Mit is mér a churn?
Egy üzleti probléma, ami szinte minden termék- és szolgáltató cégnél előjön.
Mi is az a lemorzsolódási ráta, azaz a churn?
Ha van egy terméked vagy szolgáltatásod, akkor előbb-utóbb lesz egy nagyon egyszerű, nagyon kellemetlen kérdésed:
Miért mennek el az emberek?
Lehet, hogy nem így fogalmazod meg.
Lehet, hogy „csökken az aktív bázis”, „romlik a megújulás”, vagy „nem nő a bevétel”.
De a jelenség ugyanaz: valaki egyszer csak nem folytatja.
Ezt hívjuk churnnek.
Hol kerül elő a churn, mint probléma?
A churn nem csak előfizetéses appoknál létezik.
Ott jelenik meg, ahol:
- van ismétlődő kapcsolat az ügyféllel (nem egyszeri tranzakció),
- van elvárt folytatás (használat, visszatérés, megújítás),
- és a cégnek fontos, hogy az ügyfél ne tűnjön el csendben.
Tipikus churn-es vállalatok
Előfizetés / membership / SaaS
-
streaming, online újság, B2B szoftver, edzőterem
-
a churn itt nagyon konkrét: lemondás vagy nem megújulás
Appok és digitális termékek
-
mobilappok, játékok, marketplace-ek
-
gyakran nincs „lemondás”, csak eltűnés: inaktivitás
Telco cégek, biztosítás, bank
-
csomagok, szerződések, hosszú távú kapcsolat
-
churn = szolgáltatóváltás vagy termék megszüntetése
Retail és e-commerce
-
nincs előfizetés, de van „eltűnő vásárló”
-
churn gyakran: nem vásárol X ideje, elveszett a visszatérő státusz
B2B szolgáltatások
-
ügynökségek, szoftveres szolgáltatók, outsourcing
-
churn = megszűnő partneri kapcsolat, csökkenő usage vagy spend
A közös pont:
a céget nem az érdekli, hogy „volt-e valaha ügyfél”, hanem az, hogy marad-e.
Miért nem „egyszeri” cégeknél erős ez?
Ha egyszer eladsz egy terméket (pl. esküvői fotózás), ott is lehet visszatérés,
de nem ez a fő üzleti motor.
A churn akkor válik központi kérdéssé, amikor az üzlet hosszú kapcsolatból él.
Miért fontos ez üzletileg?
Mert a churn általában nem csak „egy mutató”.
Hanem tünet.
- a termék nem ad elég értéket,
- a versenytárs jobb ajánlatot ad,
- a belépési élmény rossz,
- a pricing nem passzol,
- az ügyfélszolgálat nem működik,
- vagy egyszerűen rossz ügyfeleket szereztünk meg.
Ez azért kritikus, mert az ügyfélszerzés sokszor drágább, mint a megtartás.
Ha a bázis „lyukas vödör”, akkor hiába hozol be újakat: nem nősz.
Miért nem ugyanaz a churn és a „bevétel probléma”?
Mert ugyanaz a churn arány teljesen mást jelenthet attól függően, hogy:
- kik mennek el (kis vs nagy értékű ügyfelek),
- mikor mennek el (első hét vs 12. hónap),
- mi számít normálisnak a termék életciklusában.
A churn ezért nem „egy szám”.
Inkább egy kérdéscsomag:
- hol fáj?
- mikor kezdődik?
- kiknél?
- mi változott?
Egy mediaipari vállalat története
Képzeljünk el egy digitális mediaipari vállalatot.

A Media24 híreket, elemzéseket és prémium tartalmakat kínál előfizetéses modellben. Az olvasók egy része ingyenes tartalmakat fogyaszt, mások havi vagy éves díjat fizetnek a teljes hozzáférésért.
A felszínen minden rendben van:
- folyamatosan érkeznek új előfizetők,
- a tartalomgyártás nem áll meg,
- van stabil havi bevétel,
- a marketing aktív.
Mégis, időről időre felmerül egy kellemetlen érzés: az aktív előfizetői bázis nem nő úgy, ahogy várnák.
