Las estimaciones de impacto precisas pueden hacer o romper su caso de negocios.
Sin embargo, a pesar de su importancia, la mayoría de los equipos utilizan cálculos con exceso de simplificación que pueden conducir a proyecciones infladas. Estos números de disparo en la oscuridad no solo destruyen la credibilidad con las partes interesadas, sino que también pueden dar como resultado la mala asignación de recursos e iniciativas fallidas. Pero hay una mejor manera de pronosticar los efectos de la adquisición gradual de los clientes, sin requerir hojas de cálculo y fórmulas de Excel desordenadas que se equivocan.
Al final de este artículo, podrá calcular pronósticos anuales precisos e implementar un escalable Pitón Solución para el pronóstico del triángulo.
El costo oculto de las pronósticos inexactos
Cuando se les pidió estimaciones anuales de impacto, los equipos de productos sobreestiman rutinariamente el impacto mediante la aplicación de un enfoque único para las cohortes de clientes. Los equipos con frecuencia optan por un enfoque simplista:
Multiplique los ingresos mensuales (o cualquier otra métrica relevante) por doce para estimar el impacto anual.
Si bien el cálculo es fácil, esta fórmula ignora una premisa fundamental que se aplica a la mayoría de las empresas:
La adquisición de clientes ocurre gradualmente durante todo el año.
La contribución de todos los clientes a las estimaciones anuales no es igual, ya que las cohortes posteriores contribuyen con menos meses de ingresos.
El pronóstico del triángulo puede reducir los errores de proyección al contabilizar los efectos de los plazos de adquisición de clientes.
Exploremos este concepto con un ejemplo básico. Digamos que está lanzando un nuevo servicio de suscripción:
- Tarifa de suscripción mensual: $ 100 por cliente
- Objetivo mensual de adquisición de clientes: 100 nuevos clientes
- Objetivo: Calcule los ingresos totales para el año
Una multiplicación simplificada sugiere un ingreso de $ 1,440,000 en el primer año (= 100 nuevos clientes / mes * 12 meses * $ 100 gastados / mes * 12 meses).
¡El número real es de solo $ 780,000!
Esta sobreestimación del 46% es la razón por la cual las estimaciones de impacto con frecuencia no pasan la prueba de SNIFF de los interesados.
El pronóstico preciso no se trata solo de matemáticas –
Es una herramienta que lo ayuda a generar confianza y obtiene sus iniciativas aprobadas más rápido sin el riesgo de prometedor y bajo entrega.
Además, los profesionales de datos pasan horas construyendo pronósticos manuales en Excel, que son volátiles, pueden dar lugar a errores de fórmula y son difíciles de iterar.
Tener una metodología estandarizada y explicable puede ayudar a simplificar este proceso.
Presentación de pronósticos de triángulo
El pronóstico del triángulo es un enfoque sistemático y matemático para estimar el impacto anual cuando los clientes se adquieren gradualmente. Representa el hecho de que los clientes entrantes contribuirán de manera diferente al impacto anual, dependiendo de cuándo están a bordo de su producto.
Este método es particularmente útil para:
- Nuevos lanzamientos de productos: Cuando la adquisición de clientes ocurre con el tiempo
- Pronósticos de ingresos de suscripción: Para proyecciones de ingresos precisas para productos basados en suscripción
- LLADROS PLAJOS: Para estimar el impacto acumulativo de los despliegos graduales
- Planificación de adquisición: Para establecer objetivos de adquisición mensuales realistas para alcanzar las metas anuales
El «triángulo» en el pronóstico del triángulo se refiere a la forma en que se visualizan las contribuciones de cohorte individuales. Una cohorte se refiere al mes en que se adquirieron los clientes. Cada barra en el triángulo representa la contribución de una cohorte al impacto anual. Las cohortes anteriores tienen barras más largas porque contribuyeron durante un período prolongado.
Para calcular el impacto de una nueva iniciativa, modelo o función en el primer año:
- Para cada mes (m) del año:
- Calcule el número de clientes adquiridos (AM)
- Calcule el gasto/impacto mensual promedio por cliente (s)
- Calcule los meses restantes en año (RM = 13 m)
- Impacto mensual de cohorte = AM × S × RM
2. Impacto anual total = suma de todos los impactos mensuales de cohorte
Construyendo su primer pronóstico de triángulo
Calculemos los ingresos reales para nuestro servicio de suscripción:
- Enero: 100 clientes × $ 100 × 12 meses = $ 120,000
- Febrero: 100 clientes × $ 100 × 11 meses = $ 110,000
- Marzo: 100 clientes × $ 100 × 10 meses = $ 100,000
- Etcétera…
Calculando en Excel, obtenemos:
El total de ingresos anuales es igual a $ 780,000– ¡46% más bajo que la estimación de simplificación demasiado!
💡 Consejo Pro: Guarde los cálculos de la hoja de cálculo como una plantilla para reutilizar para diferentes escenarios.
¿Necesita construir estimaciones sin datos perfectos? Lea mi guía sobre «Creación de estimaciones de impacto defendible cuando los datos son imperfectos».
Poner la teoría en práctica: una guía de implementación
Si bien podemos implementar el pronóstico de triángulos en Excel utilizando el método anterior, estas hojas de cálculo se vuelven imposibles de mantener o modificar rápidamente. Los propietarios de productos también luchan por actualizar los pronósticos rápidamente cuando los supuestos o los plazos cambian.
