Genaue Auswirkungen können Ihren Enterprise Case vornehmen oder brechen.
Trotz seiner Bedeutung verwenden die meisten Groups zu vereinfachte Berechnungen, die zu aufgeblasenen Prognosen führen können. Diese Schuss-in-the-Darkish-Zahlen zerstören nicht nur die Glaubwürdigkeit bei den Stakeholdern, sondern können auch zu einer Fehlallokation von Ressourcen und fehlgeschlagenen Initiativen führen. Es gibt jedoch einen besseren Weg, um die Auswirkungen der allmählichen Kundenerfassung zu prognostizieren, ohne unordentliche Excel -Tabellen und -Formen zu erfordern.
Am Ende dieses Artikels können Sie genaue jährliche Prognosen berechnen und eine skalierbare Implementierung implementieren Python Lösung für die Prognose von Dreiecks.
Die verborgenen Kosten ungenauer Prognosen
Auf die Frage nach jährlichen Auswirkungen schätzt, dass Produktteams die Auswirkungen routinemäßig überschätzen, indem sie einen einheitlichen Ansatz für Kundenkohorten anwenden. Groups entscheiden sich häufig für einen simplen Ansatz:
Multiplizieren Sie den monatlichen Umsatz (oder eine andere relevante Metrik) mit zwölf, um die jährlichen Auswirkungen abzuschätzen.
Während die Berechnung einfach ist, ignoriert diese Formel eine grundlegende Prämisse, die für die meisten Unternehmen gilt:
Die Kundenakquisition erfolgt das ganze Jahr über schrittweise.
Der Beitrag aller Kunden zu jährlichen Schätzungen ist nicht gleich, da spätere Kohorten weniger Monate Einnahmen beitragen.
Die Prognose der Dreiecks kann Projektionsfehler senken, indem die Auswirkungen von Zeitplänen des Kundenerwerbs berücksichtigt werden.
Lassen Sie uns dieses Konzept mit einem grundlegenden Beispiel untersuchen. Angenommen, Sie starten einen neuen Abonnementdienst:
- Monatliche Abonnementgebühr: 100 USD professional Kunde
- Monatliches Kundenakquisitionsziel: 100 neue Kunden
- Ziel: Berechnen Sie den Gesamtumsatz für das Jahr
Eine nicht vereinfachte Multiplikation deutet auf einen Umsatz von 1.440.000 USD im ersten Jahr (= 100 neue Kunden / Monat * 12 Monate * 100 USD ausgegeben / Monat * 12 Monate).
Die tatsächliche Zahl beträgt nur 780.000 US -Greenback!
Diese Überschätzung von 46% besteht darin, warum Auswirkungschätzungen häufig nicht durch die Stakeholder -Schnüffeltest bestehen.
Bei genauem Vorhersage geht es nicht nur um Mathematik –
Es ist ein Software, das Ihnen hilft, Vertrauen aufzubauen und Ihre Initiativen schneller zu genehmigen, ohne dass das Risiko von Überversprechen und Unterlieferungen unterliegt.
Darüber hinaus verbringen Datenfachleute Stunden damit, manuelle prognostizierende Prognosen in Excel zu erstellen, die volatil sind, zu Formelfehlern führen und eine Herausforderung für die Iterate führen können.
Eine standardisierte, erklärbare Methodik kann dazu beitragen, diesen Prozess zu vereinfachen.
Einführung von Dreiecksvorhersagen
Die Prognose der Dreiecks ist ein systematischer, mathematischer Ansatz, um die jährlichen Auswirkungen zu schätzen, wenn Kunden allmählich erworben werden. Es macht die Tatsache aus, dass eingehende Kunden unterschiedlich zur jährlichen Auswirkungen beitragen, je nachdem, wann sie an Bord Ihres Produkts an Bord sind.
Diese Methode ist besonders praktisch für:
- Neue Produkteinführungen: Wenn die Kundenakquise im Laufe der Zeit erfolgt
- Abonnementumsatzprognosen: Für genaue Umsatzprojektionen für abonnementbasierte Produkte
- Phased Rollouts: Zur Schätzung der kumulativen Auswirkungen allmählicher Rollouts
- Akquisitionsplanung: Um realistische monatliche Akquisitionsziele festzulegen, um jährliche Ziele zu erreichen
Das „Dreieck“ der Dreiecksvorhersage bezieht sich auf die Artwork und Weise, wie einzelne Kohortenbeiträge sichtbar gemacht werden. Eine Kohorte bezieht sich auf den Monat, in dem die Kunden übernommen wurden. Jeder Balken im Dreieck stellt den Beitrag einer Kohorte zur jährlichen Auswirkungen dar. Frühere Kohorten haben längere Balken, weil sie über einen längeren Zeitraum beigetragen haben.
