart matomi.
Sutartinis pavyzdys, kaip atrodo rezultatas:
| Kohorta | Klientų | 0 mėn. | 1 mėn. | 2 mėn. | 3 mėn. |
|---|---|---|---|---|---|
| 2026-01 | 120 | 100 % | 42 % | 35 % | 31 % |
| 2026-02 | 95 | 100 % | 45 % | 37 % | 33 % |
| 2026-03 | 180 | 100 % | 28 % | 20 % | 17 % |
Matricą skaitykite trimis kryptimis:
- Eilute: kaip viena kohorta tirpsta laikui bėgant. Kur kreivė išsilygina, ten lieka lojalių klientų branduolys.
- Stulpeliu: kaip skirtingos kohortos atrodo tame pačiame amžiuje. Pavyzdyje kovo kohorta didžiausia, bet po mėnesio grįžo tik 28 %: tai tipinis didelės nuolaidų akcijos ženklas.
- Įstrižai: langeliai, atitinkantys tą patį kalendorinį mėnesį. Jei visos kohortos tuo pačiu metu sukrinta, priežastis greičiausiai yra išorinė: sezonas, tiekimo sutrikimas ar kainų pakeitimas.
Tą patį principą Microsoft naudoja ir sudėtingesniuose sprendimuose: klientų praradimo architektūroje Microsoft Fabric aplinkoje kohortų analizė padeda vertinti praradimo riziką, o Power BI skydeliai rodo rodiklius. Daugumai Lietuvos įmonių pakanka standartinio Power BI modelio su reguliariai atnaujinamais apskaitos duomenimis.
Ne tik retencija: pajamos, krepšelis ir maržos
Klientų skaičius yra tik pirmas sluoksnis. Tą pačią matricą galima užpildyti kitais matais:
- Kohortos pajamos pagal mėnesį parodo, ar grįžtantys klientai perka daugiau, ar mažiau nei pirmą kartą.
- Sukauptos pajamos vienam klientui (pajamos, padalytos iš kohortos dydžio, su einamąja suma per mėnesius) atskleidžia, kiek klientas atneša per 6 ar 12 mėnesių. Šį skaičių verta lyginti su pritraukimo kaina.
- Vidutinis krepšelis padeda pamatyti, ar klientai pereina prie pigesnių prekių.
- Bendroji marža pagal kohortą parodo, ar akcijos metu pritraukti klientai apskritai būna pelningi.
Restoranų tinklams kohortą galima sudaryti pagal lojalumo kortelės kodą ir pirmąjį apsilankymą, didmeninės prekybos įmonėms pagal pirkėjo kodą. Kohortas verta ir segmentuoti: pagal regioną, pardavimų vadybininką ar pirmojo pirkimo prekių grupę. Pastarąją galima derinti su ABC analize Power BI, kad matytumėte, kurios prekių grupės pritraukia ilgiausiai pasiliekančius klientus.
Dažniausios klaidos ir kaip jų išvengti
- Netikslios sumos eilutėje „Iš viso“. DISTINCTCOUNT nėra adityvus: bendra suma gali nesutapti su kategorijų suma, nes tas pats klientas skaičiuojamas vieną kartą. Tai ne klaida, bet sumas matricoje verta išjungti arba aiškiai pavadinti.
- Nepilnas paskutinis mėnuo. Einamojo mėnesio stulpelis visada atrodo prasčiau. Filtruokite tik užbaigtus mėnesius.
- Tas pats klientas su keliais kodais. Prieš analizę suvienodinkite klientų kodus, kitaip vienas klientas taps keliais naujais.
- Grąžinimai ir kreditinės sąskaitos. Atskirkite juos, kad grąžinimas nebūtų laikomas pirkimu.
- Rankinis atnaujinimas. Jei duomenys eksportuojami į Excel kartą per mėnesį, matrica greitai pasensta. Nustatykite suplanuotą Power BI atnaujinimą, o vietinei duomenų bazei naudokite Power BI duomenų šliuzą.
- Ataskaita be veiksmų. Kiekvienai pastebėtai problemai priskirkite atsakingą žmogų ir veiksmą: priminimą antrą mėnesį, pasiūlymą neaktyviems klientams, aptarnavimo patikrą.
Mūsų požiūris
Kohortų analizė yra vienas naudingiausių finansų ir pardavimų rodiklių, bet ji dažnai lieka vienkartiniu Excel projektu. Kažkas praleidžia kelias dienas, sudaro lentelę, o po mėnesio ji jau pasenusi.
Mūsų patirtis su Rivilės ir Finvaldos duomenimis rodo, kad vertę kuria ne pati formulė, o patikimas duomenų modelis po ja: teisingai sujungti klientai, atskirti grąžinimai, pilna istorija ir automatinis atnaujinimas be papildomo darbo. Kai šis pagrindas sutvarkytas, kohortų matrica tampa dar vienu puslapiu ataskaitoje, kurį vadovas atsiverčia kartu su pajamomis, pelnu ir skolomis.
Todėl rekomenduojame pradėti nuo tvirto pardavimų modelio, o kohortas pridėti kaip natūralų jo tęsinį. Taip įmonė nuolat mato, kaip keičiasi klientų elgsena, ir reaguoja greičiau.
Analitika360
Kohortų ataskaita jūsų Rivilės ar Finvaldos duomenims
Analitika360 paruošti Power BI ataskaitų paketai Rivilės ir Finvaldos naudotojams automatiškai sujungia pardavimų, pajamų, sąnaudų ir skolų duomenis į vieną modelį, kuris atsinaujina be rankinio darbo. Basic planas kainuoja 59 Eur per mėnesį, PRO planas 89 Eur per mėnesį.
Jei jums reikia kohortų matricos, pritaikytos jūsų klientų struktūrai, segmentams ar papildomiems šaltiniams, pavyzdžiui, CRM ar Excel, ją parengiame kaip individualų projektą už 70 Eur per valandą. Palyginkite planus ir susisiekite su mumis puslapyje verslo analitikos kainos.
DUK
Kuo kohortų analizė skiriasi nuo įprastos pardavimų ataskaitos?
Įprasta ataskaita parodo, kiek pardavėte per laikotarpį. Kohortų analizė parodo, kaip elgiasi konkreti klientų grupė nuo pirmojo pirkimo, todėl matote, ar klientai grįžta ir kiek jie atneša laikui bėgant.
Ar kohortų analizei reikia Power BI Pro licencijos?
Patį modelį galima sukurti Power BI Desktop programoje. Norint dalintis ataskaita su kolegomis ir ją automatiškai atnaujinti Power BI tarnyboje, paprastai reikia Pro ar Premium licencijų, kurias pagal poreikį galime pasiūlyti kartu su sprendimu.
Kokio laikotarpio duomenų reikia?
Kad matytumėte metinę retenciją, reikia bent 12 užbaigtų mėnesių po pirmos analizuojamos kohortos. Kliento pirmajam pirkimui nustatyti įkelkite visą turimą pardavimų istoriją.
Ar kohortas galima sudaryti ne pagal mėnesius?
Taip. Kohortas galima grupuoti pagal savaites, ketvirčius arba elgseną, pavyzdžiui, pagal pirmojo pirkimo prekių grupę ar kanalą. Formulės lieka tos pačios, keičiasi tik grupavimo stulpelis.
Šaltiniai
- Stripe: Cohort analysis for businesses
- Microsoft Learn: DATEDIFF function (DAX)
- Microsoft Learn: DISTINCTCOUNT function (DAX)
- Microsoft Learn: Conditional formatting in Power BI visuals
- Microsoft Learn: Customer Churn Architecture with Fabric Real-Time Intelligence
