免费模式是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?它们都采用了免费增值的商业模式。的免费增值模式自出现以来,模式在数字创业、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)。freemium模式的基本理念是,服务提供商免费提供其产品的功能性较低的版本,以鼓励付费订阅,因为潜在买家可以探索和测试免费版本,避免风险的大幅提升。另一方面,SaaS是由云计算实现的,这为迁移产品提供了可能性整个软件都在云上。因此,客户不需要再安装和更新软件。他只需在线订阅,就可以像服务一样通过服务器使用它。

在本文中,我将很快向您展示如何使用生存和风险模型分析freemium模型,freemium模型基于什么假设,以及如何使用生存和风险模型中的信息,以一家名为“SeventhCloud”的虚拟软件公司为例,得出如何改进业务模型的措施.

SeventhCloud最初开发了一款软件,可以从客户的ERP系统中提取采购数据,并生成一个仪表盘,显示节约潜力和可能的合规风险。客户主要在北欧和西欧,该公司曾面临用该软件吸引新客户的问题。在评估后,它发现,快速成长的新公司提供的是saas产品,而不是软件。董事会决定顺应潮流,启动数字化转型,并开发自己的saas解决方案。在开发新产品的过程中,出现了一个问题,即免费模式是否比一般的订阅模式更有利可图,以及他们如何改进订阅模式。

问题:自由市场模式的隐性成本

SeventhCloud已经推出了SaaS解决方案的免费版本原型,如果有兴趣,客户可以提前注册预定在三个月内推出的付费版本。因为时间的原因,他们只关注了目前的用户30天。他们收集到的信息在R模拟数据集中可以表示为:

################################ Create Dataset # Duration & Censored 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 Censored <- ifelse(Duration > 30*24, "yes",)“不”)持续时间(持续时间> 30 * 24)< - 30 * 24 #审查# ID ID < - 1:89 #订阅订阅< - ifelse((样本(c(真,假,假),89年,取代= TRUE) &(审查= =“不”),“是的”,“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,样本(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(取代= TRUE产业,89年,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,订阅$id <- as.factor(订阅$id) rm(id, duration, censored, Subscription, appdays, industry, prevcustomer, size, industries, prob_industries, k)

正如前面提到的,在探索免费增值模式的同时,SeventhCloud需要回答两个重要的问题,以便能够制定自己的战略计划。

  1. 每100个订阅(免费和付费版本)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,一些人会继续使用免费版本,而另一些人会注册购买付费版本。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. 我们该如何完善免费模式并提高付费订阅率?
    这个问题的目的是了解客户基础,并找到提高SaaS解决方案价值的方法。

所以,现在可能会出现的问题是,为什么我们需要一个更复杂的生存模式来回答这些问题?简单地取比例、平均或简单的线性回归不就够了吗?嗯,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,用于描述持续时间。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。审查通常描述的问题是我们知道某些值在一定范围内,但我们不知道确切的值。在我们的例子中,我们只能跟踪所有订阅用户30天,但他们仍然可能在超过30天的某个时间点订阅。因此,当审查是“是的”时,我们只知道付费订阅直到第30天才发生,但可能在第30天之后的任何时间点发生。仅仅使用平均值或线性回归通常会导致一个有偏差的结果,因为截尾观测被视为发生在截尾时间(见下图)。

审查是不同的截断.在截断法中,将位于特定间隔内的观测结果完全被省略掉而不被观测到。这在我们的情况下不适用。总的来说,特定的有限依赖模型,如Tobit模型或Heckmann模型已经被开发来估计模型在截短或截短情况下,我们可以区分这些一般类型的截短和截短:

  • 左删失:感兴趣的事件(例如订阅)已记录在审查值x的边界处,但已知它发生在该特定点x之前。
  • Interval-censoring:已记录感兴趣的事件,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,但已知它发生在特定的x点以外。
  • Left-truncation:没有记录感兴趣的事件,因为它位于特定阈值以下。
  • Interval-truncation:感兴趣的事件没有被记录,因为它位于一个特定的时间间隔内。
  • Right-truncation:事件没有被记录,因为它超出了一个特定的值x。

幸运的是,生存和危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:客户是否生存、取消订阅或订阅?

