免费增值模式是saas产品的好选择吗?

分析和提高免费增值模式盈利能力的生存和风险模型。

Spotify、Todoist、Evernote和LinkedIn有什么共同点?它们都是在免费增值商业模式下运行。的免费增值模式模型自出现以来，在数字创业、报纸和服务领域成为一种特别受欢迎的商业模式软件即服务(SaaS)．免费增值模式的基本理念是，服务提供商免费提供其产品功能较弱的版本，以鼓励付费订阅，因为潜在买家可以探索和测试免费版本，避免有风险的大幅跳跃。另一方面，SaaS是由云计算支持的，这使得将整个软件迁移到云上成为可能。因此，客户不再需要安装软件并更新它。他只需要在线订阅，就可以通过服务器像服务一样使用它。

在这篇文章中，我将向你展示如何使用生存和风险模型分析免费增值模式，免费增值模式基于什么样的假设，以及你如何使用生存和风险模型中的信息来制定改进商业模式的行动，并以一家名为“SeventhCloud”的虚拟软件公司为例。

SeventhCloud最初开发了一款软件，从客户的ERP系统中提取采购数据，并生成一个仪表盘，显示节省潜力和可能的合规风险。这些客户主要来自北欧和西欧，该公司曾面临用该软件吸引新客户的问题。经过审查发现，快速发展的新创业公司提供的是saas产品，而不是软件。董事会决定顺应潮流，启动数字化转型，同时开发自己的saas解决方案。在开发新产品的过程中，出现了一个问题:免费增值模式是否比一般的订阅模式更有利可图?他们该如何改进自己的订阅模式?

问题:免费增值模式的隐藏成本

SeventhCloud已经发布了SaaS解决方案的免费版原型，如果有兴趣，客户可以提前注册预定三个月后推出的付费版。由于时间原因，他们只关注了目前的订阅用户30天。他们收集到的信息在R模拟数据集中可以表示为:

################################创建数据集# Duration & written set.seed(1234) Duration <- round(abs(rnorm(n=89, mean=18, sd=12))*24) # in hours Duration [sample(1:89, 10)] <- 0 # some immediate made decisions written <- ifelse(Duration > 30*24， "yes"， "no") Duration [Duration > 30*24] <- 30*24 # cenexecuted # ID ID <- 1:89 # subscription订阅<- ifelse((sample(c(TRUE,FALSE，))假),89年,取代= TRUE) &(审查= =“不”))、“是”、“不”)#时间应用于天(订阅)appdays < - c()在1:89 (k){如果(订阅[k] = =“是的”){appdays < - c (appdays、样品(1:(持续时间[k] / 24), 1))其他}{appdays < - c (appdays而圆(样本(1:(持续时间[k] / 24), 1) / 4))}} #工业行业< - c(“制造业”、“它”、“电信”、“咨询”、“食品”,“汽车”、“健康”、“金融”)prob_industries < - c (0.3, 0.3, 0.05, 0.01, 0.04, 0.2, 0.02,< - 0.08)行业样本(行业,89年,取代= TRUE,概率= prob_industries) #尺寸大小< -样本(c(“1-50”,“51 - 1000”,“1001 +”),89年,取代= TRUE,概率= c(0.6, 0.35, 0.5)) #之前客户prevcustomer < -样本(c(“是”、“不”),89年,取代= TRUE,概率= c(0.1, 0.9)) #创建数据集订阅< - data.frame (id = id,时间=时间审查=审查,=订阅,订阅appdays = appdays =、prevcustomer = prevcustomer,订阅$id <- as.factor(订阅$id) rm(id，持续时间，审查，订阅，appdays，行业，prevcustomer，规模，行业，prob_industries, k)

如前所述，在探索免费增值模式的过程中，SeventhCloud必须回答两个重要问题，以便能够制定自己的战略计划。

1. 每100个订阅(免费版和付费版)的成本和收益是多少?
   这个问题并非微不足道，因为每100个新用户中，就会有一些人退订，一些人继续使用免费版本，而另一些人则会注册付费版本。此外，通过了解成本，我们将了解是否需要限制免费版本。通过了解这些好处，我们就能说，这些代价是否值得。
2. 我们该如何改进免费增值模式并提高付费订阅率?
   这个问题旨在了解客户基础，并寻找提高SaaS解决方案价值的方法。

