Cara Menghitung Corong Akuisisi Pelanggan: Matematika Inti yang Anda Butuhkan
Jika Anda ingin tahu cara menghitung kinerja corong akuisisi pelanggan, mulailah dengan menghitung entitas di setiap tahap dan mengaitkan pengeluaran yang mendorongnya. Rumus utamanya adalah Tingkat Konversi Tahap = Entri di Tahap N ÷ Entri di Tahap N-1. Penurunan hanyalah 1 dikurangi tingkat tersebut. Biaya per tahap sama dengan pengeluaran penjualan dan pemasaran yang diatribusikan dibagi dengan entri tahap. Tambahkan kecepatan corong (rata-rata hari antar tahap) dan Anda dapat memperoleh CAC yang diatribusikan = total biaya tahap ÷ pelanggan yang dimenangkan.
Ketika saya pertama kali memegang akuisisi di sebuah fintech B2B, saya membuat kesalahan dengan hanya melaporkan CAC gabungan. Itu menutupi penurunan 68% yang brutal antara prospek yang memenuhi syarat pemasaran (MQL) dan prospek yang memenuhi syarat penjualan (SQL). Biaya sebenarnya untuk mendapatkan pertemuan penjualan adalah 3,1x lebih tinggi dari angka garis atas yang disarankan. Ini adalah buku kerja yang saya harap saya miliki saat itu.
Kebanyakan orang tidak menyadari bahwa kecepatan corong—bukan hanya persentase konversi—secara langsung memengaruhi periode pengembalian modal. Peningkatan 5% dalam konversi tengah corong dengan perlambatan 14 hari dapat memperburuk arus kas dibandingkan dengan peningkatan 2% dengan serah terima yang lebih cepat. Jendela waktu juga penting: Saya merekomendasikan kohort 90 hari berjalan karena snapshot mingguan melebih-lebihkan volatilitas. Di GA4 gunakan ekspor peristiwa keterlibatan; di Salesforce gunakan tanggal tutup dikurangi tanggal pembuatan.
Rumus Corong Tahap-demi-Tahap yang Sebenarnya Anda Butuhkan
Postingan corong generik berhenti di Kesadaran→Minat→Keputusan. Praktisi membutuhkan transisi operasional yang terikat pada objek CRM. Di bawah ini adalah perhitungan persis yang saya gunakan di Google Sheets dan ekspor HubSpot, dengan kasus tepi yang merusak implementasi naif.
Pengunjung ke Prospek (Penangkapan Puncak Corong)
Rumus: Konversi Prospek = Prospek ÷ Pengunjung Unik. Di GA4 ekspor sesi yang terlibat; di HubSpot gunakan pengiriman formulir. Biaya-per-prospek (CPL) = Pengeluaran Saluran ÷ Prospek. Saya biasanya mengelompokkan berdasarkan saluran karena prospek Facebook sering mengonversi di 1,2% sementara pencarian organik mencapai 3,5% dalam pengalaman saya.
Kesalahan halus adalah menghitung semua tampilan halaman sebagai pengunjung. Pengunjung unik adalah penyebut yang tepat. Dalam satu proyek kami menggunakan sesi dan melebih-lebihkan konversi sebesar 1,8x, yang menyebabkan keyakinan palsu pada kampanye yang gagal. Saring lalu lintas bot melalui deteksi bot GA4 atau kecualikan hostname yang tidak dikenal; jika tidak, penyebut Anda rusak dan CPL terlihat rendah secara artifisial.
Prospek ke MQL (Ambang Kualifikasi)
Rumus: Tingkat MQL = MQL ÷ Prospek. Definisikan MQL secara ketat—misalnya, prospek dengan skor > 50 atau yang meminta demo. Penurunan di sini mengungkapkan ketidakcocokan pesan. Dalam kampanye 2022 kami melihat 40% prospek→MQL; setelah memperbaiki bidang formulir, naik menjadi 62% tanpa pengeluaran tambahan.
Biaya-per-MQL = (Pengeluaran Kampanye + Tenaga kerja pemantauan SDR) ÷ MQL. Tenaga kerja sering dihilangkan, tetapi pada $25/jam untuk 200 jam itu $5.000 yang harus Anda atribusikan. Ambang skor bergeser, jadi lakukan re-baseline setiap kuartal. Saya meninjau distribusi skor prospek dan menyesuaikan batas agar volume MQL sesuai dengan kapasitas SDR.