生存和危险模型的主要目的是调查某一事件发生之前的时间。因此,需要明确定义开始事件(免费订阅)和结束事件(付费订阅或取消订阅)。这些模型允许人们不仅评估某一事件发生的特定时间的风险或存活到某一点的概率,还可以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,有两种类型的法术数据:

  1. 法术数据:每个被研究的个体只能有一次事件。
  2. Mutliple-spell数据:每个被研究的人都可以多次经历感兴趣的事件。

我们在这里介绍的模型只适用于单个咒语数据。如果我们有多个咒语数据,我们只能使用单一咒语模型,如果自变量的影响是不变的,而不管时期或事件(1),如果持续时间分布的个体只取决于进入当前状态的时间(2),如果连续的个体是独立的(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,那么一个人年龄越大,其他与健康相关的变量的影响就越强(第一个假设被违背了),心脏病发作的可能性就越大(第二个假设被违背了)。而已经经历过心脏病发作的人,再次发作心脏病的风险更高(违反了第三个假设)。在我们的例子中,我们只有一个咒语数据。

首先,我们将计算一个生存模型,以确定用户保持免费且不退订的概率。这种生存模式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付费服务的概率。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的管理者那里得到了以下信息:

  • 固定成本约为每月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,每次订阅每天的可变成本都是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,我们将使用给定的信息解决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的分布。这使得它们适合于任何类型的数据,并且在底层关系确实不遵循某种形状时更加强大,但如果底层关系确实遵循某种形状时,就不那么强大了。

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,无论是免费订阅还是付费订阅,作为咒语数据的开始事件。由于SeventhCloud只能跟踪用户30天,所以订阅时间不会超过30天。如果结束事件直到30结束时才发生th天,观察是对的审查。然而,关于结束事件的定义有一个小技巧,我们将利用它来估算成本、收入和利润。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时间。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计算时间。这在生存分析中是不寻常的,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,我们应该先看看我们拥有的数据。

################################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天内正确的峰值,这证实了我们的数据被右审查了。幸运的是,我们有一个变量表明哪些观测结果被删了。让我们仔细看看。

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

大约五分之一的观察结果似乎被审查过,这是相当多的。

#订阅ggplot(订阅,aes(x=,y=订阅,fill=订阅))+geom_bar(宽度=1,stat=“identity”)+coord_polar(“y”,start=0)+缩放填充酿酒器(调色板=“深色3”)+ggtitle(“订阅”)

在许多注册用户中,大约45%的人在30天后选择了付费订阅。这是相当令人惊讶的好交易,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,我已经在上面说明了。事实上,真正的转化率将不同于45%。

# appdays(订阅,aes(x=appdays)) + geom_histogram() + ggtitle("与应用的互动天数")+ xlab("Duration in Days") + ylab("用户数")

显然,我们对SeventhCloud的应用使用了多少天有很大的不同。

#工业ggplot(订阅,aes(x="", y= "工业,填充=工业))+ geom_bar(宽度= 1,stat =" identity") + coord_polar("y", start=0) + scale_fill_brewer(palette="Dark2") + ggtitle("工业"))

有趣的是,SaaS产品似乎特别吸引IT和制造业。这是值得注意和进一步调查的事情。

#prevcustomer ggplot(订阅,aes(x=,y=prevcustomer,fill=prevcustomer))+geom_栏(宽度=1,stat=“identity”)+coord_polar(“y”,start=0)+比例填充酿酒器(调色板=“深色3”)+ggtitle(“以前的客户?”)

这个情节也揭示了一些意想不到的事情。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。

#大小ggplot(订阅,aes(x=,y=大小,fill=大小))+geom_栏(宽度=1,stat=“identity”)+coord_polar(“y”,start=0)+比例填充酿酒商(调色板=“Dark2”)+ggtitle(“客户的公司规模”)

客户的公司规模似乎不那么重要,尽管大公司似乎更有可能订阅。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好的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功能。

################################ 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<- which(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) return(df) }

现在一切都准备好了,我们也充分了解了数据。我们将开始回答SeventhCloud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?

我们将用5个步骤回答第一个问题。

  1. 估计成本场景的Kaplan Meier曲线
  2. 根据Kaplan Meier曲线计算每月100次免费订阅的总费用
  3. 估计收入情景的卡普兰-迈耶曲线
  4. 根据Kaplan Meier曲线计算每月100次免费订阅的总收益
  5. 计算每月每100个免费订阅的利润

步骤1:估算成本场景的Kaplan Meier曲线

第一步,我们首先要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?步骤1 # # # # right-censored数据创建一个生存对象SurvSub < - Surv(订阅时间美元,订阅审查美元= =“不”)SurvSub # +表示对审查KaplanMeier < - survfit (SurvSub ~ 1) KaplanMeier总结(KaplanMeier)情节(SurvSub主要=“生存”的概率,xlab =“h”免费版订阅以来,Ylab ="仍在订阅中的概率")

Kaplan Meier曲线是一个阶梯函数,它向我们展示了在给定时间点上生存的估计概率。在我们的案例中,“生存”意味着用户没有退订的概率,因为我们需要为用户支付相同的费用,无论他们是免费用户还是付费用户。