所以，现在可能出现的问题是，为什么我们需要一个更复杂的生存模型来回答这些问题?难道仅仅用比例、平均或简单的线性回归还不够吗?好吧，答案是否定的，因为我们拥有的数据的性质。首先，我们收集拼数据，它描述持续时间。咒语不可能是负的，这就是为什么我们不能使用简单的线性回归。第二,我们有right-censored数据。审查一般描述的问题是，我们知道一些数值在一定的范围内，但我们不知道确切的数值。在我们的例子中，我们只能在30天内关注所有订阅者，但他们可能在超过30天的某个时间点仍然会订阅。因此，当“审查”是“是”时，我们只知道付费订阅直到第30天才发生，但可能发生在第30天之后的任何时候。仅使用平均值或线性回归通常会导致有偏差的结果，因为被删减的观察结果被视为发生在删减时间(见下图)。

审查是不同的截断．在截断过程中，一个在特定间隔内的观察结果被完全删除，不被观察到。这在我们的情况下不适用。总体而言，特定的有限依赖模型，如Tobit模型或Heckmann模型，已被开发来估计在审查或截断情况下的模型，我们可以区分这些一般类型的审查和截断:

• Left-censoring:感兴趣的事件(例如订阅)被记录在审查值x的边界处，但已知它发生在这个特定点x之前。
  
• Interval-censoring:记录了感兴趣的事件，但只知道它发生在两个值x之间₁和x₂．
  
• Right-censoring:感兴趣的事件已被记录下来，但已知它发生在某一特定点x之后。
  
• Left-truncation:感兴趣的事件没有被记录，因为它低于特定的阈值。
  
• Interval-truncation:感兴趣的事件没有被记录下来，因为它在特定的时间间隔内。
  
• Right-truncation:事件没有被记录，因为它超出了特定的值x。
  

幸运的是，生存和风险模型也能够处理经过审查的数据。为了解决这两个问题，我们将应用生存和危险模型。

方法和前提:客户是存活、退订还是订阅?

生存和危害模型的主要目的是研究某一事件发生的时间。因此，需要清楚地定义开始事件(免费订阅)和结束事件(付费订阅或取消订阅)。这些模型不仅可以让人们评估某一事件在特定时间发生的风险或存活到某一时刻的概率，还可以让人们评估影响这些概率的因素以及群体之间是否存在差异。

我们将这些模型应用于拼数据，例如有关持续时间的数据。然而，有两种类型的拼写数据:

1. 法术数据:每个被研究的个体只能经历一次。
2. Mutliple-spell数据:每个被研究的个体都可以经历几次感兴趣的事件。

我们在这里介绍的模型只适用于单个拼写数据。如果我们有多个咒语数据，我们只能使用单个咒语模型，如果自变量的影响是恒定的，而不管周期或插曲(1)，如果个体的持续时间分布只依赖于进入当前状态的时间(2)，如果个体的连续发作是独立的(3)。然而，这些假设很少成立。例如，如果我们研究一个人心脏病发作的概率，那么一个人的年龄越大，其他健康相关变量的影响越强(违反第一个假设)，心脏病发作的可能性就越大(违反第二个假设)。而那些已经经历过心脏病发作的人，再次心脏病发作的风险更高(第三个假设被违反了)。在我们的例子中，我们只有单个拼写数据。

首先，我们将计算用户保持免费用户身份且不退订的概率的生存模型。这个生存模型将帮助我们评估所有用户的成本。然后，我们将计算第二个风险模型，以评估免费用户订阅溢价服务的概率。这将帮助我们估算来自付费用户的收益。为了做出这些估计，我们从SeventhCloud的经理那里得到了以下信息:

• 修复成本约为每月10万欧元，包括整个it基础设施、项目人员和进一步的间接成本。
• 无论用户是付费用户还是免费用户，每日订阅的可变成本都是20欧元。
• 付费模式为每家公司每天带来100欧元的收入。

在下一节中，我们将使用给出的信息解决SeventhCloud的三个问题，并使用r实现生存和风险模型。更具体地说，我将实现一个非参数Kaplan Meier模型和一个Cox比例风险回归模型。由于Cox比例风险回归模型只是半参数的，因此应用的两个模型都不是参数模型，因为我们没有假设任何潜在分布。这使得它们适用于任何类型的数据，并且当底层关系确实不遵循某种形状时功能更强大，但如果底层关系确实遵循某种形状，功能就不那么强大。