MQL ke SQL (Serah Terima Penjualan)
Rumus: Tingkat SQL = SQL ÷ MQL. Ini adalah tempat kebanyakan corong bocor. Gunakan sinkronisasi dua arah antara Marketo dan Salesforce untuk menghindari penghitungan ganda. Biaya-per-SQL yang diatribusikan mencakup gaji SDR yang diprorata di seluruh sentuhan.
Hal yang tidak diberitahukan siapa pun tentang tahap ini: jika SDR mendaur ulang prospek, jumlah MQL Anda tetap datar tetapi SQL naik kemudian. Keterlambatan itu merusak perhitungan periode-demi-periode yang naif. Saya menandai prospek yang didaur ulang dengan kohort terpisah. Ukur alasan diterima vs ditolak—jika 30% ditolak karena ketidakcocokan, itu bukan kebocoran tetapi masalah penargetan di hulu, dan biaya harus dialokasikan secara berbeda.
SQL ke Pelanggan (Tertutup-Menang)
Rumus: Tingkat Kemenangan = Pelanggan ÷ SQL. Kalikan dengan nilai kontrak rata-rata (ACV) untuk mendapatkan efisiensi pipeline. Biaya-per-pelanggan pada tahap ini = Komisi penjualan + alat ÷ Pelanggan. Pisahkan bisnis baru dari ekspansi; mencampurnya menyembunyikan biaya akuisisi yang sebenarnya. Saya menyimpan flag terpisah untuk akuisisi versus upsell.
Untuk model berlangganan, hubungkan ini ke Kalkulator Biaya Akuisisi Pengguna untuk membandingkan angka gabungan versus yang diatribusikan per tahap secara berdampingan. Alat itu menyelamatkan saya dari melaporkan CAC 20% lebih rendah dari kenyataan ketika pendapatan ekspansi bocor ke pembilang.
Biaya-Per-Tahap dan Kecepatan Corong
Biaya-per-tahap = Pengeluaran yang Diatribusikan ke Tahap ÷ Entri Tahap. Kecepatan corong = Rata-rata hari dari masuk tahap ke keluar tahap berikutnya. Saya menghitung kecepatan tertimbang menggunakan laporan kohort di Salesforce. Untuk menetapkan biaya secara bertanggung jawab, saya menempatkan 100% biaya kreatif kampanye ke tahap teratas, tetapi membagi gaji SDR di seluruh MQL dan SQL berdasarkan upaya.
Tabel dasar sederhana dari SaaS B2B nyata:
- Pengunjung→Prospek: rata-rata 0,5 hari
- Prospek→MQL: 2 hari
- MQL→SQL: 9 hari
- SQL→Pelanggan: 21 hari
Siklus total = 32,5 hari. Jika Anda memotong MQL→SQL menjadi 5 hari, Anda membebaskan modal kerja bahkan jika konversi turun 1%. Rumus kecepatan di sheets: =RATA-RATA(tanggal_tutup – tanggal_dibuat) per kohort.
CAC yang Diatribusikan per Saluran
Gunakan atribusi multi-sentuh (MTA) atau sentuhan pertama/terakhir yang lebih sederhana. Rumus: CAC Saluran = Biaya Tahap Saluran ÷ Pelanggan yang Diatribusikan. Di B2B, LinkedIn mungkin menunjukkan CAC $1.200 tetapi retensi 40% lebih tinggi; organik mungkin $300 tetapi kecocokan lebih rendah. Kalkulator Corong Akuisisi Pelanggan mengotomatiskan pembagian ini jika Anda menempelkan jumlah tahap mentah dan mengalihkan model atribusi.
Jika menggunakan sentuhan terakhir, sadari bahwa itu meremehkan corong atas. Saya melengkapi dengan model tertimbang 40/40/20 (pertama/terakhir/tengah) dan menunjukkan keduanya. Atribusi diperdebatkan; tidak ada jawaban tunggal untuk kredit sempurna, jadi saya mengomunikasikan rentang, bukan presisi palsu.
