Analytics för ängelinvesterare, del två

Eller: världens snabbaste kohortanalys

Det här är uppföljaren till analytics för investerare, del ett. Där del ett kan sägas handla om hur man utifrån analyticsdata kan avgöra om något är värt att investera i, handlar det här om hur man kan tänka när investeringen väl är gjort.

Många ängelinvesteringar görs förmodligen på ett tidigare skede, innan den data vi pratar om i del ett är på plats. Desto viktigare för en investerare att insistera på att dessa mätpunkter kommer på plats snarast möjligt. Och, lite som när du köper ett hus kan det vara vettigt att låta en oberoende besiktningsman verifiera att siffrorna stämmer.

Vi börjar med några enklare antaganden (det är såklart en ohygglig förenkling av verkligheten, men assume a spherical cow:

  1. Vi antar att en ängelinvesterare har för avsikt att investera tidigt i bolag, och göra en exit relativt tidigt också (antingen av egen vilja eller nästkommande institutionella investerares vilja).
  2. Enda sättet att göra en lönsam exit är att värderingen är högre i kommande likviditetsevent.
  3. Enda sättet att göra värderingen högre är att gå från proof of concept till proof of revenue.
  4. För att kunna generera ett positivt kassaflöde måste intäkterna vara högre än kundanskaffningskostnaderna.

Håller du med? Toppen! Då fortsätter vi:

Alla i hela världen är vansinnigt förälskade i SaaS-modeller eftersom de innebär ett löpande, ackumulerande kassaflöde istället för en enskild transaktion. I investerar P&L:er så brukar siffrorna vara så magiska att det i princip känns omöjligt att inte bli miljonär. Dock brukar de ännu otestade modellerna bygga på ett felaktigt antagande och helt bortse från ett annat:

  1. Retention kommer vara betydligt lägre än vad någon kalkyl någonsin tar i beaktande. Av någon anledning verkar många räkna med en churn på 6%, vilket jag tror härrör från telekombolag som har lång bindningstid och förmånlig subventionering av en ny lur istället för noll bindningstid och gratis provmånad.
  2. Kundanskaffningskostnaden är en engångskostnad som ofta är mångdubbelt högre än den löpande kostnad man får in varje månad från sin mer än väntat sinande användarbas.

Tillsammans skapar dessa två en perfekt storm om man inte har ögonen öppna. Det vill säga, för att kunna köpa nya, dyra kunder krävs det en väldigt hög retention, eftersom det är de befintliga kunderna som skapar kassaflödet som krävs för att kunna generera nya. Om det investerade kapitalet måste användas för löpande anskaffning istället för produktutveckling kommer det saknas muskler att höja retention, kundanskaffningskostnaden går upp och intäkterna går ner.

Surt läge.

Hur vet man om man är på rätt spår?

Genom kohortanalys!

Därför får du här världens enklaste lektion i just det. Analysen är otroligt enkel att göra. Arbetet för att leverera de siffror som krävs för att värderingen vi pratade om tidigare ska gå upp, däremot, är något av det svåraste som finns, och kan sammanfattas med product/market fit. Finns den, är det happy days. Finns den inte, not so much.
Product/market fit har en massa definitioner.

Låt oss göra det riktigt enkelt för oss och nöja oss med att konstatera att om vi lyckas generera intäkter istället för kostnader, då är vi hemma.

En kohortanalys tittar på hur en delmängd användare beter sig över tid. Vanligt är att titta på alla nya kunder under en specifik tidsperiod (vi kör med veckor för enkelhetens skull). Säg att vi fick 1000 nya kunder en vecka. 8 veckor senare tittar vi på dem igen och ser att bara 100 är kvar.
10%.
Vi har en retention på 10%.
Vi har en churn på 90%!

V 0 V1 V2 V3 V4 V5 V6 V7 V8
1000 90% 80% 70% 60% 25% 20% 15% 10%

Men vi räknade ju på en churn på 6%! Hur ska vi ha råd att få nya kunder nu?
Det har vi inte.
Ajajajaj.
Så, det man vill se är följande:

Varje kohort ökar i storlek för varje vecka. Det betyder att kundintaget växer.

Vi vill se att varje kohort minskar så lite som möjligt vecka för vecka.

Har du ingen bidningstid är alternativen att låsa in folk relativt få, och då återstår att göra en produkt som folk verkligen vill använda, för att det löser ett riktigt behov för en relativt stor målgrupp som går att identifiera (klarna), eller för att alla andra använder den (snapchat).

Som investerare blir det väldigt enkelt att titta på en kohortanalys och säga:

”vad gjorde ni här, folk försvinner ju som råttor från ett sjunkande skepp”

”investerarkalkylen pratade om en churn på 10% men den har ju aldrig varit under 60%, hur ska ni vända det”

”den stora lanserigen ni pratade verkar inte ha haft någon påverkan på retention, hur ska ni adressera det?”

Vilket kan skapa ännu surare stämning, men öppna upp för en helt livsviktig diskussion om hur det egentligen står till på torpet.

Följande exempel är från en riktig tjänst. Det är tyvärr så det ser ut för många, och det här passerar oftast helt obemärkt i vanliga analyticsgenomgångar, eftersom nykundstillflödet är så massivt mycket större än befintliga återkommande att de helt försvinner. Men det jämna flödet får det att se ut som en stabil användarbas som tryggt och säkert ökar, när det i själva verket bara är organisk trafik som kommer in och vänder i dörren.