解决方案:生存和危险模型

我们已经定义了人们注册的时刻，直接注册免费订阅或付费订阅，作为拼写数据的开始事件。由于SeventhCloud只能追踪用户30天，所以订阅时长不会超过30天。如果结束事件直到30结束时才发生^th天，观察是正确的审查。然而，关于结束事件的定义有一个小技巧，我们将利用它来进行成本、收入和利润估计。在我们的例子中，我们有两个结束事件。第一个结束事件是付费订阅。在这种情况下，我们记录了从免费订阅到付费订阅的计算小时数。第二个结束事件是订阅。在这种情况下，我们记录了从免费订阅到付费订阅的时间。这在生存分析中并不常见，因为生存分析通常只需要一个明确定义的结束事件。然而，在我们开始对模型进行估计之前，我们应该首先看一下我们所拥有的数据。

################################描述统计# install.packages("ggplot2") summary(Subscription) library(ggplot2) # duration ggplot(Subscription, aes(x=duration/24)) + geom_histogram() + ggtitle("Free-subscription duration ") + xlab(" duration in Days") + ylab("Number of Users")

我们可以清楚地看到30天的峰值，这证实了我们的数据是正确审查的。幸运的是，我们有一个变量来指示哪些观察结果被删除了。让我们仔细看看。

# encrypted ggplot(订阅，aes(x=""， y= encrypted, fill= encrypted))+ geom_bar(width = 1, stat =" identity") + coord_polar("y"， start=0) + scale_fill_brewer(调色板="Dark3") + ggtitle(" encrypted Data")

[code language="r"] # encrypted ggplot(订阅，aes(x=""， y= encrypted, fill= encrypted))+ geom_bar(width = 1, stat =" identity") + coord_polar("y"， start=0) + scale_fill_brewer(调色板="Dark3") + ggtitle(" encrypted Data") [/code]

大约五分之一的观察结果似乎都被删减了。这是很长一段。

#订阅ggplot(订阅，aes(x=""， y=订阅，fill=订阅))+ geom_bar(width = 1, stat =" identity") + coord_polar("y"， start=0) + scale_fill_brewer(调色板="Dark3") + ggtitle("订阅")

在众多注册用户中，约45%的用户选择了30天后的付费订阅。这是一个相当不错的交易，然而，45%是一个“有偏见的”转化率，因为我们有正确的审查数据。事实上，实际的转化率将不同于45%。

# appdays ggplot(订阅，aes(x=appdays)) + geom_histogram() + ggtitle("与App的交互天数")+ xlab("持续天数")+ ylab("用户数")

显然，我们对SeventhCloud应用的使用天数有很大的差异。

# industry ggplot(订阅，aes(x=""， y=industry, fill=industry))+ geom_bar(width = 1, stat =" identity") + coord_polar("y"， start=0) + scale_fill_brewer(调色板="Dark2") + ggtitle("Industries")

有趣的是，saas产品似乎特别吸引IT和制造业。这一点值得注意并进一步研究。

# prevcustomer ggplot(订阅，aes(x=""， y=prevcustomer, fill=prevcustomer))+ geom_bar(width = 1, stat =" identity") + coord_polar("y"， start=0) + scale_fill_brewer(调色板="Dark3") + ggtitle("上一个客户?")

这个情节还揭示了一些意想不到的东西。显然，只有一小部分用户是以前的用户。正在开发的saas产品能够吸引与SeventhClouds现有客户不同的新客户。

# size ggplot(订阅，aes(x=""， y=size, fill=size))+ geom_bar(width = 1, stat =" identity") + coord_polar("y"， start=0) + scale_fill_brewer(调色板="Dark2") + ggtitle("客户公司大小")

客户的公司规模似乎不那么重要，尽管更大的公司似乎更有可能认购。这在最后是可以理解的，因为我们的解决方案只对那些需要并已经实施了良好ERP系统的公司有吸引力。

我们还需要准备一些稍后需要的包和函数。

################################ 生存分析#添加到凶手变量没订阅订阅$ < - ifelse((订阅订阅美元= =“不”),“是的”,“不”)# install.packages(生存)install.packages(“生存”)库(生存)生存# &风险模型install.packages (survminer)库(survminer) # ggsurvplot #函数二者数学分部函数step_approx < -函数(x, y) {new_x < - c () new_y < - c () (i_x x [1]: x(长度(x))){如果(i_x % % c (x)) {pos <——(x = = i_x) i_y < - y (pos)} new_x < - c (new_x i_x) new_y < - c (new_y i_y)} df < - data.frame (x = new_x y = new_y)返回(df)}

现在一切都准备好了，我们充分了解了数据。我们将开始回答seven cloud提出的两个问题。

问题1:每100个免费和付费版本订阅的成本和收益是多少?

