Po co w ogóle cohorty w ERP – perspektywa kosztów i decyzji
Dlaczego klasyczne raporty sprzedaży nie pokazują realnej retencji
Standardowe raporty w ERP – sprzedaż miesiąc do miesiąca, rok do roku, TOP 50 klientów – dobrze pokazują, ile firma „przerobiła” faktur. Gorzej z odpowiedzią na pytanie, czy baza klientów faktycznie się wzmacnia, czy tylko podmienia się jednorazowych kupujących na kolejnych. Wzrost obrotu może przykrywać rosnącą rotację klientów.
Analiza cohortowa w ERP odwraca perspektywę: nie patrzy na miesiąc kalendarzowy jako główny wymiar, tylko na grupę klientów pozyskanych w danym okresie i śledzi ich zachowanie w czasie. Pozwala zobaczyć, ilu z nich wraca po 3, 6, 12 miesiącach oraz jak zmienia się ich wartość. Klasyczne raporty agregują wszystko razem, przez co nowi klienci z dobrym startem mogą zamaskować pełzający odpływ „starych” klientów.
Bez cohort łatwo wyciągnąć błędny wniosek: „sprzedaż rośnie, więc handlowcy działają dobrze”. Analiza cohortowa szybko weryfikuje, czy wzrost jest wynikiem pozyskiwania nowych klientów, czy utrzymywania tych, których już się ma. To dwie różne strategie, o innych kosztach i innych konsekwencjach dla marży i zapasów magazynowych.
Jak analiza cohortowa wspiera realne decyzje biznesowe
Cohorty klientów w ERP stają się praktycznym narzędziem wtedy, gdy są połączone z codziennymi decyzjami: rabaty, obsługa posprzedażowa, planowanie stanów magazynowych czy priorytety pracy handlowców. Nie chodzi o „ładne wykresy”, tylko o konkretne ruchy, które można podjąć tanim kosztem.
Przykładowo, jeśli cohorta klientów pozyskanych w I kwartale utrzymuje się na poziomie 70% aktywnych po 12 miesiącach, a cohorta z II kwartału spada do 45%, to nie jest już abstrakcyjny KPI. To sygnał, że:
- zmieniło się coś w sposobie sprzedaży (np. agresywniejsze obietnice, które nie dowożą wartości),
- zmienił się mix produktowy (więcej jednorazowych zakupów „promocyjnych”),
- albo pogorszyła się jakość obsługi nowych klientów (terminy dostaw, komunikacja).
Na bazie takich danych można przesunąć premię handlowców z czystego obrotu na utrzymanie aktywności w kolejnych miesiącach. Można też świadomie zdecydować, które produkty warto mieć zawsze na magazynie, bo budują powracające zakupy, a które traktować jak „strzały” bez dużego zaangażowania w stany.
Wzrost obrotu vs zdrowie bazy klientów
Wzrost obrotu jest miarą, która dobrze wygląda na prezentacjach, ale nie mówi nic o tym, jak stabilny jest biznes. Zdrowie bazy klientów to umiejętność generowania przychodu z tych samych klientów przez dłuższy czas. Analiza cohortowa pozwala rozdzielić:
- efekt akwizycji – ilu nowych klientów udaje się wprowadzić do systemu,
- efekt retencji – ilu z nich zostaje i jak ich wartość rośnie lub spada.
Jeśli firma rośnie dzięki stale rosnącej liczbie nowych klientów, ale odsetek klientów jednorazowych rośnie, to w praktyce kupuje sobie wzrost coraz wyższym kosztem akwizycji. Taki model jest ryzykowny: wystarczy zacięcie budżetu marketingowego lub odejście kilku kluczowych handlowców, a sprzedaż spada drastycznie.
Zdrowa baza klientów w danych ERP to taka, w której:
- każda kolejna cohorta utrzymuje podobny lub lepszy poziom retencji niż poprzednie,
- klienci z starszych cohort nadal generują znaczącą część marży,
- odsetek klientów jednorazowych nie „puchnie” rok do roku.
Kiedy cohorty mają sens w małej i średniej firmie
Analiza cohortowa bywa kojarzona z zaawansowaną analityką e‑commerce i dużymi zespołami BI. W praktyce nawet niewielka hurtownia lub firma produkcyjna może ugryźć temat prosto: z poziomu Exceli lub prostego modułu raportowego ERP. Kluczowe jest dopasowanie ambicji do skali biznesu i czasu, którym dysponuje zespół.