Berechnung der Auswirkungen einer neuen Initiative, eines Modells oder einer neuen Funktion im ersten Jahr:
- Für jeden Monat (m) des Jahres:
- Berechnen Sie die Anzahl der gewonnenen Kunden (AM)
- Berechnen Sie die durchschnittlichen monatlichen Ausgaben/Auswirkungen professional Kunden (en)
- Berechnen Sie die verbleibenden Monate im Jahr (RM = 13-m)
- Monatliche Kohortenaufprall = Am × S × RM
2. Gesamt jährliche Auswirkungen = Summe aller monatlichen Kohortenauswirkungen
Erstellen Sie Ihre erste Dreiecksvorhersage
Berechnen wir die tatsächlichen Einnahmen für unseren Abonnementdienst:
- Januar: 100 Kunden × 100 × 12 Monate = 120.000 USD
- Februar: 100 Kunden × 100 × 11 Monate = 110.000 USD
- März: 100 Kunden × 100 × 10 Monate = 100.000 USD
- Und so weiter…
Berechnen in Excel bekommen wir:
Der jährliche Gesamtumsatz entspricht 780.000 US -Greenback– 46% niedriger als die nicht vereinfachte Schätzung!
💡 Profi -Tipp: Speichern Sie die Tabellenkalkulationsberechnungen als Vorlage, um für verschiedene Szenarien wiederzuverwenden.
Müssen Sie Schätzungen ohne perfekte Daten erstellen? Lesen Sie meinen Leitfaden zum „Erstellen von schätzbaren Auswirkungen auf die Erstellung von Schätzungen, wenn die Daten unvollkommen sind“.
Theorie in die Praxis umsetzen: Ein Implementierungshandbuch
Während wir mithilfe der obigen Methode Dreiecksvorhersagen in Excel implementieren können, können diese Tabellen nicht schnell gewartet oder geändert werden. Produktbesitzer haben auch Schwierigkeiten, Prognosen schnell zu aktualisieren, wenn sich die Annahmen oder Zeitpläne ändern.
So können wir in wenigen Minuten die gleiche Prognose in Python durchführen:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
def triangle_forecast(monthly_acquisition_rate, monthly_spend_per_customer):
"""
Calculate yearly impression utilizing triangle forecasting technique.
"""
# Create a DataFrame for calculations
months = vary(1, 13)
df = pd.DataFrame(index=months,
columns=('month', 'new_customers',
'months_contributing', 'total_impact'))
# Convert to record if single quantity, else use offered record
acquisitions = (monthly_acquisitions) * 12 if sort(monthly_acquisitions) in (int, float) else monthly_acquisitions
# Calculate impression for every cohort
for month in months:
df.loc(month, 'month') = f'Month {month}'
df.loc(month, 'new_customers') = acquisitions(month-1)
df.loc(month, 'months_contributing') = 13 - month
df.loc(month, 'total_impact') = (
acquisitions(month-1) *
monthly_spend_per_customer *
(13 - month)
)
total_yearly_impact = df('total_impact').sum()
return df, total_yearly_impactIn unserem vorherigen Beispiel für Abonnement -Service kann die Einnahmen aus jeder monatlichen Kohorte wie folgt sichtbar gemacht werden:
# Instance
monthly_acquisitions = 100 # 100 new clients every month
monthly_spend = 100 # $100 per buyer per 30 days
# Calculate forecast
df, total_impact = triangle_forecast(monthly_acquisitions, monthly_spend)
# Print outcomes
print("Month-to-month Breakdown:")
print(df)
print(f"nTotal Yearly Impression: ${total_impact:,.2f}")
Wir können Python auch nutzen, um die Kohortenbeiträge als Balkendiagramm zu visualisieren. Beachten Sie, wie der Einfluss linear abnimmt, wenn wir uns durch die Monate bewegen.
Mit diesem Python -Code können Sie jetzt schnell und effizient die jährlichen Auswirkungen schätzt und iterieren, ohne die Versionskontrolle für Absturz von Tabellenkalkulationen manuell ausführen zu müssen.
Über grundlegende Prognosen hinaus
Während das obige Beispiel unkompliziert ist, sind die monatlichen Akquisitionen und Ausgaben in allen Monaten konstant, aber dies muss nicht unbedingt wahr sein. Die Dreiecksvorhersage kann leicht angepasst und skaliert werden, um zu berücksichtigen:
Für unterschiedliche monatliche Ausgaben auf der Grundlage von Ausgabenstufen erstellen Sie für jede Kohorte eine bestimmte Dreiecksprognose und aggregieren dann die Auswirkungen der einzelnen Kohorte, um die jährlichen Gesamtauswirkungen zu berechnen.