Hol kezd látszani a probléma?
A számok önmagukban nem riasztóak.
- az új előfizetések száma elfogadható,
- a lemondások nem ugranak meg hirtelen,
- nincs egyetlen látványos törés.
Mégis, ha hosszabb időszakra néznek rá, kiderül, hogy:
sok előfizető nem marad elég sokáig ahhoz, hogy valódi, hosszú távú értéket teremtsen.
A kérdés innentől nem az, hogy „jönnek-e újak”, hanem az, hogy:
- meddig maradnak,
- mikor kezdenek eltűnni,
- és mi különbözteti meg azokat, akik maradnak, azoktól, akik nem.
Ez az a pont, ahol a jelenség neve churn.
Miért különösen érzékeny ez a médiában?
Egy előfizetéses médiacégnél az üzlet nem egyetlen kattintáson múlik. Hanem azon, hogy az olvasó visszatér-e, használja-e a szolgáltatást, és idővel hajlandó-e újra és újra fizetni érte.
Ha sok előfizető az első hetekben vagy hónapokban eltűnik, az egészen mást jelent, mintha valaki egy év után mondja le az előfizetést.
Ugyanaz a szám, teljesen más történet.
És ezek a történetek hatással vannak:
- a tartalomstratégiára,
- az árazásra,
- a marketingre,
- és arra is, hogy milyen növekedés reális hosszabb távon.
Miért nem „csak egy mutató” a churn?
A churn első ránézésre egyszerűnek tűnik: hányan mentek el egy adott időszakban.
De önmagában ez keveset mond.
Nem derül ki belőle:
- kik mentek el,
- mikor mentek el,
- milyen használat után,
- és hogy ez mennyire számít „normálisnak” ebben a termékben.
Ezért a churn nem egyetlen szám, hanem egy viselkedési mintázat, amit érteni kell.
Zárás
A Media24 csak egy példa.
De a helyzet ismerős lehet bármely olyan vállalatnál, amely terméket vagy szolgáltatást értékesít, és ahol az ügyfél dönthet úgy, hogy egyszer csak nem folytatja.
A churn ilyenkor nem technikai probléma. Hanem annak a kérdése, hogy valóban értéket adunk-e hosszabb távon.
Ha ezt a jelenséget megértjük, akkor lehet értelmesen beszélni számokról, összehasonlításokról, és később akár modellekről is.
De az első lépés mindig az, hogy megértsük, mi történik valójában az emberekkel a rendszerben.
Cikksorozat
Adatos gondolkodás
Következő rész
Miért Excel → SQL → adatmodell a helyes tanulási út?Összes rész
- 1.Mit csinál egy Data Analyst valójában?
És hogyan igazodj el a data szerepek zavaros világában.
- 2.Mit jelent az EDA, azaz „megnézni az adatot”?
A feltáró adatelemzés (EDA) szemlélete és szerepe az elemzői gondolkodásban.
- 3.Leíró statisztika: hogyan ne félj a számoktól és értelmezd őket helyesen?
Nem matekóra: hanem egy intuitív minimum csomag, hogy ne egy számot nézz, hanem az adatok eloszlását.
- 4.
Mit is mér a churn?
Egy üzleti probléma, ami szinte minden termék- és szolgáltató cégnél előjön.
- 5.Miért Excel → SQL → adatmodell a helyes tanulási út?
A legtöbben SQL-lel vagy Pythonnal akarnak kezdeni. Pedig az igazi fejlődés az Excelből indul, és adatmodell gondolkodásban ér véget.
- 6.Adatmodell gondolkodás: hogyan épülnek fel az adatbázisok?
A legtöbb rossz KPI nem technikai hiba, hanem gondolkodási. Ez a cikk megmutatja, miért az adatmodell az elemzés valódi alapja.
- 7.JOIN, aggregálás és KPI nevezők: hol csúszik félre az elemzés?
Miért nem elég tudni JOIN-olni? Hogyan torzulnak el a KPI-ok, ha rossz szinten számolunk?