Retention curves & phân tích churn

Vì sao retention curves và phân tích churn quan trọng

Retention curve là bức ảnh chụp sức khỏe dài hạn của sản phẩm. Churn là dòng chảy người dùng rời đi. Một sản phẩm tăng trưởng nhanh nhưng churn cao giống như đổ nước vào xô thủng: càng đổ mạnh càng lãng phí. Đọc được đường cong giữ chân và hiểu vì sao người dùng rời đi là kỹ năng phân biệt PM giỏi với PM chỉ biết đếm lượt tải.

Cái giá của việc thiếu: một app SaaS quản lý cửa hàng ở Việt Nam có churn hằng tháng 8%. Nghe nhỏ, nhưng gộp lại nghĩa là mỗi năm mất gần hai phần ba khách. Đội ngũ tập trung kéo khách mới mà không vá churn. Chi phí thu hút tăng vọt trong khi doanh thu định kỳ bào mòn. Khi họ cuối cùng phân tích churn theo phân khúc, họ thấy khách nhỏ lẻ rời nhiều nhất vì thiếu tính năng in hóa đơn đơn giản, còn khách lớn ở lại tốt. Một insight rõ ràng đáng lẽ có được từ sớm.

Bức tranh lớn

Retention curve tốt sẽ phẳng ra ở một mức dương, nghĩa là có nhóm người dùng trung thành. Đường lao thẳng về không nghĩa là chưa có product-market fit. Churn cần phân biệt tự nguyện với bắt buộc, và cần phân tích theo phân khúc và thời điểm.

graph TD
A[Retention curve] --> B[Phang ra o muc duong]
A --> C[Lao thang ve khong]
B --> D[Co product market fit]
C --> E[Chua co fit can sua loi]
A --> F[Phan tich churn]
F --> G[Churn tu nguyen]
F --> H[Churn bat buoc]
G --> I[Cai thien gia tri va trai nghiem]
H --> J[Sua thanh toan va ky thuat]

Hai loại churn cần tách: tự nguyện (người dùng chủ động rời vì hết giá trị) và bắt buộc (thẻ hết hạn, lỗi thanh toán). Cách xử lý hoàn toàn khác nhau.

Ví dụ chi tiết

App nghe nhạc Nhạc Việt muốn giảm hủy gói trả phí.

Bước 1 — Vẽ retention curve gói trả phí theo tháng. Đường phẳng ở mức 60% sau sáu tháng, khá tốt, nhưng có một cú rơi mạnh ngay tháng đầu tiên.

Bước 2 — Phân tích cú rơi tháng đầu: nhiều người dùng thử miễn phí rồi hủy ngay khi bắt đầu tính phí. Họ chưa kịp cảm nhận giá trị.

Bước 3 — Tách churn: 30% churn tháng đầu là bắt buộc do lỗi thanh toán thẻ nội địa. Đây là churn có thể cứu bằng kỹ thuật, không phải vấn đề sản phẩm.

Bước 4 — Phân khúc churn tự nguyện: người nghe dưới ba lần mỗi tuần hủy nhiều gấp năm lần người nghe hằng ngày. Thiếu thói quen là nguyên nhân.

Bước 5 — Hành động: thêm nhắc gia hạn thẻ, gửi playlist cá nhân hóa cho người ít nghe trong tuần đầu, thử lại thanh toán tự động khi lỗi. Churn tháng đầu giảm đáng kể.

Lộ trình từng bước để làm chủ

graph LR
A[Ve retention curve] --> B[Doc hinh dang duong cong]
B --> C[Tach churn tu nguyen va bat buoc]
C --> D[Phan khuc churn theo nhom]
D --> E[Tim nguyen nhan goc]
E --> F[Thiet ke can thiep va do lai]

Thói quen và kỷ luật

Working mindset: Vá xô thủng trước khi đổ thêm nước.

Cần luyện tập gì (drills)

Drill 1: Cho hai retention curve, chỉ ra cái nào có product-market fit và giải thích bằng hình dạng đường.

Drill 2: Phân loại mười trường hợp churn thành tự nguyện và bắt buộc, đề xuất cách xử lý khác nhau.

Drill 3: Phân khúc churn của một app theo tần suất sử dụng và viết một giả thuyết nguyên nhân gốc.