我们将分5个步骤回答第一个问题。

1. 估计成本情况下的Kaplan Meier曲线
2. 根据Kaplan Meier曲线计算每100个免费订阅的月总成本
3. 估算收益情景的Kaplan Meier曲线
4. 根据Kaplan Meier曲线计算每100个免费订阅的月总收益
5. 计算每100个免费订阅的月利润

步骤1:估算成本场景的Kaplan Meier曲线

对于第一步，我们首先必须使用生存包创建一个生存对象。基于生存对象，我们可以很容易地计算Kaplan Meier曲线。

#######问题1:每100个免费和付费版本订阅的成本和收益是多少?SurvSub <- Surv(订阅$duration，订阅$ denied =="no") SurvSub # plus表示右审查KaplanMeier <- survfit(SurvSub ~ 1) KaplanMeier summary(KaplanMeier) plot(SurvSub, main ="生存概率"，xlab="自h免费版本订阅以来的时间"，ylab="仍然在订阅的概率")

卡普兰迈耶曲线是一个阶跃函数，向我们展示了给定时间点的估计生存概率。在我们的例子中，“生存”意味着用户没有取消订阅的概率，因为我们需要为用户支付相同的成本，不管他们是免费用户还是付费用户。

步骤2:根据Kaplan Meier曲线计算每100个免费订阅的月总成本

如果我们在给定的时间点乘以一个人仍然订阅100的概率，那么我们就得到100个初始订阅的幸存者的期望数量。如果我们将这个数字与每小时的可变成本相乘，并将它们相加，我们将得到每100次订阅的预期可变成本。现在我们只需要加上固定成本。

步骤2 str(KaplanMeier) y <- KaplanMeier$surv x <- KaplanMeier$time cost_surv <- step_approx(x,y) tcost_per_h <- (20/24)*100 fixcost <- 100000 tcost100 <- sum(cost_surv$y) * tcost_per_h + fixcost #因为逐步函数tcost100

根据这一步的计算，每100个订阅的总成本是126,500.90欧元。

步骤3:估算收益情景的Kaplan Meier曲线

现在我们重复第一步，对差额进行处理，我们对收入情况进行处理。这一次，我们只从那些拥有付费订阅的玩家那里获得收益，这就是我之前提到的为什么我们可以使用两个结束事件的技巧。

###步骤3 notdenied <-子集(订阅，审查==" no") SurvSub2 <- Surv(notdenied $duration, notdenied $ Subscription =="yes") SurvSub2 # plus表示正确审查KaplanMeier2 <- survfit(SurvSub2 ~ 1) KaplanMeier2 summary(KaplanMeier2) plot(SurvSub, main ="存活概率"，xlab="time since free version subscribe in h"， ylab="仍然在订阅的概率")

步骤4:根据Kaplan Meier曲线计算每100个免费订阅的月总收益

使用步骤3中的Kaplan Meier曲线，我们现在可以计算每100个免费订阅的月收益。

步骤4 str(KaplanMeier2) y2 <- KaplanMeier2$surv x2 <- KaplanMeier2$time rev_surv <- step_approx(x2,y2) trev_per_h <- (100/24)*100 trev100 <- sum(rev_surv$y) * trev_per_h #因为stepwise函数trev100

代码给我带来了198,954.80欧元的总收益。现在我们可以计算利润了。

步骤5:计算每100个免费订阅的月利润

最后，我们用第二步和第三步的结果来计算利润。

步骤5 profit <- trev100 - tcost100 profit

现在我们可以总结一下SeventhCloud的结果，即每100个免费订阅的预期成本是126,500.90欧元，预期收益是198,954.80欧元，利润是72,453.82欧元。根据这些信息，他们可以得出结论，免费增值模式对他们很有效。当然，我所做的计算是简化的。然而，它是更高级和更复杂的估计的基础。例如，有可能使用概率密度函数代替阶梯函数，计算无限时间内每100次订阅的总成本、收入和利润。还可以包括税收考虑，使用比这一简化程序更复杂的成本结构。你也可以计算净现值用我刚才讲的同样的方法。

问题2:我们如何改进免费增值模式并提高付费订阅率?