Vecka 0 Vecka 1 Vecka 2 Vecka 3 Vecka 4 Vecka 5 Vecka 6 Vecka 7 Vecka 8
Alla användare 100.00% 3.06% 1.20% 0.85% 0.61% 0.54% 0.38% 0.56% 0.24%
Vecka 1 100.00% 4.99% 1.52% 0.22% 0.00% 0.22% 0.00% 0.65% 0.22%
Vecka 2 100.00% 3.46% 0.49% 0.33% 0.00% 0.33% 0.16% 0.49% 0.00%
Vecka 3 100.00% 2.54% 0.91% 0.54% 0.91% 0.54% 0.54% 0.18% 0.00%
Vecka 4 100.00% 2.75% 2.16% 1.38% 0.79% 0.79% 1.18% 0.79% 0.39%
Vecka 5 100.00% 3.45% 0.81% 0.00% 0.81% 1.62% 0.41% 0.61% 0.20%
Vecka 6 100.00% 3.19% 1.79% 1.20% 0.60% 0.80% 0.60% 0.20% 0.20%
Vecka 7 100.00% 1.45% 1.93% 1.69% 0.48% 0.48% 0.24% 0.48% 0.00%
Vecka 8 100.00% 1.87% 0.42% 0.83% 0.83% 0.21% 0.42% 1.04% 0.62%

Och har vi en nästan obefintlig retention, och dessa dessutom försvinner för gott innan den förväntade gratis testperioden ens gått ut, då kommer det inte bli några pengar alls. Lägg därtill kallduschen om vi i lugn och ro tror att vi faktiskt har en stabil användarbas för att vi misstolkat ett aggregerat diagram. Jag behöver nästan gå och hälla upp ett glas samarin bara jag tänker på det.

För om en kund kostar 500 kr att köpa, och tjänsten kostar 29 kr i månaden, då dröjer det nästan ett och ett halvt år innan kunden i fråga genererar ett positivt kassaflöde som kan användas för att skaffa andra kunder. Om 90% av kunderna inte ens stannar kvar den första veckan, då är det verkligen en sfärisk ko på isen som man bör vara väldigt orolig för.

Så, varje gång du tittar på en kohortanalys kan du göra det enkelt för dig:

  1. Översta raden summerar alla kohorter. Längst till höger ser du retention. I exemplet ovan, 0,24%. Pretty fucking far from 94% (6% churn, remember?)
  2. I kolumnen för vecka 5 har vi plötsligt bara betalande kunder. Är det enormt mycket mindre jämfört med föregående vecka? Vi ser att i princip alla redan försvunnit, så det verkar varken göra från eller till. Problemet här är en tjänst som många är intresserade av att testa, men ingen vill fortsätta använda.
  3. Om vi tittar på kolumnerna, ökar siffrorna ju längre ner vi kommer? Om inte lyckas man inte öka retention på något sätt.
  4. Oftast finns en rad längst till vänster som visar det faktiska antalet som utgörs av varje kohort (jag har tagit bort dem här för att ingen skall kunna känna sig utpekad). Den måste också öka, annars lyckas du inte bygga en större användarbas. Å andra sidan, med en retention som den här är det en uppgift som skulle få Sisyfos att hånskratta åt dig. Stackare.

Om du känner att det var för mycket jobb finns det en ännu enklare metod. Säg bara att färgerna måste vara mörkare överallt. Det är för ljust.

Vilket ju kanske är att göra det lite väl enkelt för sig. Det kan trots allt vara mycket som står på spel. Låt mig summera våra räkneexempel ovan för att vara överdrivet övertydlig:

  • 1000 nya kunder med en genomsnittlig kundanskaffningskostnad på 500 kr.
    • Det är en halv miljon kr (den genomsnittliga ängelinvesteringen i Sverige ligger runt 200 kkr har jag för mig att jag har sett någonstans. Ingen aning om hur jag skall bekräfta den siffran, så ta den gärna med en rejäl nypa salt)
  • 90% försvinner direkt utan att generera intäkter.
  • Men vi har 10% kvar som genererar 29 kr i månaden.
  • Det är hundra kunder gånger 29, 2900 kr.
  • Arton månader senare har de genererat 81200 kr i intäkter, vilket är toppen.
  • Vad som är mindre toppen är de andra 90% som lämnade ett underskott på 418800 kr.
  • Det tar tolv år för resten av de orimligt trogna 100 kunderna att så att säga få ett break even på den kohorten.
  • För en investerare betyder det obönhörligen en förlust att skriva av.

Så, det blir direkt affärskritiskt att hålla koll på hur många som konverterar från gratistest till betalande kunder, och hur hög den procenten behöver vara för att kunna nå break even inom en rimlig tidsperiod.

Som investerare blir de viktigaste KPI:erna att hålla koll på således:

  • förändring i kohortstorlek (vi vill att den växer)
  • retention vecka för vecka. (WAU, weekly active users, eller MAU, monthly active users). Så lite minskning som möjligt på raderna, och i kolumnerna ska de öka, för då blir det bättre över tid.
  • konvertering till betalande. Om det sker efter 4 veckor bör det inte vara ett alltför markant tapp. Eventuellt kan man överväga att göra en kohortanalys på bara betalande kunder. Då tittar man på ARPDAU och vill såklart se att det går upp. Men det har du redan koll på!

Ja, med det här i bakfickan bör det gå att titta på de mesta företag med prenumerationsmodell och räkna sig fram till om det finns någon framtid. Med största sannolikhet gör det tyvärr inte det, men det är ju också en del av spänningen.

Vill du att jag säger till om jag skriver något mer?