Cohorty są szczególnie przydatne, gdy:
- firma ma powtarzalne zakupy (np. asortyment techniczny, FMCG, części zamienne),
- sprzedaż jest B2B i klienci generują regularne zamówienia,
- budżet na pozyskanie nowego klienta jest istotny i trzeba pilnować jego spłacalności,
- chce się lepiej zaplanować magazyn w oparciu o realne powroty, a nie deklaracje handlowców.
Jeśli większość sprzedaży to projekty jednorazowe z bardzo długim cyklem (np. duże inwestycje budowlane, maszyny przemysłowe), klasyczne cohorty miesięczne mogą mieć ograniczony sens. Są wówczas inne podejścia (np. analiza po projektach), ale nie ma powodu na siłę kopiować schematów z e‑commerce.
Przykład: hurtownia, która „rosła”, a jednak traciła klientów
Niewielka hurtownia techniczna widziała systematyczny wzrost obrotu rok do roku. Zarząd był zadowolony – nowe rynki, nowi handlowcy, większy obrót. Dopiero analiza cohortowa w ERP, zbudowana na prostym eksporcie faktur do Excela, pokazała, że:
- cohorta klientów pozyskanych rok wcześniej miała retencję na poziomie ok. 60%,
- cohorty z ostatnich dwóch kwartałów traciły połowę klientów po 6 miesiącach,
- wzrósł udział sprzedaży „promocyjnej” – duże pierwsze zamówienia, brak kolejnych.
Firma w rzeczywistości traciła lojalność w kluczowych segmentach, a rosnący obrót był napędzany „świeżą krwią”. Zmiana polityki premiowej i przegląd oferty produktowej (które produkty faktycznie przyciągają powracających klientów) pozwoliły odwrócić trend bez inwestowania w drogie narzędzia BI – wszystko zostało oparte na danych z ERP i tygodniowej pracy analitycznej.
Podstawy analizy cohortowej na danych sprzedaży z ERP
Definicja cohorty klienta w kontekście ERP
Cohorta w ERP to najczęściej grupa klientów pogrupowanych według miesiąca lub kwartału pierwszego zakupu. Każdy klient ma przypisany miesiąc „startu” w relacji z firmą – np. klienci, którzy po raz pierwszy kupili w marcu 2023, tworzą jednostkę analizy „Cohorta 2023-03”.
Na tej bazie buduje się raport, który w kolejnych kolumnach pokazuje aktywność tej samej grupy w kolejnych miesiącach od startu: 0 (miesiąc pierwszego zakupu), 1 (pierwszy pełny miesiąc po starcie), 2, 3 itd. Ważne, żeby jasne było, że w analizie nie miesza się różnych cohort – porównuje się te same firmy w różnych momentach ich „życia” jako klienta.
Taka definicja jest prosta do wdrożenia, bo w każdym ERP da się wyciągnąć informację: numer klienta, data pierwszej faktury sprzedaży, wartość dokumentu. To dobry punkt startowy, szczególnie jeśli celem jest szybkie uruchomienie pierwszego raportu bez kupowania dodatkowych modułów.
Alternatywne definicje cohort: produkt, branża, kanał
Gdy podstawowy raport działa, można pokusić się o wersje rozszerzone, lepiej odzwierciedlające specyfikę biznesu. Cohorty klientów w ERP da się budować również według:
- produktu startowego – klienci, którzy pierwszy raz kupili konkretną kategorię (np. materiały eksploatacyjne vs urządzenia),
- branży klienta – różne profile retencji dla budowlanki, gastronomii, przemysłu,
- kanału pozyskania – handlowiec, sklep internetowy, marketplace, partner, telefon.
Takie podejście jest przydatne, gdy chce się odpowiedzieć na pytania typu: „Które produkty wejściowe budują najdłuższe relacje?”, „Czy klienci pozyskani przez marketplace wracają bezpośrednio?”, „Czy branża X jest bardziej lojalna niż Y?”. Od strony technicznej oznacza to dodanie do danych transakcyjnych dodatkowych pól: kategoria produktu, kanał sprzedaży, branża z karty kontrahenta.
