Churn Rate dalam pengembangan mobile — apa itu, jenis churn dan cara mengurangi

Apa itu Churn Rate dalam pengembangan mobile?

Churn Rate — metrik yang menunjukkan persentase pengguna yang berhenti berinteraksi dengan aplikasi atau membatalkan langganan dalam periode tertentu. Jika Anda memiliki 10.000 pengguna berbayar di bulan Januari dan 9.000 di bulan Februari — Churn Rate = 10%. Metrik ini sangat penting untuk model berlangganan, di mana setiap pengguna yang pergi adalah kerugian langsung MRR (Monthly Recurring Revenue). Tanpa kendali Churn Rate, bisnis seperti ember bocor: sebanyak apapun dituang, semuanya akan habis.

Mengapa Churn Rate adalah musuh utama SaaS dan langganan

Dalam model berlangganan Churn Rate menentukan seberapa lama bisnis dapat tumbuh. Jika Churn Rate bulanan = 10%, rata-rata masa hidup pelanggan adalah 10 bulan. Rumus: Average Customer Lifetime = 1 / Churn Rate. Pada Churn Rate = 5% pelanggan hidup 20 bulan, pada 2% — 50 bulan. Perbedaan LTV — 5 kali lipat. Inilah sebabnya perusahaan SaaS yang sukses (Spotify, Netflix, Zoom) berfokus pada Churn Rate sebagai indikator operasional utama.

Churn Rate vs Retention Rate

Churn Rate dan Retention Rate terhubung dengan rumus: Churn Rate = 1 — Retention Rate. Jika retensi = 80% (per bulan), Churn Rate = 20%. Namun dalam praktiknya, metrik mungkin tidak cocok karena metode perhitungan yang berbeda. Retention Rate biasanya dihitung per kohort, sedangkan Churn Rate — sebagai proporsi pengguna yang hilang dari basis saat ini. Kedua metrik harus dilihat bersama: retensi menunjukkan efektivitas retensi, churn menunjukkan skala kerugian.

Jenis Churn Rate: voluntary, involuntary dan delinquent

Churn Rate dibagi menjadi tiga jenis tergantung pada alasan kepergian pengguna. Memahami jenis churn adalah langkah pertama untuk menguranginya. Voluntary churn — pengguna secara sadar meninggalkan produk. Involuntary churn — churn teknis karena masalah pembayaran. Delinquent churn — kepergian pasif: pengguna berhenti menggunakan produk tetapi tidak secara formal membatalkan langganan.

Voluntary Churn: pengunduran diri sadar

Pengguna secara eksplisit membatalkan langganan atau menghapus aplikasi. Alasan: ketidaksesuaian nilai dengan harga, menemukan produk alternatif, perubahan kebutuhan. Voluntary churn — jenis churn yang paling informatif: jika pengguna menjelaskan alasan kepergian (exit survey), tim mendapatkan wawasan langsung untuk perbaikan produk. Median voluntary churn untuk langganan mobile — 3-5% per bulan.

Involuntary Churn: churn teknis

Involuntary churn terjadi ketika pembayaran tidak berhasil: kartu kedaluwarsa, dana tidak mencukupi, bank menolak transaksi. Proporsi churn semacam ini — 20-40% dari total churn di layanan berlangganan. Solusi: proses dunning — upaya penagihan otomatis berulang, pemberitahuan kedaluwarsa kartu, kemungkinan mengubah metode pembayaran. Mengurangi involuntary churn hingga setengahnya (dari 40% menjadi 20% dari total churn) dapat meningkatkan MRR sebesar 10-15% tanpa perubahan produk apa pun.

Delinquent Churn: kepergian pasif

Delinquent churn — pengguna berhenti membuka aplikasi tetapi tidak secara formal membatalkan langganan. Dalam produk gratis ini adalah pengguna “tidur”, dalam produk berbayar — pengguna yang membayar tetapi tidak menggunakan produk. Risiko: pengguna seperti itu cepat atau lambat akan melihat tagihan dan membatalkan langganan dengan ulasan negatif. Memantau delinquent churn melalui metrik aktivitas (DAU/MAU) membantu mengidentifikasi pengguna tersebut sebelum mereka pergi.

Bagaimana Churn Rate dihitung?

Perhitungan Churn Rate tergantung pada model bisnis. Untuk aplikasi berlangganan digunakan rumus sederhana, tetapi dalam praktiknya muncul beberapa nuansa. Pendekatan dasar: Churn Rate = (Pelanggan Hilang) / (Pelanggan di Awal Periode) * 100%. Namun perlu diputuskan: menghitung churn dari total pengguna atau hanya dari pengguna berbayar? Dan bagaimana dengan pengguna baru yang datang di tengah periode?

Net Churn vs Gross Churn

Gross Churn Rate — persentase pengguna yang hilang dari basis awal. Net Churn Rate memperhitungkan ekspansi (expansion): sebagian pengguna dapat menaikkan tarif atau membeli lebih banyak unit. Net Churn = (Lost MRR — Expansion MRR) / Starting MRR * 100%. Jika Net Churn Rate negatif — bisnis tumbuh, bahkan kehilangan pengguna (berkat upsell dari yang tersisa). Untuk aplikasi mobile, Gross Churn adalah metrik yang lebih transparan.

