一家免费模型是萨斯 - 产品的好选择吗?

分析和提高免费增值模式的盈利能力

Spotify,Todoist,Evernote和Linkedin有什么共同之处?他们都在一家弗里西商业模式下运行。这弗里西姆模型在数字启动,报纸和服务场景中成为一个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功能较弱的产品版本,以鼓励付费订阅,因为潜在买家可以探索和测试免费版本,避免冒险的大跳跃。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,客户不再需要安装和更新软件。他只是在线订阅,他可以像使用服务一样通过服务器使用它。

不久在这篇文章中,我将向您展示如何使用生存和风险模型分析免费增值模式,假设一个免费增值模式取决于什么,以及如何使用信息从生存和风险模型获得的行为上如何提高业务模型的例子一个虚构的软件公司叫“SeventhCloud”。

SeventhCloud最初开发了一种从客户的ERP系统中提取采购数据的软件,并产生仪表板以显示节省潜力以及可能的合规风险。客户主要位于北方和西欧,公司面临着拥有软件的新客户的问题。在审查后,它发现新的初创公司正在快速增长,正在提供SaaS-Products而不是软件。董事会决定遵循趋势并启动数字转型以及开发自己的SaaS解决方案。在开发新产品的同时,问题出现了一项屡获险样模型比一般订阅模式更有利,以及如何改善其订阅模式。

问题:免费增值模式的隐性成本

SeventhCloud推出了SaaS解决方案的原型作为免费版,如果有兴趣,客户可以预先注册预定在三个月内进入的高级版本。由于时间的原因,他们只遵循他们目前的订阅者30天。它们所聚集的信息可以在R模拟数据集中的以下方式表示:

################################创建数据集# Duration & Censored set.seed(1234) Duration <- round(abs(rnorm(n=89, mean=18, sd=12))*24) # in hours Duration [sample(1:89, 10)] <- 0 #一些立即做出的决定删剪<- ifelse(Duration > 30*24, "yes", "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)

正如已经指出的那样,在探索Freemium模型的同时,七世纪有两个重要问题必须得到回答,以便能够制定其战略计划。

  1. 每100个订阅(免费和付费版本)的成本和收益是多少?
    这个问题并不琐碎,因为,对于每100个新用户来说,有些人会取消订阅,有些人将留下免费版本,其他人将注册高级版本。此外,通过了解成本,我们将了解我们是否需要限制免费版本。通过了解利益,我们能够说,成本是否值得。
  2. 我们如何改善自由策略模型并增加高级订阅率?
    这个问题旨在了解客户群并找到提高SaaS解决方案价值的方法。

所以,现在可能出现的问题是,为什么我们需要更复杂的生存模型来回答这些问题?不会只是采取比例,平均或简单的线性回归足以满足?嗯,答案是否,因为我们拥有的数据的性质。首先,我们收集了拼数据,描述持续时间。法术不能是消极的,这就是为什么我们不能使用简单的线性回归。其次,我们有右审查数据。审查一般描述了我们知道某些值在一定范围内的问题,但我们不知道确切的价值。在我们的案例中,我们只能遵守所有订阅者,达到30天的所有订户,但他们仍然可能在30天内的某些程度上订阅。因此,在审查是“是”的情况下,我们只知道Premium订阅才发生在第30天,但可能发生在第30天之后的任何一点。使用只是平均值或线性回归通常会导致偏见的结果,因为被审查观察被视为在审查时间发生(见下图)。

审查是一个与之不同截断.在截断中,在一个特定的时间间隔内的一个观察结果被完全忽略而不被观察。这不适用于我们的情况。总的来说,特定的有限依赖模型,如Tobit模型或Heckmann模型已经被开发出来,以估计在截尾或截尾情况下的模型,我们可以区分这些一般类型的截尾和截尾:

  • Left-censoring:感兴趣的事件(例如订阅)已被记录在审查值x的边界上,但已知它发生在这个特定点x之前。
  • 间隔审查:有兴趣的事件已被录制,但只知道它发生在两个值x之间1和X.2
  • Right-censoring:有兴趣的事件已被记录,但已知它已经超出了特定点x。
  • 左截断:尚未记录感兴趣的事件,因为它位于特定的阈值以下。
  • 截断:尚未记录感兴趣的事件,因为它在特定的间隔内。
  • 右截断:这个事件没有被记录,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:客户是生存、退订还是订阅?