Así es como podemos realizar la construcción del mismo pronóstico en Python en minutos:
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 impact using triangle forecasting method.
"""
# Create a DataFrame for calculations
months = range(1, 13)
df = pd.DataFrame(index=months,
columns=['month', 'new_customers',
'months_contributing', 'total_impact'])
# Convert to list if single number, else use provided list
acquisitions = [monthly_acquisitions] * 12 if type(monthly_acquisitions) in [int, float] else monthly_acquisitions
# Calculate impact for each 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_impactContinuando con nuestro ejemplo anterior de servicio de suscripción, los ingresos de cada cohorte mensual se pueden visualizar de la siguiente manera:
# Example
monthly_acquisitions = 100 # 100 new customers each month
monthly_spend = 100 # $100 per customer per month
# Calculate forecast
df, total_impact = triangle_forecast(monthly_acquisitions, monthly_spend)
# Print results
print("Monthly Breakdown:")
print(df)
print(f"\nTotal Yearly Impact: ${total_impact:,.2f}")
También podemos aprovechar Python para visualizar las contribuciones de la cohorte como un gráfico de barras. Observe cómo el impacto disminuye linealmente a medida que avanzamos durante los meses.
Usando este código de Python, ahora puede generar e iterar en las estimaciones de impacto anuales de manera rápida y eficiente, sin tener que realizar manualmente el control de versiones en las hojas de cálculo de bloqueo.
Más allá de las previsiones básicas
Si bien el ejemplo anterior es sencillo, suponiendo que las adquisiciones y gastos mensuales son constantes durante todos los meses, eso no necesariamente es cierto. El pronóstico del triángulo se puede adaptar y escalar fácilmente para tener en cuenta:
Para un gasto mensual variable basado en niveles de gastos, cree un pronóstico de triángulo distinto para cada cohorte y luego agregue los impactos de la cohorte individual para calcular el impacto anual total.
- Tasas de adquisición variables
Por lo general, las empresas no adquieren clientes a un ritmo constante durante todo el año. La adquisición puede comenzar a un ritmo lento y aumentar a medida que el marketing se activa, o podríamos tener una explosión de los primeros usuarios seguidos de un crecimiento más lento. Para manejar tarifas variables, pase una lista de objetivos mensuales en lugar de una sola tarifa:
# Example: 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)
Para tener en cuenta la estacionalidad, multiplique el impacto de cada mes por su factor estacional correspondiente (por ejemplo, 1.2 para meses de temporada alta como diciembre, 0.8 para meses de temporada baja como febrero, etc.) antes de calcular el impacto total.
Así es como puede modificar el código de Python para tener en cuenta las variaciones estacionales:
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 impact using triangle forecasting method.
"""
# Create a DataFrame for calculations
months = range(1, 13)
df = pd.DataFrame(index=months,
columns=['month', 'new_customers',
'months_contributing', 'total_impact'])
# Convert to list if single number, else use provided list
acquisitions = [monthly_acquisitions] * 12 if type(monthly_acquisitions) in [int, float] else monthly_acquisitions
if seasonal_factors is None:
seasonality = [1] * 12
else:
seasonality = [seasonal_factors] * 12 if type(seasonal_factors) in [int, float] else seasonal_factors
# Calculate impact for each 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 example
monthly_acquisitions = 100 # 100 new customers each month
monthly_spend = 100 # $100 per customer per month
seasonal_factors = [1.2, # January (New Year)
0.8, # February (Post-holiday)
0.9, # March
1.0, # April
1.1, # May
1.2, # June (Summer)
1.2, # July (Summer)
1.0, # August
0.9, # September
1.1, # October (Halloween)
1.2, # November (Pre-holiday)
1.5 # December (Holiday)
]
# Calculate forecast
df, total_impact = triangle_forecast(monthly_acquisitions,
monthly_spend,
seasonal_factors)
Estas personalizaciones pueden ayudarlo a modelar diferentes escenarios de crecimiento que incluyen:
- Rampadas graduales en las primeras etapas de lanzamiento
- Crecimiento de la función de paso basado en campañas promocionales
- Variaciones estacionales en la adquisición de clientes
El resultado final
Tener pronósticos confiables e intuitivos puede hacer o romper el caso para sus iniciativas.
Pero eso no es todo: el pronóstico del triángulo también encuentra aplicaciones más allá del pronóstico de los ingresos, incluido el cálculo:
- Activaciones del cliente
- Tasas de pérdida de cartera
- Gasto en tarjeta de crédito
Listo para bucear? ¡Descargue la plantilla de Python compartida arriba y construya su primer pronóstico de triángulo en 15 minutos!
- Ingrese sus objetivos de adquisición mensuales
- Establezca el impacto mensual mensual esperado del cliente
- Visualice su trayectoria anual con visualizaciones automatizadas
Las estimaciones del mundo real a menudo requieren tratar con datos imperfectos o incompletos. Consulte mi artículo «Creación de estimaciones de impacto defendible cuando los datos son imperfectos» para que un marco cree estimaciones defendibles en tales escenarios.
Reconocimiento:
Gracias a mi maravilloso mentor, Kathryne Maurerpara desarrollar el concepto central y la primera iteración del método de pronóstico del triángulo y permitirme construir sobre él a través de ecuaciones y código.
Siempre estoy abierto a comentarios y sugerencias sobre cómo hacer que estas guías sean más valiosas para usted. ¡Feliz lectura!