第二个问题可以用两个步骤来回答。首先，我们将使用考克斯风险回归模型来确定群体之间的差异，可能的因果因素影响一个人将花时间来决定保费订阅或取消订阅，并为未来发展推导假设。在第二步中，我们将根据第一个问题计算其他可能的情况。

第一步:选择不同的变量，计算Cox回归

除了必要的变量之外，我们还有一些变量，可以用来研究它们的关系以及订阅或取消订阅之前的持续时间。我们将在溢价订阅之前这样做，以寻找可能的关系，并制定如何让人们更快地注册溢价服务的假设。

#######问题2:我们如何改进免费增值模式并提高付费订阅率?##第一步:如何减少增加付费订阅?coxfit2 <- coxph(SurvSub2 ~ notpreserved $prevcustomer + notpreserved $appdays + notpreserved $industry + notpreserved $size, method = "breslow") coxfit2

这会给我们以下输出:

电话:
coxph(公式= SurvSub2 ~ notfiltered $prevcustomer + notfiltered $appdays + .
$size, method = " breslow ")

Coef exp(Coef) se(Coef) zp
$prevcustomeryes 0.0859 1.0897 0.6661 0.13 0.90
$appdays 0.0738 1.0766 0.0525 1.41 0.16
$industryConsulting -0.6299 0.5326 1.1414 -0.55 0.58
工业金融-0.4750 0.6219 1.0779 -0.44 0.66
$industryFood -1.0413 0.3530 1.0734 -0.97 0.33
$industryHealth -1.3304 0.2644 1.1265 -1.18 0.24
$industryIT -0.1096 0.8962 0.5094 -0.22 0.83
制造业-1.4925 0.2248 0.6873 -2.17 0.03
工业电信-0.9828 0.3743 1.0980 -0.90 0.37
$size1001+ -0.2467 0.7814 0.5421 -0.46 0.65
$size51-1000 0.4136 1.5122 0.5390 0.77 0.44

似然比检验=11.97,p=0.4
N = 79，事件数= 26

这是Cox回归模型的一个典型输出，但在我们开始解释它之前，我们需要记住，它不是一个生存函数，而是一个风险函数。这意味着模型的输出是相对风险，形式为h(t;x) = h_oe (t)^βx, h_o(t)为基线危险度，x为协变量，β为其参数。我们可以看到自然指数e^βx，这意味着我们不能只取估计系数并直接解释它们。每增加一个单位x，基线危险就增加e^βΔx．此外，我们还有p值，它量化了我们估计的不确定性或精确度。一般的经验法则是，如果p值低于0.05，那么我们有显著的影响，我们可以假设两者之间有关系。

在这里，区分统计意义和经济意义也很重要。统计显著性只能帮助我们确定y变量和x变量之间是否可能存在任何关系。然而，它并没有告诉我们变量是否相关。如果该变量的效果或其对y变量的影响非常小，尽管统计显著性，那么经济显著性是低的。想象一下，我们有一个显著的变量，将基线增加0.00001%，或者另一个变量将基线风险增加30%。那么，前者在经济上的重要性将大大降低。

在我们的例子中，我们发现了两件有趣的事情。首先，我们可以制定一个假设，即行业很重要，因为一个水平与参考水平显著不同。未来应该解决的更有趣的问题是，为什么它们不同?是因为我们的产品更好地满足了某些行业的需求，还是因为缺乏竞争?我们可以观察到的第二件有趣的事情是变量appdays，这并不重要。尽管如此，我们还是把它提上了议程，因为可能会有另一种有趣的关系。我们制定了一个假设，即高智商群体更有可能注册。为了进一步调查，我们创建了另一个图来区分那些很少使用应用的人(appdays较低)和那些经常使用应用的人(appdays较高)。

#为两个子组创建两个KapplanMeier模型notdeleted $Appdayslabel <- ifelse(notdeleted $appdays >= median(notdeleted $appdays)， "high"， "low") appdaysSurv <- Surv(notdeleted $duration, notdeleted $subscription=="yes") appdaysFit <- survfit(appdaysSurv ~ Appdayslabel, data= notdeleted) ggsurvplot(appdaysFit, data= notdeleted)表(notdeleted $Appdayslabel)

高的低
41 38

形状看起来很有趣，小组看起来很平衡，这对于能够做出充分的结论和概括是非常重要的。我们首先观察到的有趣的事情是，低组的存活率在XX天突然下降，而高组的存活率则持续下降。这里可能会出现的问题是为什么会突然下降?一个可能的假设是，低群体和高群体可能有不同的需求。