Contoh Sepenuhnya Dikerjakan dengan Data Sampel Nyata
Mari kita bahas kampanye Q3 untuk SaaS pasar menengah. Input mentah dari HubSpot dan GA4:
- Pengeluaran Sosial Berbayar: $20.000 (Facebook/Instagram)
- Pengeluaran Pencarian Berbayar: $15.000 (Google Ads)
- Pengeluaran Konten/SEO: $10.000 (freelance + alat)
- Total Pengunjung: 120.000 (60k sosial, 45k pencarian, 15k organik)
- Prospek: 5.400 (2.400 sosial, 2.700 pencarian, 300 organik)
- MQL: 1.620 (720 sosial, 810 pencarian, 90 organik)
- SQL: 486 (216 sosial, 243 pencarian, 27 organik)
- Pelanggan: 97 (43 sosial, 48 pencarian, 6 organik)
Langkah 1: Tingkat konversi tahap. Pengunjung→Prospek keseluruhan = 5.400/120.000 = 4,5%. Sosial 4%, pencarian 6%, organik 2%. Prospek→MQL keseluruhan = 1.620/5.400 = 30%. MQL→SQL = 486/1.620 = 30%. SQL→Pelanggan = 97/486 = 19,96% (~tingkat kemenangan 20%). Di Excel sel D2 ketik =C2/B2 untuk mendapatkan konversi, seret ke bawah; untuk penurunan gunakan =1-D2.
Langkah 2: Penurunan. Corong atas kehilangan 95,5%; tengah kehilangan 70%; bawah kehilangan 80%. Penurunan kumulatif dari pengunjung ke pelanggan adalah 99,92%—hanya 8 dari 10.000 pengunjung yang membeli. Konteks itu membingkai ulang CAC dan mencegah metrik kesia-siaan.
Langkah 3: Biaya per tahap. Total pengeluaran $45.000. CPL keseluruhan = $45.000/5.400 = $8,33. Biaya per MQL = $45.000/1.620 = $27,78. Biaya per SQL = $45.000/486 = $92,59. Biaya per Pelanggan (CAC gabungan) = $45.000/97 = $463,92.
Langkah 4: CAC yang diatribusikan per saluran. Alokasikan pengeluaran berdasarkan pangsa pengunjung saluran dan jalur konversi. Sosial: 43 pelanggan × $463,92 = $19.948 yang diatribusikan vs pengeluaran $20k → CAC $465. Pencarian: 48 × $463,92 = $22.268 vs pengeluaran $15k → CAC $312 (efisien). Organik: 6 × $463,92 = $2.784 vs pengeluaran $10k → CAC $1.667 (tidak efisien pada matematika langsung, namun membangun otoritas domain). Jika kami meningkatkan Prospek→MQL sebesar 5 poin menjadi 35%, MQL menjadi 1.890, SQL 567, pelanggan 113, CAC gabungan turun menjadi $398—menunjukkan daya ungkit.
Langkah 5: Kecepatan funnel. Prospek sosial dikonversi menjadi MQL dalam 1,8 hari, pencarian 2,4, organik 6. SQL→Pelanggan: sosial 18 hari, pencarian 24, organik 35. Siklus gabungan 31 hari. Memperpendek MQL→SQL organik sebanyak 10 hari dapat meningkatkan pelanggan kuartalan sebesar 8% tanpa lalu lintas tambahan. Contoh ini menunjukkan mengapa mengetahui cara menghitung matematika tahap funnel akuisisi pelanggan lebih baik daripada satu angka CAC.
Template Spreadsheet Gratis dan Cara Menggunakannya
Saya membuat workbook Google Sheets dengan tab untuk impor mentah, kalkulasi tahap, atribusi, dan pengembalian. Ini menggunakan ARRAYFORMULA untuk menghitung konversi dan penurunan secara otomatis. Sementara Kalkulator Funnel Akuisisi Pelanggan melakukan ini di browser, sheet lebih baik untuk bidang CRM khusus dan perencanaan skenario.
