Cohorte romana

Cohorte romana

Modelo de cohortes

No son pocos los casos en los que los emprendedores emplean el llamado modelo de cohortes para estimar la recurrencia que aplicarán en el cálculo del customer lifetime value (LTV) (aquí un post al respecto del LTV). En este post de François Derbaix (fundador de Top Rural y uno de los principales business angels de España) se define claramente cómo emplear las cohortes (según la RAE es femenino) para el análisis de la recurrencia.

Conforme cita Ash Maurya en su imprescindible Running Lean, “el análisis de cohortes es muy popular en la medicina, donde se emplea para estudiar los efectos a largo plazo de medicinas y vacunas: una cohorte es un grupo de gente que comparte una característica común dentro de un período definido (por ejemplo, …nacidos en…, … expuestos a una medicina o a una vacuna…). […] El grupo de comparación puede ser la población general de la que se toma la cohorte, o puede ser otra cohorte de personas […]” que no tendrían nada en común con la característica que definió la primera cohorte.

El modelo de estudio de cohortes que propone François Derbaix toma como cohortes los clientes por mes en que realizan su primera compra a nuestro negocio.

A partir de aquí, os recomiendo que os leáis ese post, si no lo habéis hecho (es un “must-read” para cualquier Compañía), porque está excelentemente explicado e incluye una plantilla/ejemplo que os servirá para acabarlo de entender.

La conclusión del modelo propuesto consiste en encontrar cuál es la recurrencia estimada de nuestros clientes en los próximos X meses para poder estimar el LTV multiplicando el margen bruto por dicha recurrencia.

Hasta aquí, nada que comentar (de momento…).

Recurrencia observada

La secuencia de análisis que sigue el estudio de cohortes descrito para calcular la recurrencia es la siguiente:

  1. Agrupar las compras de mis clientes por cohortes, para ver cómo han repetido los clientes que compran en un mes (“M”) en los siguientes meses (“M+n”, donde n = 1, 2, ….)
  2. Calcular el promedio de la recurrencia observada para todas las cohortes, en cada uno de los meses siguientes a su primera compra (“M+1”, “M+2”, …).
  3. Representar gráficamente esta recurrencia observada y estimar una línea de tendencia (lineal si hay pocas observaciones, logarítmica si existen más observaciones, pero en general, la línea que mejor se ajuste a nuestro caso).
  4. Obtener la ecuación que define la línea de tendencia para estimar los X meses siguientes y tener una recurrencia observada + estimada de 24 meses (según el modelo propuesto).
  5. Sumar los datos observados y los estimados para obtener el factor de recurrencia por el que se multiplicará el margen bruto para estimar el LTV.

Como podéis observar por lo destacado en negrita en los pasos anteriores, todo parte de la realidad observada.

En este punto, es bueno que todo el mundo entienda que si las observaciones son pocas, la base para extrapolar y obtener estimaciones será débil, de forma que podemos aparentemente mostrar un concienzudo estudio para estimar la recurrencia futura que no esté basado más que en hipótesis. Esto no es una debilidad del modelo, sino del uso (inconsciente) que se hace del mismo. Estimar la recurrencia de esta manera no da mayor solvencia a la hipótesis, simplemente es un método para efectuar una estimación, igual de válido que plantear la hipótesis de recurrencia de otra forma, por ejemplo:

  • Modelo de packs consumibles (monedas, créditos, tokens, …). Mi cliente consumirá en X semanas el contenido del pack, y cuando lo termine, se producirá un churn rate (baja) del Y%, de forma que con una probabilidad del (1-Y)% comprará de nuevo. Ahí tenemos una hipótesis de recurrencia.
  • Modelo de compra de productos (ecommerce) o servicios (marketplace). El (1-Y)% de mis usuarios registrados harán una compra cada X semanas, y así sucesivamente (algo muy similar al modelo de packs consumibles).

Es lo mismo que lo que hay detrás del modelo de estudio de cohortes, pero explicando la lógica de negocio que hay detrás. Podemos estimar la recurrencia aplicando el modelo de cohortes anterior, pero explicarlo de la forma propuesta. En cualquier caso se trata de hipótesis que habrá que validar con métricas reales.

Cabe destacar también que algunos inversores están pidiendo a los emprendedores como parte de su check list de due diligence de las startups analizadas este modelo de estudio de cohortes. Quizá haya que tenerlo preparado, pero sin olvidar que parte de una realidad observada, de que es una mera estimación, y de que debemos entender la lógica de negocio que hay detrás.

Valor residual y descuento en el LTV

Hay un aspecto que considero que el modelo de estudio de cohortes propuesto no cubre, y quizá sea hasta prudente que no lo haga, quizás hasta no tenga por qué tratar de los siguientes aspectos en el cálculo de la recurrencia, pero es bueno hacer al menos la reflexión siguiente. Hablo de valor residual del cliente y de tasa de descuento.

Pensemos en un modelo de negocio basado en la venta de un producto (un smartphone en una tienda física, un libro online, un servicio SaaS, …). Si tengo que valorar ese negocio desde una perspectiva de empresa y aplico un método comúnmente aceptado como el descuento de flujos de caja, tengo que descontar los flujos libres de caja que se obtienen durante un horizonte proyectado (habitualmente 5 años, o el período en el que el negocio alcanza la estabilidad) además de descontar el valor residual del negocio más allá del horizonte proyectado. 

Llevando esto a la estimación del LTV de un cliente, considero que también hay que estimar el valor residual que un cliente puede tener, es decir, la probabilidad y el impacto de que un cliente pueda seguir comprando de forma indefinida, con los niveles de inversión en capex y en capital circulante que consideremos propios de ese modelo de negocio estable.

Con independencia del mayor atractivo de modelos de negocio que contemplan una estrategia para que al menos un pequeño porcentaje de sus clientes tenga la opción de comprar de forma indefinida su producto o servicio, tiene mayor sentido financiero considerar el valor residual. El único matiz que se podría argumentar contra esta posición sería el hecho de que dicho valor residual no podría suponer un gran peso dentro del LTV, en cuyo caso el negocio estaría apostando por un producto o servicio que genera valor a la empresa a muy largo plazo, por lo que necesitará grandes inversiones en los primeros años hasta alcanzar una situación en la que el CAC sea menor que el LTV. El retorno de esas inversiones es menor por un simple efecto temporal, y ello le quita atractivo al modelo.

Asimismo, y como se deduce de lo anterior, a partir de 12 meses (lo que se conviene llamar como largo plazo), es prudente y técnicamente adecuado aplicar una tasa de descuento al valor que aporta un negocio o un cliente. De esta manera, a partir del mes 13, los flujos que genere un cliente deben estar ajustados para determinar su valor actual (su valor hoy) porque hoy es el momento en que lo estoy comparando con su coste de adquisición.

Dado que el modelo de estudio de cohortes que propone François Derbaix solamente se refiere a la estimación de la recurrencia, técnicamente sigue siendo válido, pero en la aplicación del factor de recurrencia estimado mediante dicho método al margen bruto, no debemos olvidar que hay vida más allá de esos X meses, y de que si X > 12 meses, hay un efecto temporal que debemos contemplar.

Conclusión

Aunque empleéis el modelo de estudio de cohortes no dejéis de entender:

  • la lógica de negocio que hay detrás (X compras cada Y meses por una parte de mis clientes, % churn rate implícito, etc.),
  • que estamos hablando de estimaciones, no de hechos contrastados por el simple acto de emplear este modelo, y
  • que más allá de las conclusiones de este modelo conviene analizar el valor residual y el efecto temporal del dinero (descuento) en la estimación del LTV.

 

VEP