Retencja transakcyjna a retencja relacyjna
Przy pracy na danych ERP kluczowe jest rozróżnienie dwóch typów retencji:
- retencja transakcyjna – klient wraca z realnym zamówieniem (faktura, WZ),
- retencja relacyjna – klient nadal jest w procesie: wyceny, spotkania, zapytania ofertowe, ale bez dokumentu sprzedaży.
ERP świetnie nadaje się do badania retencji transakcyjnej, bo operuje na dokumentach, które mają realny wpływ na wynik finansowy. Dane o retencji relacyjnej są często rozproszone po CRM, mailach czy notatkach handlowców. Jeśli priorytetem jest kontrola marży i stanów magazynowych, to retencja transakcyjna jest pierwszym, najbardziej policzalnym poziomem.
W firmach, gdzie proces sprzedaży jest długi, a cykl decyzyjny rozciągnięty (np. projektowe B2B), sensowne może być połączenie danych z ERP (faktury, zamówienia) z CRM (oferty, spotkania). Jednak nawet sam ERP potrafi wiele powiedzieć, jeżeli zdefiniuje się „klienta aktywnego” choćby jako takiego, który miał dokument sprzedaży lub zaliczki w danym okresie.
Przekład e‑commerce na B2B, produkcję i dystrybucję
Terminologia analizy cohortowej przyszła do ERP głównie z e‑commerce: krótki cykl zakupowy, duża liczba transakcji, łatwy do policzenia powrót po 30/60/90 dniach. W B2B i produkcji te schematy trzeba dopasować do realiów:
- zakupy są rzadsze, ale wartościowo większe,
- klient może mieć roczne kontrakty lub projekty z kilkoma dużymi dostawami,
- istnieje silna sezonowość, np. budowlanka, rolnictwo.
W takich warunkach ślepe kopiowanie metryk z e‑commerce („powrót w ciągu 30 dni”) prowadzi do absurdalnych wniosków. Zamiast tego warto zdefiniować okna analizy dopasowane do cyklu biznesowego: np. 3‑miesięczne, 6‑miesięczne lub roczne. Kluczowe jest, by porównywać te same okna między sobą (np. retencja po 6 miesiącach dla cohort z kolejnych kwartałów).
Ograniczenia: długie cykle, sezonowość, zakupy projektowe
Analiza cohortowa nie jest panaceum na wszystko. W kilku przypadkach trzeba ją modyfikować albo potraktować jako jedno z narzędzi:
- długi cykl zakupowy – jeśli typowy klient zamawia raz na 12–18 miesięcy, to sens mają cohorty roczne, a nie miesięczne,
- silna sezonowość – w branżach sezonowych warto porównywać klienta do jego aktywności rok do roku, a nie miesiąc do miesiąca,
- sprzedaż projektowa – przy jednorazowych, dużych projektach warto łączyć cohorty z analizą projektów i rentowności kontraktów.
Mimo tych ograniczeń nawet prosta analiza „kto kupił ponownie w ciągu 12 miesięcy od pierwszego zamówienia” daje lepszy obraz lojalności niż sama suma przychodów z danego roku obrotowego.
Jak zidentyfikować klienta i datę „pierwszego zakupu” w ERP
Co przyjąć jako „klienta”: karta kontrahenta, NIP, powiązane spółki
Fundament analizy cohortowej to jednoznaczna definicja klienta. W ERP często występują różne warianty:
- oddzielne karty dla kilku spółek z jednej grupy kapitałowej,
- osobne karty dla różnych lokalizacji tej samej firmy,
- duplikaty tej samej firmy z błędami w nazwie lub NIP.
Najprostsze podejście „na start” to przyjęcie karty kontrahenta jako jednostki klienta. Jeśli jednak w bazie jest sporo duplikatów lub powiązanych spółek, warto rozważyć dodatkowy poziom: klient grupowy, bazujący np. na NIP lub ręcznie zdefiniowanej grupie.
Optymalny kompromis dla większości firm to:
- używać numeru NIP jako podstawowego klucza tam, gdzie to możliwe,
- ręcznie połączyć kilka oczywistych duplikatów i powiązanych jednostek (główne konta),
- pozostawić resztę na poziomie kart kontrahentów, ale pilnować higieny danych na przyszłość.
