Churn Rate a mobilfejlesztésben — mi ez, a lemorzsolódás típusai és hogyan csökkentsük

Mi az a Churn Rate a mobilfejlesztésben?

Churn Rate (lemorzsolódás) — metrika, amely megmutatja azon felhasználók arányát, akik egy adott időszakban abbahagyták az alkalmazással való interakciót vagy lemondták az előfizetést. Ha januárban 10 000 fizető felhasználója van és februárban 9 000 — Churn Rate = 10%. A metrika kritikus fontosságú az előfizetéses modelleknél, ahol minden távozó felhasználó közvetlen MRR-veszteség (Monthly Recurring Revenue). Churn Rate kontroll nélkül az üzlet egy lyukas vödörhöz hasonlít: akármennyit öntesz bele, minden kifolyik.

Miért a Churn Rate a SaaS és az előfizetések fő ellensége

Az előfizetéses modellben a Churn Rate határozza meg, hogy az üzlet mennyi ideig növekedhet. Ha a havi Churn Rate = 10%, az átlagos ügyfél-élettartam 10 hónap. Képlet: Average Customer Lifetime = 1 / Churn Rate. 5%-os Churn Rate-nél az ügyfél 20 hónapig él, 2%-nál — 50 hónapig. A különbség az LTV-ben — ötszörös. Ezért koncentrálnak a sikeres SaaS-vállalatok (Spotify, Netflix, Zoom) a Churn Rate-re, mint kulcsfontosságú működési mutatóra.

Churn Rate vs Retention Rate

Churn Rate és Retention Rate összefügg a képlettel: Churn Rate = 1 — Retention Rate. Ha a retenció = 80% (havonta), Churn Rate = 20%. A gyakorlatban azonban a metrikák eltérhetnek a különböző számítási módszerek miatt. A Retention Rate általában kohortonként számítódik, míg a Churn Rate — az aktuális bázisból elvesztett felhasználók arányaként. Mindkét metrikát együtt kell nézni: a retenció a megtartás hatékonyságát, a churn a veszteségek mértékét mutatja.

A Churn Rate típusai: voluntary, involuntary és delinquent

Churn Rate három típusra oszlik a felhasználó távozásának okától függően. A lemorzsolódás típusának megértése az első lépés a csökkentés felé. Voluntary churn — a felhasználó tudatosan mond le a termékről. Involuntary churn — technikai lemorzsolódás fizetési problémák miatt. Delinquent churn — passzív távozás: a felhasználó abbahagyja a termék használatát, de formálisan nem mondja le az előfizetést.

Voluntary Churn: tudatos lemondás

A felhasználó kifejezetten lemondja az előfizetést vagy törli az alkalmazást. Okok: az érték és az ár összeegyeztethetetlensége, alternatív termék találása, szükségletek változása. A Voluntary churn — a leginformatívabb lemorzsolódási típus: ha a felhasználó elmagyarázza a távozás okát (exit survey), a csapat közvetlen betekintést nyer a termék fejlesztéséhez. A mobil előfizetések medián voluntary churn — 3-5% havonta.

Involuntary Churn: technikai lemorzsolódás

Involuntary churn akkor következik be, amikor a fizetés nem megy végbe: a kártya lejárt, nincs elegendő fedezet, a bank elutasította a tranzakciót. Az ilyen lemorzsolódás aránya — 20-40% az összes churn-ből az előfizetéses szolgáltatásoknál. Megoldás: dunning folyamatok — automatikus ismételt beszedési kísérletek, értesítések a kártya lejártáról, lehetőség a fizetési mód megváltoztatására. Az involuntary churn felére csökkentése (a teljes churn 40%-áról 20%-ára) 10-15%-kal növelheti az MRR-t anélkül, hogy a terméken bármit változtatnánk.

Delinquent Churn: passzív távozás

Delinquent churn — a felhasználó nem nyitja meg az alkalmazást, de formálisan nem mondja le az előfizetést. Az ingyenes termékekben ezek egyszerűen “alvó” felhasználók, a fizetős termékekben — olyan felhasználók, akik fizetnek, de nem használják a terméket. Kockázat: az ilyen felhasználók előbb-utóbb észreveszik a terhelést és negatív véleménnyel mondják le az előfizetést. A delinquent churn figyelése az aktivitási metrikán (DAU/MAU) keresztül segít azonosítani ezeket a felhasználókat, mielőtt távoznának.

