#5 Distorções do churn - parte 1
Declaro guerra ao uso do churn para análise de retenção no produto.
Na última terça, postei o artigo “#4 Polêmica: acompanhar o churn serve para alguma coisa?” no Linkedin e no meu recém-criado Substack. Meu colega de rede profissional Jaime me fez perceber que talvez eu não tenha sido tão claro na parte da polêmica e posso ter soado contraditório. Em busca da clareza, vou me aprofundar mais na argumentação e peço licença para um texto mais longo, dividido em partes, para facilitar.
Confusão
Historicamente, o churn é definido como uma taxa percentual mensal, que divide a quantidade de clientes que saíram no mês pela base total de assinantes no mês anterior. Ela supostamente mede a “taxa de saída do seu produto”, pois mediria a proporção dos clientes que estão saindo em função da base total. Na teoria, parece interessante. Na prática, ela carrega algumas distorções matemáticas e sugere conclusões enganosas: se o churn está aumentando, temos um problema de retenção; logo, temos um problema no produto ou serviço prestado. Será mesmo?
Ciclo de vida é a causa, churn a consequência
Nos últimos 15 anos durante minha carreira, fiz gestão de diversos produtos. Entre eles, estão Globoplay (no mercado americano), ParPerfeito (o Tinder da geração passada) e Afya Whitebook (produto usado por 1/4 dos médicos do Brasil). Ao analisar indicadores de produtos de diferentes mercados, pude observar padrões e especificidades. O padrão mais importante foi: o que determina os cancelamentos do seu produto não é o churn, mas o ciclo de vida do usuário. Ciclo de vida é a causa, churn a consequência. Melhorar seu produto e atendimento aumenta o ciclo de vida, mas não necessariamente reduz o churn. Eu explico.
Exemplo 1
Para ilustrar as distorções que o churn apresenta na linha do tempo, criei um exemplo bastante simplificado. A ideia aqui é simular o lançamento de um produto em 2030, mantendo constantes tanto o número de novos assinantes quanto o ciclo de vida.
Repare que o churn começa com 10% em fev/30 e vai subindo até chegar 18,2% em nov/30, finalmente estabilizando. Isso acontece mesmo com as taxas de ciclo de vida fixas. Ao calcular tempo médio de vida (lifetime ou LT) usando uma média ponderada da nossa safra (10 clientes ficam 1 mês, 10 clientes ficam 2 meses, 10 clientes ficam 3 meses…), chegaremos em 5,5 meses de permanência média.
Aqui temos nosso primeiro achado: a distorção por lançamento de produtos.
Ao tentar calcular o LT usando o churn como base (18,2% dividido por 1), você encontraria a mesma informação apenas no mês de nov/30. Porém, na vida real, temos variações que quantidade de vendas e percentuais no ciclo de vida. Talvez você nunca encontre um número próximo do real olhando pra isso. Serve para ter um palpite ruim no cálculo de CAC / LTV? Sim. Serve para calcular o ciclo de vida e, portanto, retenção no produto? Definitivamente, não!
Vem aí
Nos próximos artigos, vou continuar explorando outras distorções causadas pelo efeito matemático do churn, como aceleração de vendas, promoções e sazonalidade. Vou trazer um exemplo menos simplificado e mais próximo do que vejo por aí.
Se você já identificou distorções parecidas ao analisar os dados do seu produto, fique à vontade para compartilhar nos comentários. Vai ser ótimo trocar aprendizados.
E se esse conteúdo te ajudou a repensar alguma coisa, manda pra alguém que também esteja tentando entender melhor as métricas de produtos por assinatura.