Wybór daty pierwszego zakupu: faktura, WZ, zaliczka
W ERP nie zawsze jest oczywiste, który dokument przyjąć jako pierwszy zakup. Najczęściej rozważa się:
- pierwszą fakturę sprzedaży – jednoznaczny dokument przychodowy, powiązany z wynikiem,
- pierwszy dokument WZ – dobry w firmach, gdzie dostawa poprzedza fakturę,
- pierwszą wpłatę / zaliczkę – sensowne przy długo trwających projektach.
Najbardziej uniwersalne rozwiązanie to pierwsza faktura sprzedaży, bo jest najprostsze do wyciągnięcia i dobrze koresponduje z przychodem. Jeśli w branży występują znaczące przedsprzedaże lub procesy serwisowe przed fakturą, można wprowadzić modyfikację, ale trzeba pamiętać, by definicja była spójna dla wszystkich klientów.
Jak wyciągnąć datę pierwszego zakupu z ERP – wariant „na skróty” i wariant docelowy
Można podejść do tematu na dwa sposoby: szybko i „po kosztach” albo dokładniej, z myślą o późniejszej automatyzacji. W praktyce często zaczyna się od prostego wariantu, a dopiero gdy raport zaczyna żyć w firmie, przechodzi się na wersję trwałą.
- Wariant „na skróty” (Excel / CSV) – eksportuje się z ERP listę wszystkich dokumentów sprzedaży z ostatnich kilku lat (kontrahent, data, numer, wartość), a potem w Excelu lub arkuszu kalkulacyjnym:
- sortuje dane po kliencie i dacie,
- dla każdego klienta wybiera najwcześniejszą datę dokumentu,
- przypisuje tę datę jako „pierwszy zakup” i skraca ją do miesiąca/kwartału.
To rozwiązanie nadaje się do szybkiej diagnozy lub jednorazowego audytu retencji.
- Wariant docelowy (widok / zapytanie w bazie) – administrator lub konsultant ERP przygotowuje widok w bazie danych, który:
- agreguje wszystkie dokumenty sprzedaży po kliencie,
- wybiera minimalną datę dokumentu,
- zapisuje ją jako osobne pole (np.
first_sale_date) możliwe do raportowania.
Dzięki temu każdy raport (w ERP, w BI czy w Excelu podłączonym do bazy) od razu widzi datę pierwszego zakupu.
W wielu firmach wystarczy na początek „brzydka”, ale szybka wersja w Excelu. Jeśli analiza pokaże przydatne wnioski i trafi na zarząd, wtedy jest argument, aby wydać trochę budżetu na zrobienie stabilnego rozwiązania w bazie ERP.
Obsługa reaktywacji: klient „wraca po latach”
Dane z ERP potrafią skomplikować sprawę w jednym obszarze: klient mógł kupować kilka lat temu, potem zniknąć i wrócić. W takim przypadku pojawia się pytanie, czy liczyć go nadal w starej cohortcie, czy zdefiniować jako „reaktywowanego” w nowej.
Przy prostym podejściu zostawia się jednolitą definicję – klient należy do cohorty na podstawie absolutnie pierwszego zakupu, niezależnie od przerw. To ułatwia obliczenia i interpretację trendów w długim okresie.
Jeżeli jednak biznes opiera się w dużej mierze na klientach wracających po długich przerwach (np. rynek remontów, modernizacji, inwestycji kapitałowych), można wprowadzić dodatkową etykietę „reaktywacja po X miesiącach”. W praktyce można:
- przyjąć próg, np. 24 miesiące bez zakupu,
- oznaczać klienta, u którego różnica między dwiema kolejnymi transakcjami przekracza ten próg,
- analizować osobno wskaźnik reaktywacji oraz retencję pierwotnej cohorty.
Nie wymaga to przebudowy całego raportu – często wystarczy jeszcze jedna kolumna z informacją, czy w danym okresie klient z cohorty miał „długi okres ciszy” przed bieżącą transakcją.
Projektowanie podstawowego raportu cohortowego w ERP (krok po kroku)
Krok 1: wybór jednostki czasu i horyzontu analizy
Zanim ktokolwiek napisze pierwsze zapytanie do bazy, trzeba ustalić dwie rzeczy: jaki okres przyjmujemy jako „korytarz czasu” oraz jak daleko w przyszłość śledzimy klienta po pierwszym zakupie.