Hogyan számítják ki a Churn Rate-t?

A Churn Rate számítása az üzleti modelltől függ. Az előfizetéses alkalmazásoknál egyszerű képletet használnak, de a gyakorlatban néhány árnyalat felmerül. Alapvető megközelítés: Churn Rate = (Elvesztett ügyfelek) / (Ügyfelek az időszak elején) * 100%. Azonban dönteni kell: a churn-t a teljes felhasználói számból számítsuk, vagy csak a fizetőkből? És mi legyen az új felhasználókkal, akik az időszak közepén érkeztek?

Net Churn vs Gross Churn

Gross Churn Rate — a kezdeti bázisból elvesztett felhasználók százaléka. A Net Churn Rate figyelembe veszi a bővülést (expansion): a felhasználók egy része emelheti a tarifát vagy több egységet vásárolhat. Net Churn = (Lost MRR — Expansion MRR) / Starting MRR * 100%. Ha a Net Churn Rate negatív — az üzlet növekszik, még a felhasználók elvesztése mellett is (a megmaradók upsell-jének köszönhetően). Mobilalkalmazásoknál a Gross Churn átláthatóbb metrika.

Customer Churn vs Revenue Churn

Customer Churn — az elvesztett felhasználók százaléka. Revenue Churn — az elvesztett MRR százaléka. Jelentősen eltérhetnek egymástól. Ha 10 felhasználó távozik a minimális tarifával ($5) és 1 felhasználó prémiummal ($100), Customer Churn = 11%, Revenue Churn = 50/500 = 10%. Az üzlet számára a Revenue Churn fontosabb: a drága ügyfelek elvesztése erősebben érinti a bevételt, mint az olcsók tömeges távozása. A teljes képhez elemezze mindkét metrikát.

A Churn Rate számítási képlete az új felhasználók figyelembevételével

A pontos Churn Rate számítás korrekciót igényel az időszak során érkezett új felhasználókra. Használja a képletet: Churn Rate = Lost / ((Start + End) / 2) * 100%. Ahol Start — felhasználók az időszak elején, End — felhasználók az időszak végén, Lost — távozott felhasználók. A Start és End számtani közepe pontosabb bázisértékelést ad, mint csak a Start, különösen gyors növekedés esetén.

-- A havi Churn Rate kiszámítása
WITH monthly_active AS (
    SELECT
        user_id,
        DATE_TRUNC('month', event_date) AS month
    FROM user_events
    GROUP BY user_id, DATE_TRUNC('month', event_date)
),
churn_calc AS (
    SELECT
        curr.month,
        COUNT(DISTINCT prev.user_id) AS prev_users,
        COUNT(DISTINCT curr.user_id) AS curr_users,
        COUNT(DISTINCT prev.user_id) - COUNT(DISTINCT curr.user_id) AS lost
    FROM monthly_active curr
    LEFT JOIN monthly_active prev
        ON curr.user_id = prev.user_id
        AND prev.month = curr.month - INTERVAL '1 month'
    GROUP BY curr.month
)
SELECT
    month,
    ROUND(lost * 100.0 / prev_users, 2) AS churn_rate_pct
FROM churn_calc
WHERE prev_users > 0
ORDER BY month;

Gyakori hibák a Churn Rate számításánál

Első hiba — nem veszik figyelembe az időszakban érkezett új felhasználókat. Ha januárban 1000 felhasználó volt, 200 új érkezett és 100 távozott — Churn Rate = 100/1000 = 10%. A helyes számítás azonban: 100/((1000+1100)/2) = 9.5%. Második hiba — a voluntary és involuntary churn összekeverése. Harmadik — a churn számítása túl rövid időszakra (hét) előfizetéses modelleknél, ahol az átlagos fizetési ciklus egy hónap.

Churn Rate normák alkalmazási kategóriánként

A Churn Rate normák az alkalmazás típusától, az üzleti modelltől és a termék érettségi szakaszától függenek. Az előfizetéses mobilalkalmazásoknál a havi Churn Rate < 5% egészségesnek számít, 5-10% — megfelelőnek, > 10% — kritikusnak. A hirdetési modellű ingyenes alkalmazásoknál a Churn Rate magasabb lehet — a felhasználók nincsenek pénzügyileg kötve és könnyebben távoznak.