刚刚展示的粗略分析步骤也可以用进一步的方法进行更深入的分析，并在选择可能的假设时更加谨慎。你也可以做同样的过程来调查取消订阅的风险函数，根据你的策略，找出如何a)增加免费订阅或b)根据策略减少免费订阅。

步骤2:计算不同的场景(利润率和比较)

根据第一步中的假设和结论，您现在可以使用问题1中提供的过程为该场景进行不同的模拟来计算业务用例。事实上，我们可以把所有东西简化成一个简单的函数:

# # #第2步freemium_profit < -函数(df) {SurvSub < - Surv (df美元持续时间、df审查美元= =“不”)KaplanMeier < - survfit (SurvSub ~ 1) # # #第2步从Q1 y < - KaplanMeier Surv x < - KaplanMeier时间美元cost_surv < - step_approx (x, y) tcost_per_h < - (20/24) * 100 fixcost < - 100000 tcost100 < -总和(cost_surv $ y) * tcost_per_h + fixcost #因为分段函数打印(粘贴(“总成本”,圆(tcost100位数= 2),“欧元”))# # #第三步从Q1 NotCensored < -子集(订阅,审查= =“不”)SurvSub2 < - Surv (NotCensored时间美元,美元NotCensored订阅= =“是”)KaplanMeier2 < - survfit (SurvSub2 ~ 1) # # #第四步从Q1 y2 < - KaplanMeier2 Surv x2 < - KaplanMeier2时间美元rev_surv < - step_approx (x2, y2) trev_per_h < - (100/24) * 100 trev100 < - sum (rev_surv $ y) * trev_per_h #因为分段函数打印(粘贴(“总revnue”轮(trev100位数= 2),“欧元”))# # #第五步从第一季度利润< - trev100 tcost100打印(粘贴(“利润总额”,圆(利润数字= 2),“欧元”))}

为了演示目的，我们想调查一下，如果我们只有第1步中的低组和第2步中的高组，那么预期的潜在利润是多少。

LowAppdays <-子集(订阅，appdays < median(appdays)) HighAppdays <-子集(订阅，appdays >= median(appdays)) freemium_profit(LowAppdays) freemium_profit(HighAppdays)

freemium_profit (LowAppdays)
[1]“总成本为112905.7欧元”
[1]“总收入为198954.76欧元”
[1]“总利润为86049.05欧元”
> freemium_profit (HighAppdays)
[1]“总成本为129630.72欧元”
[1]“总收入为198954.76欧元”
[1]“总利润为69324.04欧元”

现在我们可以看到，低情景的利润是86039.05欧元，高情景的利润是69324.04欧元。根据上述结果，如果第二个假设成立，我们或许可以通过关注低应用日用户而提高每月100次订阅的利润。当然，还有更多的考虑因素需要考虑，但是使用这种方法可以模拟不同的场景。

结论:生存和风险模型是免费增值模式的强大工具

关于免费增值模式，我们还有三点需要注意的地方。首先，所展示的方法与策略无关。从这个故事和方法中我们可以得到一个非常重要的信息，即它能够帮助我们解决免费增值模式中的一个非常重要的问题:

1. 在提供富有吸引力的免费订阅服务和推动付费订阅之间找到适当的平衡
2. 不要在免费订阅中提供太多内容，因为一个全面的免费版本可能会阻止用户注册付费版本。

为回答第二个问题而提出的方法可以帮助您导航到“正确的”平衡，并进一步优化优惠。

第二，当然，你可以用传统的方法计算转化率，但这是有偏差的。偏见意味着它不会是精确的，它不会反映转化率的真实状态，因为我们对数据进行了正确的审查。因此，通过使用生存模型的结果，您将得到更精确的转化率。有时候，经典的转化率也不会差太多，但这是无法保证的。

第三，免费增值模式用户面临的一个普遍问题是，订阅数量在某一时刻开始趋于平缓。在这一点上，许多公司转向30天免费试用的限量免费增值版本，或者完全放弃它。通过跟踪每100个新订阅的第一个月的利润和每月订阅的数量，该方法可以提前告诉您何时可能需要枢轴。如果这两个指标中的任何一个开始下降，那么您应该分析原因，并采取正确的行动来维持业务。

现在，故事是什么?SeventhCloud创建了一个很好的服务，似乎对新客户很有吸引力，尤其是来自制造领域的客户。他们的业务将继续增长，他们将获得巨大的利润。如果第七云专注于制造，并提高质量和用户与平台的互动频率，他们甚至可以通过免费增值模式实现更大的增长。