Najczęstsze praktyczne ustawienia to:
- cohorty miesięczne, horyzont 12 miesięcy – dobre tam, gdzie cykl zakupowy to 1–3 miesiące, a sprzedaż jest w miarę równomierna w ciągu roku,
- cohorty kwartalne, horyzont 8–12 kwartałów – sprawdzają się w B2B z dłuższymi cyklami, przy sprzedaży projektowej oraz w firmach z mocną sezonowością,
- cohorty roczne, horyzont 5–7 lat – dla bardzo długich cykli zakupowych i złożonych kontraktów.
Na start zwykle wystarcza wariant kwartalny z horyzontem 8–12 kwartałów. Tabela jest wtedy wystarczająco „lekka”, żeby ją objąć wzrokiem, a jednocześnie pokazuje efekt zmian polityki cenowej, rabatowej czy pracy handlowców na przestrzeni kilku lat.
Krok 2: zbudowanie tabeli faktów transakcyjnych
Podstawą raportu jest prosta, ale dobrze oczyszczona tabela transakcji. Minimalny zestaw kolumn, który realnie wystarcza do większości analiz cohortowych, to:
- identyfikator klienta (np. NIP lub numer karty kontrahenta),
- data dokumentu (faktury, WZ, paragonu, w zależności od przyjętej definicji),
- wartość sprzedaży (netto lub marża – zależnie od potrzeb),
- oznaczenie typu dokumentu (sprzedaż, korekta, zwrot – po to, by korygować wartości).
Jeśli ERP nie pozwala łatwo zbudować takiej tabeli jako widoku w bazie, można raz na miesiąc robić eksport CSV i nadpisywać arkusz źródłowy w Excelu. Nie jest to eleganckie, ale kosztuje tylko trochę dyscypliny po stronie działu księgowego lub controllingowego.
Krok 3: wyliczenie cohorty i wieku klienta
Mając tabelę transakcji i datę pierwszego zakupu, trzeba dodać dwie kluczowe informacje:
- cohorta klienta – np. rok i miesiąc / kwartał pierwszej faktury (
2023‑Q1,2023‑03), - „wiek” klienta w momencie transakcji – ile okresów (miesięcy/kwartałów) minęło od startu do danej transakcji.
Technicznie ten „wiek” to różnica między datą transakcji a datą pierwszego zakupu, przeliczona na jednostkę, w której budowana jest cohorte (miesiąc, kwartał, rok). W Excelu można to zrobić funkcją liczby miesięcy/kwartałów, w SQL – funkcjami datowymi typu DATEDIFF.
Rezultat to każda linia transakcji z dwoma dodatkowymi polami: z której cohorty pochodzi klient oraz w którym „miesiącu życia” jest dana transakcja.
Krok 4: budowa macierzy cohortowej
Na tej podstawie tworzy się już tabelę, którą lubi zarząd: w wierszach cohorty, w kolumnach kolejne miesiące/kwartały życia klienta. Treścią komórek może być:
- liczba aktywnych klientów z cohorty w danym miesiącu życia,
- procent klientów z cohorty, którzy dokonali zakupu,
- przychód lub marża wygenerowana przez tę cohortę w danym okresie życia.
Najprościej buduje się tę macierz jako tabelę przestawną w Excelu, z polami:
- wiersze – cohorte (np. 2023‑Q1, 2023‑Q2, …),
- kolumny – wiek klienta w miesiącach/kwartałach,
- wartości – liczba unikalnych klientów lub suma sprzedaży.
Na początek wystarczy liczba aktywnych klientów oraz procent retencji, bo to najszybciej pokazuje, gdzie „ucieka” baza.
Krok 5: decyzja o zakresie danych i „obcięciu” młodych cohort
W raportach cohortowych często wprowadza się proste ułatwienie wizualne: młode cohorty są „niepełne”, więc mają naturalnie niższe wartości w dalszych kolumnach. Żeby uniknąć mylących wniosków, stosuje się dwa triki:
- ogranicza się analizę do cohort mających przynajmniej X okresów życia (np. 6 kwartałów),
- oznacza się kolory, zastrzeżenia lub filtruje kolumny, tak aby nie porównywać pełnych i niepełnych wierszy wprost.