Customer Churn vs Revenue Churn

Customer Churn — persentase pengguna yang hilang. Revenue Churn — persentase MRR yang hilang. Keduanya bisa sangat berbeda. Jika 10 pengguna dengan tarif minimum ($5) dan 1 pengguna premium ($100) pergi, Customer Churn = 11%, Revenue Churn = 50/500 = 10%. Untuk bisnis Revenue Churn lebih penting: kehilangan pelanggan mahal berdampak lebih besar pada pendapatan daripada kepergian massal pelanggan murah. Analisis kedua metrik untuk gambaran lengkap.

Rumus perhitungan Churn Rate dengan mempertimbangkan pengguna baru

Perhitungan Churn Rate yang akurat memerlukan penyesuaian untuk pengguna baru yang datang selama periode tersebut. Gunakan rumus: Churn Rate = Lost / ((Start + End) / 2) * 100%. Di mana Start — pengguna di awal periode, End — pengguna di akhir periode, Lost — pengguna yang pergi. Rata-rata aritmatika Start dan End memberikan penilaian basis yang lebih akurat daripada hanya Start, terutama dalam pertumbuhan cepat.

-- Perhitungan Churn Rate bulanan
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;

Kesalahan umum dalam menghitung Churn Rate

Kesalahan pertama — tidak memperhitungkan pengguna baru yang datang dalam periode. Jika di bulan Januari ada 1000 pengguna, datang 200 pengguna baru, dan pergi 100 — Churn Rate = 100/1000 = 10%. Namun perhitungan yang benar: 100/((1000+1100)/2) = 9.5%. Kesalahan kedua — mencampur voluntary dan involuntary churn. Ketiga — menghitung churn dalam periode terlalu pendek (minggu) untuk model berlangganan, di mana siklus pembayaran rata-rata adalah satu bulan.

Norma Churn Rate berdasarkan kategori aplikasi

Norma Churn Rate tergantung pada jenis aplikasi, model bisnis, dan tahap kematangan produk. Untuk aplikasi mobile berlangganan, Churn Rate bulanan < 5% dianggap sehat, 5-10% — memuaskan, > 10% — kritis. Untuk aplikasi gratis dengan model iklan, Churn Rate bisa lebih tinggi — pengguna tidak terikat secara finansial dan lebih mudah pergi.

Benchmark Churn Rate per kategori

Menurut data laporan Recurly Research (2025), median Churn Rate bulanan untuk berbagai jenis aplikasi: Streaming & Media — 5.6%, SaaS B2B — 4.3%, SaaS B2C — 6.8%, E-commerce subscriptions — 7.2%, Health & Wellness — 6.1%. Churn Rate untuk 30 hari pertama (early churn) 2-3 kali lebih tinggi daripada pengguna yang bertahan 6+ bulan. Mengurangi early churn adalah cara tercepat untuk meningkatkan metrik keseluruhan.

Faktor yang mempengaruhi Churn Rate

Harga — faktor pertama. Kenaikan harga sebesar 10% dapat meningkatkan Churn Rate sebesar 5-15% tergantung pada elastisitas permintaan. Kualitas dukungan — faktor kedua: pengguna yang menghubungi dukungan dan mendapat respons dalam waktu satu jam memiliki Churn Rate 30% lebih rendah. Faktor ketiga — pesaing: munculnya produk alternatif yang kuat dapat menggandakan Churn Rate dalam satu kuartal. Keempat — kelelahan produk: pengguna bosan dengan konten atau fitur yang monoton.

Bagaimana cara mengurangi Churn Rate di aplikasi mobile?

Mengurangi Churn Rate adalah tugas strategis yang diselesaikan di tiga tingkat: produk, komunikasi, dan dukungan. Tidak seperti pertumbuhan instalasi, bekerja pada churn memberikan efek langsung pada MRR: mempertahankan satu pengguna yang ada 5-7 kali lebih murah daripada menarik pengguna baru. Mari kita lihat strategi yang terbukti untuk mengurangi Churn Rate.

Analisis titik churn (churn analysis)

Langkah pertama — menemukan di tahap mana pengguna pergi. Lakukan analisis kohort: untuk setiap kohort, tentukan Churn Rate per minggu. Titik churn tipikal: setelah periode gratis, setelah pembayaran pertama, setelah pembaruan, setelah pengalaman negatif. Dengan mengidentifikasi titik churn, tim dapat memperbaikinya secara tepat: meningkatkan onboarding, menambah lebih banyak nilai pada periode gratis, menyederhanakan proses pembayaran.

Kampanye Win-back dan re-engagement

Tidak semua pengguna yang pergi hilang selamanya. Kampanye win-back (email, push, SMS) mengembalikan 5-15% churn. Strategi: tawarkan diskon untuk kembali, tunjukkan apa yang berubah dalam produk sejak kepergian, ingatkan nilai yang diterima pengguna. Waktu terbaik untuk win-back — 7-14 hari setelah kepergian, selagi pengguna masih mengingat produk. Kampanye setelah 30+ hari setelah kepergian 2-3 kali kurang efektif.

Meningkatkan customer success

Customer Success — dukungan proaktif yang mencegah churn. Alih-alih menunggu pengguna pergi, tim CS membantu mereka mencapai hasil yang diinginkan. Untuk aplikasi mobile: onboarding yang dipersonalisasi, daftar periksa langkah pertama, “pemeriksaan kesehatan” akun otomatis. Aplikasi dengan tim CS khusus menunjukkan Churn Rate 20-40% lebih rendah daripada tanpa tim CS, terutama di segmen B2B.

import pandas as pd
import numpy as np

def churn_prediction(user_features):
    # Model prediksi churn sederhana
    # Mengembalikan probabilitas churn untuk setiap pengguna
    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)