Churn Rate benchmarkok kategóriánként

A Recurly Research (2025) jelentés adatai szerint a medián havi Churn Rate különböző alkalmazástípusoknál: Streaming & Media — 5.6%, SaaS B2B — 4.3%, SaaS B2C — 6.8%, E-commerce subscriptions — 7.2%, Health & Wellness — 6.1%. A Churn Rate az első 30 napra (early churn) 2-3-szor magasabb, mint a 6+ hónapot túlélt felhasználóknál. Az early churn csökkentése a leggyorsabb módja az általános metrika javításának.

A Churn Rate-t befolyásoló tényezők

Ár — az első tényező. Az ár 10%-os emelése a kereslet rugalmasságától függően 5-15%-kal növelheti a Churn Rate-t. A támogatás minősége — a második tényező: azok a felhasználók, akik kapcsolatba léptek a támogatással és egy órán belül választ kaptak, 30%-kal alacsonyabb Churn Rate-t mutatnak. Harmadik tényező — a versenytársak: egy erős alternatív termék megjelenése egy negyedév alatt megduplázhatja a Churn Rate-t. Negyedik — termékfáradtság: a felhasználók belefáradnak az egyhangú tartalomba vagy funkciókba.

Hogyan csökkentsük a Churn Rate-t egy mobilalkalmazásban?

A Churn Rate csökkentése stratégiai feladat, amely három szinten oldható meg: termék, kommunikáció és támogatás. Ellentétben a telepítések növekedésével, a lemorzsolódással való munka azonnali hatással van az MRR-re: egy meglévő felhasználó megtartása 5-7-szer olcsóbb, mint egy új szerzése. Tekintsük át a Churn Rate csökkentésének bevált stratégiáit.

A lemorzsolódási pontok elemzése (churn analysis)

Első lépés — megtalálni, hogy a felhasználók melyik szakaszban távoznak. Végezzen kohort elemzést: minden kohortra határozza meg a Churn Rate-t hetenként. Tipikus lemorzsolódási pontok: az ingyenes időszak után, az első fizetés után, egy frissítés után, negatív élmény után. A lemorzsolódási pont azonosításával a csapat célzottan javíthatja azt: fejlesztheti az onboardingot, több értéket adhat az ingyenes időszakban, egyszerűsítheti a fizetési folyamatot.

Win-back kampányok és re-engagement

Nem minden távozott felhasználó veszett el örökre. A win-back kampányok (e-mail, push, SMS) a lemorzsolódás 5-15%-át hozzák vissza. Stratégia: kínáljon kedvezményt a visszatéréshez, mutassa meg, mi változott a termékben a távozás óta, emlékeztesse a felhasználót a kapott értékre. A legjobb idő a win-back-re — 7-14 nappal a távozás után, amíg a felhasználó még emlékszik a termékre. A 30+ nappal a távozás utáni kampányok 2-3-szor kevésbé hatékonyak.

Customer Success javítása

Customer Success — proaktív támogatás, amely megelőzi a lemorzsolódást. Ahelyett, hogy megvárnák a felhasználó távozását, a CS csapat segít neki elérni a kívánt eredményt. Mobilalkalmazásoknál: személyre szabott onboarding, első lépések ellenőrzőlistái, automatikus “fiók egészségügyi ellenőrzések”. A dedikált CS csapattal rendelkező alkalmazások 20-40%-kal alacsonyabb Churn Rate-t mutatnak, mint azok nélkül, különösen a B2B szegmensben.

import pandas as pd
import numpy as np

def churn_prediction(user_features):
    # Egyszerű lemorzsolódás-előrejelző modell
    # Visszaadja a churn valószínűségét minden felhasználóra
    risk_score = (
        (1 - user_features['session_frequency']) * 0.4 +
        (1 - user_features['feature_adoption']) * 0.3 +
        user_features['days_since_last_login'] * 0.2 +
        user_features['support_tickets'] * 0.1
    )
    user_features['churn_risk'] = 1 / (1 + np.exp(-(risk_score * 2 - 3)))
    return user_features.sort_values('churn_risk', ascending=False)