Dobrym, „tanio” osiągalnym rozwiązaniem jest trzymanie w jednym pliku dwóch kart: jedna do bieżącej pracy operacyjnej (z wszystkimi cohortami), druga do prezentacji zarządowi (bez ostatnich 1–2 cohort).
Kluczowe wskaźniki retencji i powracających zakupów w ERP
Retencja klientów: kto w ogóle wraca
Pierwszym wskaźnikiem, który zwykle pojawia się w dyskusjach, jest retencja klientów, czyli odsetek klientów z cohorty, którzy dokonali przynajmniej jednej transakcji w danym okresie życia.
Technicznie oblicza się ją tak:
- w liczniku – liczba klientów z danej cohorty, którzy w okresie t mieli przynajmniej jeden dokument sprzedaży,
- w mianowniku – liczba wszystkich klientów z tej cohorty,
- w wyniku – procent retencji w okresie t (np. po 3 miesiącach, po 12 miesiącach).
Dla zarządu szczególnie użyteczne są stałe punkty odniesienia, np. „retencja po 6 miesiącach” oraz „retencja po 12 miesiącach” – wtedy łatwo porównać, czy kolejne roczniki klientów są lepsze czy gorsze od poprzednich.
Retencja przychodowa: ile obrotu wraca
Sam procent klientów nie mówi jeszcze, czy ci, którzy wracają, generują sensowny przychód. Dlatego drugim, równie ważnym miernikiem jest retencja przychodowa (lub marżowa).
Do prostego policzenia wystarczy:
- zsumować sprzedaż całej cohorty w okresie startu (t = 0),
- zsumować sprzedaż tej samej cohorty w kolejnych okresach (t = 1, 2, 3, …),
- obliczyć relację sprzedaży w okresie t do sprzedaży w okresie 0.
Jeżeli po 12 miesiącach sprzedaż cohorty wynosi 80% wartości z okresu startu, oznacza to, że klienci utrzymali potencjał zakupowy; jeśli 20% – byli to głównie „jednorazowcy”.
Ten wskaźnik jest szczególnie przydatny w firmach, gdzie pierwsze zamówienie jest bardzo duże (kontrakt, projekt, zakup sprzętu), a kolejne to już mniejsze zakupy eksploatacyjne lub serwisowe. Czysta liczba klientów nie oddaje wtedy pełnego obrazu.
Średni przychód na aktywnego klienta (ARPA) w czasie
Kolejny praktyczny wskaźnik to średni przychód na aktywnego klienta w cohortcie w danym okresie życia. Liczy się go dzieląc sprzedaż cohorty w okresie t przez liczbę aktywnych klientów z tej cohorty w tym okresie.
Jeżeli retencja liczona w klientach jest stabilna, ale średni przychód na klienta spada w kolejnych rocznikach, często oznacza to problem z polityką rabatową, przecenianiem oferty „na wejściu” lub cięciem budżetów przez stałych klientów.
W prostych raportach ARPA można trzymać w osobnej tabeli pomocniczej i aktualizować raz w miesiącu – to nadal praca na arkuszu, a nie nowy system BI.
Wskaźniki powracających zakupów: częstotliwość i głębokość
Retencja mówi, czy klient wrócił. Analiza cohortowa pozwala pójść głębiej i zobaczyć jak często wraca oraz jak dużo kupuje przy powrocie. W praktyce używa się kilku prostych liczb:
- liczba transakcji na klienta w danym okresie życia – np. w pierwszych 6 miesiącach od startu średnio 2,3 dokumentu na klienta,
- średni odstęp między zamówieniami – liczony na poziomie klienta, a potem uśredniany w obrębie cohorty,
- udział „powracających” w całym obrocie – jaki procent sprzedaży w danym roku pochodzi od klientów, którzy nie są w pierwszym okresie życia.
Często wystarczy prosta klasyfikacja: klienci jednorazowi (1 transakcja), klienci epizodyczni (2–3 transakcje w ciągu roku) i klienci stali (4+ transakcje). Zestawienie tego w podziale na cohorty zwykle bardzo szybko pokazuje efekty zmian w cennikach, obsłudze posprzedażowej czy terminy płatności.