Untuk menggunakannya: tempel ekspor sesi GA4 ke tab ‘Lalu Lintas’, petakan UTM ke saluran. Tempel daftar lead/MQL/SQL HubSpot dengan stempel waktu. Tab ‘Matematika’ menerapkan rumus di atas. Pemformatan bersyarat menandai tahap mana pun dengan penurunan >60% dengan warna merah. Saya belajar dengan cara yang sulit bahwa kolom stempel waktu yang hilang merusak kecepatan; sekarang saya menerapkan format ISO-8601. Template ini menyertakan tab ‘Skenario’ di mana Anda memasukkan peningkatan konversi hipotetis dan menghasilkan CAC serta pengembalian baru—saya menggunakannya sebelum menyetujui pergeseran anggaran.
Satu trade-off: Sheets kesulitan melewati 100 ribu baris. Untuk data perusahaan gunakan ekspor BigQuery. Tetapi untuk kebanyakan SMB, template ini mengungkap kebocoran dalam satu jam. Ini bukan peluru perak; Anda tetap memerlukan kebersihan CRM yang baik atau hasilnya menipu.
Menemukan Kebocoran Funnel dan Dampaknya pada CAC dan Pengembalian
Kebocoran adalah tahap mana pun di mana penurunan melebihi tolok ukur Anda. Titik leverage tidak selalu kebocoran terbesar. Gunakan Matriks Dampak Kebocoran ini yang saya kembangkan dari tiga audit SaaS:
| Tahap | Tingkat Konversi | +1% Peningkatan Konversi | Dampak Biaya pada CAC | Sensitivitas Kecepatan |
|---|---|---|---|---|
| Pengunjung→Lead | 4,5% | +12 pelanggan/bulan | -$38 CAC | Rendah |
| Lead→MQL | 30% | +3 pelanggan/bulan | -$9 CAC | Sedang |
| MQL→SQL | 30% | +3 pelanggan/bulan | -$9 CAC | Tinggi |
| SQL→Pelanggan | 20% | +0,5 pelanggan/bulan | -$2 CAC | Kritis |
Perhatikan bahwa peningkatan di bagian atas funnel menghasilkan lebih banyak prospek, tetapi peningkatan di bagian bawah funnel memperbaiki pengembalian karena siklus penjualan lebih pendek. Periode pengembalian = CAC ÷ margin kotor bulanan per pelanggan. Jika ACV $1.200, margin 80%, realisasi bulanan $80 (selama 12 bulan), pengembalian = $464/$80 = 5,8 bulan. Mengurangi SQL→Pelanggan dari 21 menjadi 15 hari memotong pengembalian 0,7 bulan bahkan dengan CAC yang sama. Satu wawasan yang tidak jelas: memperbaiki kebocoran terkecil (SQL→Pelanggan) mungkin memerlukan perubahan produk, sementara kebocoran di bagian atas funnel mungkin memerlukan halaman arahan yang lebih baik—pilih berdasarkan kekuatan tim.
Hubungkan kebocoran dengan pengeluaran: jika MQL→SQL turun 5%, Anda harus membeli 8% lebih banyak pengunjung untuk mencapai kuota. Itu pajak tersembunyi. Dalam audit 2021 saya, memperbaiki satu urutan pemeliharaan email memulihkan pemborosan bulanan $14 ribu. Di bawah ini adalah tabel sensitivitas pengembalian sekunder untuk contoh yang dikerjakan:
| Skenario | CAC | Hari Siklus | Pengembalian (bulan) |
|---|---|---|---|
| Dasar | $464 | 31 | 5,8 |
| +5% Lead→MQL | $398 | 31 | 5,0 |
| -6 hari MQL→SQL | $464 | 25 | 5,1 |
| Keduanya | $398 | 25 | 4,4 |
Kesalahan Umum yang Saya Buat (dan Cara Menghindarinya)
Saat pertama kali mencoba menghitung funnel kami, saya mengaitkan semua pengeluaran dengan klik terakhir. Itu mengkredit pencarian bermerek untuk kesepakatan yang sebenarnya berasal dari LinkedIn dingin. Hasilnya: kami menghentikan LinkedIn, pipeline turun 22% di kuartal berikutnya. Pelajaran: gunakan setidaknya model multi-sentuh atau kredit terpisah dan tampilkan kedua tampilan.