Checklist hành động tuần này

• [ ] Vẽ retention curve cho nhóm người dùng quan trọng nhất
• [ ] Xác định đường cong đã phẳng ra chưa
• [ ] Tách churn thành tự nguyện và bắt buộc
• [ ] Phân khúc churn tự nguyện theo hành vi
• [ ] Đề xuất một can thiệp cho nhóm churn cao nhất

Chỉ số và North Star

North Star: retention dài hạn phẳng ở mức cao và churn tự nguyện giảm dần.

Dấu hiệu bạn đã thành thạo

Nhìn một retention curve là bạn phán được sản phẩm có fit chưa và điểm rơi nằm ở đâu. Bạn luôn tách churn tự nguyện với bắt buộc trước khi bàn giải pháp. Bạn truy được nguyên nhân gốc theo phân khúc thay vì đổ lỗi chung chung, và bạn ưu tiên vá churn trước khi tăng chi cho thu hút.

Cạm bẫy thường gặp

Chốt lại

• Retention curve phẳng ở mức dương là dấu hiệu product-market fit
• Tách churn tự nguyện với bắt buộc vì cách xử lý khác nhau
• Phân khúc churn để tìm nguyên nhân gốc thay vì đoán mò
• Vá xô thủng trước khi đổ thêm nước vào thu hút

<!--case-append-->

Áp dụng vào Căng tin số

Đường đầu tiên mà ai trong phòng họp cũng chỉ vào là lượt mở app mỗi ngày: 1.600 ở tuần 1, rồi 1.250, 1.120, 1.050. Nhìn qua, nó giống một đường lao dốc. Hãy đọc hình dạng của nó như bài dạy, chứ không chỉ đọc chiều đi.

Mức giảm từng tuần: 1.600 xuống 1.250 là mất 22%; 1.250 xuống 1.120 là mất 10%; 1.120 xuống 1.050 là mất 6%. Mỗi tuần rơi ít hơn tuần trước. Đó là dấu hiệu của hiệu ứng mới lạ đang phai dần: tuần đầu nhiều người mở vì tò mò, sau đó chỉ còn người có lý do. Đường đang có dấu hiệu phẳng ra ở một mức dương, chứ không lao về không. Trong khi đó đơn đã thanh toán lại tăng từ 95 lên 205.

Nhưng có hai lời cảnh báo. Thứ nhất, bốn điểm là quá ít để nói "đã phẳng", và tuần 3 là tuần thi, ít người tới trường hơn, nên điểm tuần 3 bị kéo xuống vì lịch học. Thứ hai, lượt mở app không phải retention. Thước đo đúng là đặt lại tuần sau: người có đơn đã thanh toán ở tuần này có đặt lại ở tuần kế tiếp không. Dữ liệu chạy thử chưa tính chỉ số này. Giả sử nhóm tính ra cho cohort tuần 1: 100% ở tuần 1, 40% ở tuần 2, 32% ở tuần 3, 30% ở tuần 4. Một đường như vậy rơi mạnh ngay sau lần đầu, rồi phẳng ở khoảng 30%, đúng hình dạng "có một nhóm trung thành" mà bài mô tả.

Giờ tới churn. Bài tách hai loại vì cách xử lý khác nhau. Với Căng tin số, "bắt buộc" là những người muốn đặt mà hệ thống không cho, không phải họ hết cần.

Dòng cuối quan trọng: người chỉ xem bảng "còn món" không rời app, họ dùng nó theo cách khác. Nếu đếm họ là churn, bạn sẽ đi cứu một nhóm không cần cứu.

Phân khúc churn cũng giúp tìm gốc. Giả sử tỉ lệ đặt lại tuần sau của người tới muộn thấp hơn hẳn người chạy lịch. Lý do có thể là người tới muộn hay gặp hết món nhất, nên một lần hoàn tiền là đủ để họ không đặt nữa. Đó là giả thuyết để kiểm, chưa phải kết luận.

Vá xô trước khi đổ thêm nước: trước khi mở quầy thứ hai, hãy vá các lỗ churn bắt buộc, vì đó là những người đã muốn đặt.

Thử ngay: dùng số giả sử của riêng bạn, vẽ hai đường "đặt lại tuần sau", một cho người chạy lịch và một cho người tới muộn, rồi viết một câu giải thích vì sao hai đường khác nhau. <!--/case-append-->