第二步:根据Kaplan-Meier曲线计算每100份免费订阅的每月总成本

如果我们将某一给定时间点上仍有100个订阅的人的概率相乘,那么我们就得到了100个首次订阅的预期存活人数。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个订阅的预期可变成本。现在我们只需要加上固定成本。

### # Step 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份订阅的总成本为126500.90欧元。

步骤3:估算收益场景的Kaplan Meier曲线

现在我们重复第一步,不同的是,我们在收入场景中这样做。这一次,我们只从那些有溢价订阅的场景中获得收入,下面是我前面提到的技巧,为什么我们可以使用两个结束事件。

# # #第三步NotCensored < -子集(订阅,审查= =“不”)SurvSub2 < - Surv (NotCensored时间美元,美元NotCensored订阅= =“是”)SurvSub2 # +表示对审查KaplanMeier2 < - survfit (SurvSub2 ~ 1) KaplanMeier2总结(KaplanMeier2)情节(SurvSub主要=“生存”的概率,xlab =“h”免费版订阅以来,Ylab ="仍在订阅中的概率")

步骤4:根据Kaplan Meier曲线计算每月100次免费订阅的总收益

使用第3步的Kaplan Meier曲线,我们现在可以计算每100个免费订阅的预期月收益。

### Step 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 #因为步进函数trev100

代码返回给我的总收入为198954.80欧元。现在我们可以计算利润了。

第五步:计算每100份免费订阅的月利润

最后,我们用第二步和第三步的结果来计算利润。

###步骤5利润<- trev100 - tcost100利润

现在我们可以总结一下SeventhCloud的结果,每100个免费订阅的预期成本是126,500.90欧元,预期收入是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,免费增值模式适合他们。当然,我做的计算简化了。然而,它是更高级和更复杂的估计的基础。例如,可以使用概率密度函数而不是阶跃函数来计算无限时间内每100个订阅的总成本、收入和利润。也可以包括税收考虑,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基于我刚刚展示的程序。

问题2:我们如何完善免费模式并提高付费订阅率?

第二个问题可以通过两步来回答。首先,我们将使用Cox风险回归模型来确定组之间的差异,可能的原因因素,影响一个人将采取付费订阅或取消订阅的时间,并得出未来发展的假设。在第二步中,我们将基于第一个问题计算其他可能的场景。

第一步:选择不同的变量,计算Cox回归

除了必要的变量外,我们还可以使用其他变量来调查它们之间的关系以及订阅或取消订阅的持续时间。我们将在这里做的情况,直到保费订阅,以找到可能的关系,并制定假设,如何让人们更快地注册保费提供。

问题2:我们如何完善免费模式并提高付费订阅率?##步骤1:如何减少增加保费订阅?coxfit2 <- coxph(SurvSub2 ~ NotCensored$prevcustomer + NotCensored$appdays + NotCensored$industry + NotCensored$size, method = "breslow"

这为我们提供了以下输出:

电话:
(公式= SurvSub2 ~ NotCensored$prevcustomer + NotCensored$appdays +
NotCensored$industry + NotCensored$size, method = " breslow ")

系数exp(系数)se(系数)z p
NotCensored$prevcustomeryes 0.0859 1.0897 0.6661 0.13 0.90
NotCensored$appdays 0.0738 1.0766 0.0525 1.41 0.16
未经审查的$industryConsulting-0.6299 0.5326 1.1414-0.55 0.58
NotCensored$industryFinance -0.4750 0.6219 1.0779 -0.44 0.66
NotCensored$industryFood -1.0413 0.3530 1.0734 -0.97 0.33
NotCensored$industryHealth -1.3304 0.2644 1.1265 -1.18 0.24
未审查$industryIT-0.1096 0.8962 0.5094-0.22 0.83
NotCensored$industryManufacturing -1.4925 0.2248 0.6873 -2.17 0.03
NotCensored$industryTelecommunication -0.9828 0.3743 1.0980 -0.90 0.37
未审查$size1001+-0.2467 0.7814 0.5421-0.46 0.65
未经审查的$size51-1000 0.4136 1.5122 0.5390 0.77 0.44

11 df上似然比检验=11.97,p=0.4
N = 79,事件数= 26

现在这是Cox回归模型的典型输出,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)=hoe (t)βx, ho(t)是基线风险,x是协变量,β是参数。我们可以看到e的自然指数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,基线危险增加eβΔx.此外,我们有量化不确定性或估计精度的p值。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,我们可以假设有关系。

在这里区分统计显著性和经济显著性也很重要。统计学上的显著性只帮助我们确定y变量和x变量之间是否有关系。然而,它并没有告诉我们这个变量是否相关。如果变量的影响或它对y变量的影响非常小,尽管统计显著性,那么经济显著性很低。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危险增加30%。那么前者的经济意义就会小得多。