Marża vs przychód: kiedy która metryka ma sens
W wielu ERP łatwiej policzyć przychód niż marżę. Z biznesowego punktu widzenia bardziej interesuje jednak retencja marży, a nie samego obrotu. Nie każdy klient, który regularnie kupuje w promocjach, jest faktycznie „dobrym” przypadkiem w cohortcie.
Jeśli koszty wdrożenia pełnej marży na poziomie pozycji dokumentu są zbyt wysokie, można zacząć od prostego przybliżenia:
- wybrać kilka głównych kategorii produktowych i przypisać im uśrednioną marżowość,
- mnożyć sprzedaż netto tych kategorii przez ich średnią marżę procentową,
- analizować szacowaną marżę cohorty w czasie, zamiast samego obrotu.
To nie będzie idealny wynik księgowy, ale znakomicie wystarczy do decyzji typu: „czy cohorta klientów pozyskanych przez kanał X ma podobną rentowność do tych pozyskanych przez kanał Y?”.
Łączenie cohort z segmentacją klientów i produktową strukturą sprzedaży
Segmentacja klientów: wielkość, branża, kanał pozyskania
Najczęściej zadawane pytania (FAQ)
Co to jest analiza cohortowa klientów w ERP i po co ją robić?
Analiza cohortowa polega na grupowaniu klientów według momentu pierwszego zakupu (np. miesiąc lub kwartał startu) i śledzeniu ich zachowania w czasie. Zamiast patrzeć na sprzedaż „po kalendarzu”, patrzysz na to, jak zachowuje się ta sama grupa klientów po 3, 6, 12 miesiącach od pierwszej transakcji.
Dzięki temu widać, czy firma faktycznie buduje bazę powracających klientów, czy tylko stale podmienia jednorazowych kupujących na nowych. To bezpośrednio przekłada się na koszty akwizycji, marżę i ryzyko związane z cięciem budżetu marketingowego lub rotacją w zespole handlowym.
Dlaczego klasyczne raporty sprzedaży z ERP nie wystarczą do mierzenia retencji?
Standardowe raporty typu „sprzedaż miesiąc do miesiąca”, „rok do roku” czy „TOP 50 klientów” mieszają w jednym zestawieniu starych i nowych klientów. Wzrost obrotu może więc przykrywać rosnący odpływ dotychczasowych kupujących – wygląda to dobrze na wykresie, ale nie pokazuje zdrowia bazy klientów.
Analiza cohortowa odwraca tę logikę: porównuje te same grupy klientów w różnych momentach ich „życia” z firmą. Dzięki temu wychwytujesz np. sytuacje, w których nowi klienci zaczynają od dużych zamówień promocyjnych, ale nie wracają, albo widać, że kolejne roczniki klientów mają coraz gorszą retencję mimo rosnącej sprzedaży ogółem.
Jak zacząć robić cohorty klientów na danych z ERP bez drogich narzędzi BI?
Na start wystarczy prosty eksport faktur sprzedaży z ERP do Excela lub modułu raportowego, który już masz. Kluczowe pola to: numer klienta, data pierwszej faktury, wartość sprzedaży, ewentualnie branża, kanał pozyskania, kategoria produktu startowego. Na tej podstawie przypisujesz klienta do cohorty (np. „2023-03”) i liczysz, ilu z nich jest aktywnych w kolejnych miesiącach.
Na początek zrób jedną, prostą tabelę cohort miesięcznych lub kwartalnych i jeden wskaźnik retencji (np. odsetek klientów, którzy zrobili jakikolwiek zakup w danym miesiącu od startu). Dopiero gdy to działa i jest używane w decyzjach (premie, magazyn, priorytety handlowców), warto myśleć o automatyzacji czy droższych rozwiązaniach BI.
Jak mierzyć retencję klientów w cohortach na danych z ERP?
Najprostszym podejściem jest retencja transakcyjna, czyli sprawdzenie, ilu klientów z danej cohorty zrobiło jakikolwiek zakup po określonym czasie. Przykład: z cohorty klientów pozyskanych w marcu 2023 po 12 miesiącach nadal kupuje 55% – to twój wskaźnik retencji 12-miesięcznej dla tej grupy.