- Unterschiedliche Erwerbsraten
In der Regel erwerben Unternehmen das ganze Jahr über nicht zu einem konstanten Preis. Die Akquisition kann langsam beginnen und sich als Advertising and marketing einteilen, oder wir könnten einen Ausbruch von frühen Anwendern haben, gefolgt von einem langsameren Wachstum. Um unterschiedliche Preise zu verarbeiten, geben Sie eine Liste monatlicher Ziele anstelle einer einzelnen Fee weiter:
# Instance: Gradual ramp-up in acquisitions
varying_acquisitions = (50, 75, 100, 150, 200, 250,
300, 300, 300, 250, 200, 150)
df, total_impact = triangle_forecast(varying_acquisitions, monthly_spend)
Um die Saisonalität zu berücksichtigen, multiplizieren Sie die Auswirkungen jedes Monats mit seinem entsprechenden saisonalen Faktor (z. B. 1,2 für die hohen Saisonmonate wie Dezember, 0,8 für niedrige Saisonmonate wie Februar usw.), bevor die Gesamtwirkung berechnet wird.
Hier erfahren Sie, wie Sie den Python -Code so ändern können, dass saisonale Variationen berücksichtigt werden:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
def triangle_forecast(monthly_acquisitions, monthly_spend_per_customer, seasonal_factors = None):
"""
Calculate yearly impression utilizing triangle forecasting technique.
"""
# Create a DataFrame for calculations
months = vary(1, 13)
df = pd.DataFrame(index=months,
columns=('month', 'new_customers',
'months_contributing', 'total_impact'))
# Convert to record if single quantity, else use offered record
acquisitions = (monthly_acquisitions) * 12 if sort(monthly_acquisitions) in (int, float) else monthly_acquisitions
if seasonal_factors is None:
seasonality = (1) * 12
else:
seasonality = (seasonal_factors) * 12 if sort(seasonal_factors) in (int, float) else seasonal_factors
# Calculate impression for every cohort
for month in months:
df.loc(month, 'month') = f'Month {month}'
df.loc(month, 'new_customers') = acquisitions(month-1)
df.loc(month, 'months_contributing') = 13 - month
df.loc(month, 'total_impact') = (
acquisitions(month-1) *
monthly_spend_per_customer *
(13 - month)*
seasonality(month-1)
)
total_yearly_impact = df('total_impact').sum()
return df, total_yearly_impact
# Seasonality-adjusted instance
monthly_acquisitions = 100 # 100 new clients every month
monthly_spend = 100 # $100 per buyer per 30 days
seasonal_factors = (1.2, # January (New Yr)
0.8, # February (Submit-holiday)
0.9, # March
1.0, # April
1.1, # Could
1.2, # June (Summer time)
1.2, # July (Summer time)
1.0, # August
0.9, # September
1.1, # October (Halloween)
1.2, # November (Pre-holiday)
1.5 # December (Vacation)
)
# Calculate forecast
df, total_impact = triangle_forecast(monthly_acquisitions,
monthly_spend,
seasonal_factors)
Diese Anpassungen können Ihnen helfen, verschiedene Wachstumsszenarien zu modellieren, einschließlich:
- Allmähliche Anstände in frühen Startphasen
- Stieffunktionswachstum basierend auf Werbemittel-Kampagnen
- Saisonale Unterschiede bei der Kundenakquise
Das Endergebnis
Zuverlässige und intuitive Prognosen können den Fall für Ihre Initiativen erstellen oder brechen.
Das ist jedoch noch nicht alles – die Prognose von Dreiecken findet auch Anwendungen, die über die Umsatzprognose hinausgehen, einschließlich der Berechnung:
- Kundenaktivierungen
- Portfolio -Verlustraten
- Kreditkarte Ausgaben
Bereit eintauchen? Laden Sie die oben geteilte Python -Vorlage herunter und erstellen Sie Ihre erste Dreiecksvorhersage in 15 Minuten!
- Geben Sie Ihre monatlichen Erwerbsziele ein
- Stellen Sie Ihren erwarteten monatlichen Kundenaufprall ein
- Visualisieren Sie Ihre jährliche Flugbahn mit automatisierten Visualisierungen
Schätzungen in der realen Welt erfordern häufig den Umgang mit unvollständigen oder unvollständigen Daten. Schauen Sie sich meinen Artikel „Erstellen von schätzbaren Auswirkungen aufbauen, wenn Daten unvollkommen sind“, damit ein Framework in solchen Szenarien verteidigbare Schätzungen erstellt.
Anerkennung:
Vielen Dank an meinen wunderbaren Mentor, Kathryne Maurerfür die Entwicklung des Kernkonzepts und zur ersten Iteration der Dreiecksprognose -Methode und damit ich es mir ermöglicht, durch Gleichungen und Code darauf aufzubauen.
Ich bin immer offen für Suggestions und Vorschläge, wie diese Führer für Sie wertvoller werden können. Viel Spaß beim Lesen!