Kesalahan lain: mengabaikan lalu lintas non-manusia. Kami pernah menghitung 30 ribu ‘pengunjung’ dari crawler; CPL terlihat hebat sampai kami memfilter. Sekarang saya mengecualikan bot yang dikenal melalui filter GA4 dan memvalidasi dengan log server. Saya juga pernah lupa memasukkan biaya pemrosesan kartu kredit dalam CAC. Pada skala 2,9% mengurangi margin; sekarang saya menambahkan overhead tetap per pelanggan.
Kebanyakan orang tidak menyadari bahwa tahap funnel yang didefinisikan berbeda di seluruh tim merusak matematika. MQL Pemasaran (skor>50) vs MQL Penjualan (diterima) menyebabkan penghitungan ganda 15%. Selaraskan definisi dalam SLA tertulis. Terakhir, jangan terobsesi dengan presisi. Atribusi itu perkiraan; tujuannya adalah deteksi kebocoran arah, bukan akuntansi tingkat audit. Saya mengomunikasikan rentang (mis., CAC $450–$500) kepada pemangku kepentingan.
Pertimbangan Lanjutan: Saat Matematika Dasar Gagal
Siklus B2B dengan penjualan 90 hari memerlukan pelacakan kohort, bukan pencocokan periode. Jika Anda menghitung konversi pada data bulan yang sama, Anda akan melihat tingkat kemenangan palsu 2%. Gunakan bulan masuk kohort dan ikuti 90 hari. Acara offline: pameran dagang menghasilkan prospek yang dikonversi setelah impor CRM. Tag sumber ‘acara’ dan gunakan halaman arahan unik untuk menangkap minat sebelum acara. Biaya termasuk stan, perjalanan, dan waktu staf yang diprorata.
Siklus pengguna kembali: pengunjung mungkin menjadi lead, turun, kembali melalui organik, menjadi MQL. Penghitungan naif menghitung ganda pengunjung. Gunakan resolusi identitas (mis., ID kontak HubSpot) untuk menghapus duplikat di seluruh tahap. Dengan perubahan ATT iOS, jumlah pengunjung berbasis piksel turun; gunakan pelacakan sisi server. Matematika tetap sama tetapi penyebut menyusut; interpretasikan tren bukan angka absolut.
Menurut Administrasi Bisnis Kecil AS, usaha tahap awal harus membandingkan biaya akuisisi dengan nilai seumur hidup untuk menghindari penskalaan yang tidak berkelanjutan. Panduan eksternal itu selaras dengan matematika funnel: selalu kaitkan biaya tahap dengan nilai hilir. Untuk produk freemium, ‘pelanggan’ mungkin berarti pengguna aktif bukan pembayar. Definisikan tahap akhir dengan jelas; saya menggunakan dua funnel: akuisisi ke aktivasi, aktivasi ke berbayar.
Menyatukan Semuanya: Rencana Tindakan Anda
Ikuti daftar periksa ini untuk menerapkan workbook minggu ini:
- Petakan tahap nyata Anda di CRM; dokumentasikan definisi dengan penjualan dalam SLA tertulis.
- Ekspor 90 hari terakhir lalu lintas, lead, MQL, SQL, jumlah pelanggan per saluran.
- Hitung konversi, penurunan, biaya per tahap menggunakan rumus di atas di Sheets atau Kalkulator Funnel Akuisisi Pelanggan.
- Hitung CAC gabungan dan per saluran; bandingkan dengan Kalkulator Biaya Akuisisi Pengguna.
- Identifikasi 2 kebocoran teratas melalui Matriks Dampak Kebocoran; tetapkan pemilik (pemasaran memiliki bagian atas, manajer SDR memiliki MQL→SQL).
- Ukur kecepatan; tetapkan SLA untuk setiap serah terima; modelkan sensitivitas pengembalian.
- Tinjau bulanan; perlakukan angka sebagai arah dan tetapkan ulang ambang batas kuartalan.
Jika Anda melakukan ini, Anda akan tahu persis cara menghitung ekonomi funnel akuisisi pelanggan dan di mana menghabiskan dolar berikutnya. Itulah perbedaan antara menebak dan menskalakan secara menguntungkan dengan bukti, bukan cerita rakyat.