2026-01-284 perc olvasás

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.

Media24 - digitális mediaipari vállalat

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

Összes rész

  1. 1.
    Mit csinál egy Data Analyst valójában?

    És hogyan igazodj el a data szerepek zavaros világában.

  2. 2.
    Mit jelent az EDA, azaz „megnézni az adatot”?

    A feltáró adatelemzés (EDA) szemlélete és szerepe az elemzői gondolkodásban.

  3. 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. 4.

    Mit is mér a churn?

    Egy üzleti probléma, ami szinte minden termék- és szolgáltató cégnél előjön.

  5. 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. 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. 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?