Można to rozszerzyć o wartość: liczysz nie tylko, ilu klientów zostało, ale też jaką marżę generują po 3, 6, 12 miesiącach. W praktyce przydają się dwa widoki:
- retencja ilościowa – odsetek klientów, którzy wciąż kupują,
- retencja wartościowa – udział danej cohorty w marży lub obrocie po określonym czasie.
Kiedy analiza cohortowa ma sens w małej lub średniej firmie?
Cohorty są szczególnie użyteczne w firmach, gdzie klienci kupują powtarzalnie: hurtownie, producenci z regularnymi dostawami, sprzedaż B2B, serwis części zamiennych, FMCG. Tam koszt pozyskania klienta jest istotny, a sens biznesu polega na tym, żeby klient wracał wielokrotnie.
Mniej opłaca się inwestować w cohorty, gdy większość sprzedaży to duże, jednorazowe projekty z długim cyklem (np. maszyny przemysłowe, duże budowy). W takiej sytuacji lepiej analizować rentowność i powtarzalność na poziomie projektów lub kontraktów, zamiast na siłę kopiować układ „cohort miesięcznych” z e‑commerce.
Jakie decyzje biznesowe można oprzeć na cohortach klientów w ERP?
Cohorty pomagają przenieść analizę z poziomu „ładnego wykresu” na konkretne działania. Typowe decyzje oparte na danych z cohort to m.in.:
- zmiana systemu premiowania handlowców z samego obrotu na utrzymanie aktywności klientów w kolejnych miesiącach,
- selekcja produktów, które warto mieć zawsze na magazynie, bo „ciągną” powracające zakupy,
- przegląd polityki rabatowej – np. większa nagroda za powtarzalność niż za jednorazowe duże zamówienie,
- ocena jakości obsługi nowych klientów, gdy retencja nagle spada dla jednej lub dwóch kolejnych cohort.
Dzięki temu nie przepalasz budżetu na ciągłą akwizycję, tylko wzmacniasz te elementy oferty i procesu, które realnie budują długoterminową wartość klienta.
Czym różni się retencja transakcyjna od retencji relacyjnej w danych ERP?
Retencja transakcyjna oznacza, że klient fizycznie wraca z zamówieniem – w danych ERP zobaczysz to jako fakturę, dokument WZ czy paragon. To twardy wskaźnik, idealny do budowania prostych cohort sprzedażowych i liczenia powracających zakupów.
Retencja relacyjna jest szersza: klient formalnie nadal jest w relacji (odbiera ofertę, rozmawia z handlowcem, ma podpisaną umowę ramową), ale przez jakiś czas nie składa zamówień. W samym ERP często widać tylko brak transakcji, więc przy analizie cohort koncentruje się najpierw na retencji transakcyjnej, a informacje o relacjach miękkich (np. notatki handlowców, CRM) traktuje jako uzupełnienie, gdy trzeba zrozumieć przyczynę spadku retencji.
Opracowano na podstawie
- Customer Centricity: Focus on the Right Customers for Strategic Advantage. Wharton Digital Press (2011) – Koncepcja wartości klienta w czasie, retencja, lojalność
- Customer Lifetime Value: A Review and Future Directions. Journal of Interactive Marketing (2006) – Przegląd metod liczenia CLV i retencji klientów
- Marketing Metrics: The Definitive Guide to Measuring Marketing Performance. Pearson Education (2010) – Metryki retencji, powracających zakupów i analizy kohortowej
- Data-Driven Marketing: The 15 Metrics Everyone in Marketing Should Know. Wiley (2010) – Metryki akwizycji, retencji i oceny zdrowia bazy klientów
- Customer Retention Dynamics in Continuous Service Contexts. Journal of Service Research (2002) – Mechanizmy retencji i odejść klientów w usługach B2B
- Cohort Analysis: A Guide to Measuring Customer Retention Over Time. Harvard Business School Publishing – Opis analizy kohortowej i interpretacji wskaźników retencji
- Enterprise Resource Planning Systems: Systems, Life Cycle, Electronic Commerce, and Risk. Cambridge University Press (2004) – Rola ERP w gromadzeniu danych sprzedaży i raportowaniu
- ERP and Business Intelligence: The Strategic Alignment. International Journal of Business Information Systems (2013) – Integracja ERP z BI, raporty i analityka sprzedaży