在我们的例子中,我们检测到两个有趣的东西。首先,我们可以制定一个假设,即行业很重要,因为有一个水平与参考水平存在显著差异。未来应该解决的更有趣的问题是,为什么它不同?这是因为我们的产品更好地满足了某些行业的需要,还是因为缺乏竞争?我们可以观察到的第二个有趣的事情是变量appdays,它并不重要。尽管如此,我们还是把它放在了议程上,因为可能还有另一种有趣的关系。我们形成了一个假设,高群体更有可能注册。为了进一步调查,我们创建了另一个图表,区分只使用应用很少的用户(应用天数较低)和使用应用很多的用户(应用天数较高)。

#为两个子组创建两个KapplanMeier模型NotCensered$Appdayslabel<-ifelse(NotCensered$appdays>=中值(NotCensered$appdays),“高”、“低”)AppDaysSrv<-Surv(NotCensered$duration,NotCensered$subscription==“是”)appdaysFit<-survfit(AppDaysSrv~Appdayslabel,data=NotCensered)ggsurvplot(appdaysFit,data=NotCensered)表(未经审查$Appdayslabel)

高的低
41 38

形状似乎很有趣,群体似乎是平衡的,这是非常重要的,以便能够作出适当的结论和概括。我们首先观察到的有趣的事情是低组在XX天出现了突然的下降,而高组的生存几率则持续下降。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。

刚才显示的粗略分析步骤也可以通过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小心。您还可以执行相同的过程来调查取消订阅的危险函数,根据您的策略来找出如何a)增加免费订阅或b)减少免费订阅,这取决于策略。

步骤2:计算不同的场景(利润率和比较)

有了第一步的假设和结论,您现在可以使用问题1中给出的过程进行不同的模拟,以计算这个场景的业务案例。事实上,我们可以将所有内容简化为一个简单的函数:

###步骤2 freemium_profit <- function(df) {SurvSub <- Surv(df$duration,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 < - sum (cost_surv $ y) * tcost_per_h + fixcost #因为分段函数打印(粘贴(“总成本”,### Step 3 from Q1 NotCensored <- subset(Subscription, censored == "no") SurvSub2 <- Surv(NotCensored$duration, "订阅")NotCensored订阅美元= =“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”,### Step 5 from Q1 profit <- trev100 - tcost100 print(粘贴("Total profit is", round(profit,digits = 2),"EUR"))}

为了演示的目的,我们想研究如果我们从第1步中只有低组,而从第2步中只有高组,我们的预期潜在利润是什么。

低应用天数<子集(订阅,应用天数<中位数(应用天数))高应用天数<子集(订阅,应用天数>=中位数(应用天数))免费最低利润(低应用天数)免费最低利润(高应用天数)

freemium_profit (LowAppdays)
[1]“总成本为112905.7欧元”
[1]“总收入为198954.76欧元”
[1]“总利润是86049.05欧元”
> freemium_profit (HighAppdays)
[1]“总成本是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,低情景下的利润是86039.05欧元,高情景下的利润是69324.04欧元。基于上述结果,如果第二个假设成立,我们便能够通过专注于低appdays用户而提高每月100次订阅的利润。当然还有更多需要考虑的事项,但是使用这种方法可以模拟不同的场景。

总结:生存和危险模式是免费模式的强大工具

关于免费增值模式,我们还需要做出三点评论。首先,所展示的方法与策略无关。从故事和方法论中得到的重要信息是,它有助于解决免费增值模式的一个非常重要的问题:

  1. 在提供丰富的、有吸引力的免费订阅和推动付费订阅之间找到正确的平衡
  2. 不要在免费订阅中提供太多内容,因为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你导航到“正确的”平衡并进一步优化提供。

第二,当然,你可以用传统方法计算转化率,但这是有偏差的。偏倚意味着它不会是精确的,它不会反映转化率的真实状态,因为我们的数据被正确的审查。因此,您将通过使用生存模型的结果得出一个更精确的转换率。有时候,经典的转化率并不遥远,但这并不能保证。

第三,免费模式用户面临的一个普遍问题是,订阅在某一时刻会开始趋于平缓。在这一点上,许多公司转向了有限的免费增值版本,即30天免费试用版,或者完全放弃。通过简单地追踪第一个月每100个新订阅的利润和每月订阅的数量,所显示的方法可以提前告诉你何时可能需要一个轴心。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创造了一项良好的服务,似乎吸引了新客户,尤其是来自制造业领域的客户。他们的业务将继续增长,并将获得巨大的利润。如果SeventhCloud专注于制造并提高质量以及用户与平台交互的频率,他们甚至可以通过freemium模型实现更大的增长。

留下一个回复

您的电子邮件地址将不会被公布。必填字段已标记