生存和危险模型的主要目的是调查一定事件发生的时间。因此,需要明确定义起始事件(免费订阅)和结束事件(优质订阅或取消订阅)。该模型允许某人不仅在特定时间进行评估,以便发生事件或在某种程度上生存的概率,但也是什么因素影响这些概率以及群体是否彼此不同。

我们将这些模型应用于拼数据,例如,关于持续时间的数据。但是,有两种类型的法术数据:

  1. 单拼写数据:学习的每个人只能有一次活动。
  2. mutliple-speact数据:每个被研究的个体都可以多次体验感兴趣的事件。

我们在此介绍的模型,仅适用于单个法术数据。如果我们有多个法术数据,我们只能使用单个法术模型,如果无论周期或剧集(1)如何,如果个人的持续时间分布只取决于进入以来的时间当前州(2),如果个人的连续发作是独立的(3)。然而,这些假设很少持有真实。如果我们学习个人的概率来获得心脏病发作,那么旧的一个人得到了,其他健康相关变量的效果更强(第一次侵犯了第一个假设),那么心脏病就越可能是(第二个假设违反)。已经经历了心脏病发作的人,遭受另一种心脏病发作的风险更高(违反了第三个假设)。在我们的情况下,我们有单一法术数据。

首先,我们将计算用户保持免费且不退订的概率的生存模型。这种生存模式将帮助我们评估所有用户的成本。然后,我们将计算第二个危险模型,以评估免费用户将订阅溢价优惠的概率。这将帮助我们估算来自高级用户的收益。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,每天的可变费用都是20欧元。
  • 高级模型每天为每家公司提供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,我将实现非参数Kaplan Meier模型和Cox比例风险回归模型。由于Cox比例风险回归模型只有半参数,因此应用的两个模型都不是参数模型,因为我们不假设任何潜在的分布。这使得它们适合于任何类型的数据,并且在底层关系不遵循某种形式时更强大,但如果底层关系遵循某种形式时就不那么强大了。

解决方案:生存和危险模型

我们已经定义了人们注册的那一刻,即直接为免费订阅或高级订阅,作为法术数据的起始事件。由于SeventhCloud只能追踪人民30天,因此不会超过30天的订阅持续时间。如果在30年底之前没有发生结束事件th日,观察是正确的审查。但是,关于结束事件的定义有一个小诀窍,我们将利用成本,收入和利润估算。在我们的情况下,我们有两个结束事件。第一个结束事件是高级订阅。在这种情况下,我们记录了自由订阅的数小时,直到高级订阅。第二个结束事件是订阅。在这种情况下,我们记录了自免费订阅的数小时,直到高级订阅。这对于生存分析来说是不寻常的,这通常只需要一个明确定义的结束事件。但是,在我们进入模型的估计之前,我们首先应该看看我们拥有的数据。

################################ Descriptive Statistics # 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天的正确峰值,这证实了我们的数据是经过“右删”的。幸运的是,我们有一个变量表明哪些观察结果被删减了。让我们仔细看看。

#审查ggplot(订阅,aes(x="", y=审查,填充=审查))+ geom_bar(宽度= 1,stat =" identity") + coord_polar("y", start=0) + scale_fill_brewer(调色板="Dark3") + ggtitle("审查数据")
[代码语言=“r”] #cemoner ggplot(订阅,aes(x =“,y = c ensored,fill = censon))+ geom_bar(width = 1,stat =”identity“)+ coord_polar(”y“,start = 0)+ scale_fill_brewer(palette =“dark3”)+ ggtitle(“审查数据”)[/ code]

大约五分之一的观察结果似乎已被审查。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(palette="Dark3") + ggtitle("订阅")

在众多注册用户中,大约45%的人在30天之后选择了付费订阅。这是相当令人惊讶的好交易,然而,正如我上面已经说明的那样,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,实际的转换率将不同于45%。

# appdays ggplot(Subscription, aes(x=appdays)) + geom_histogram() + ggtitle(“与App互动的天数”)+ xlab(“持续天数”)+ ylab(“用户数量”)

显然,我们对SeventhCloud应用的使用天数有很大的变化。

#行业ggplot(订阅,aes(x =“,y =行业,填充=行业))+ 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。这是值得注意和进一步研究的东西。

# prevcustomer ggplot(Subscription, aes(x="", y=prevcustomer, fill=prevcustomer))+ geom_bar(width = 1, stat =" identity") + coord_polar("y", start=0) + scale_fill_brewer(palette="Dark3") + ggtitle("Previous customer?")

这个剧情也揭示了意外的东西。显然只有一小部分订阅者都是以前的客户。正在开发的SaaS-Mapers能够吸引与第七次当前客户不同的新客户段。

# size ggplot(Subscription, aes(x="", y=size, fill=size))+ geom_bar(width = 1, stat =" identity") + coord_polar("y", start=0) + scale_fill_brewer(palette="Dark2") + ggtitle("Company size of Customer")

客户的规模似乎更重要,尽管更大的公司似乎更有可能订阅。最后是可以理解的,因为我们的解决方案仅吸引需要并实施一个良好的ERP系统。

我们还需要准备一些稍后需要的包和功能。

############################Alvival分析#添加变量取消订阅订阅$ ONSUB < -  IFELSE((订阅$订阅==“否”),“是”,“否”)#install.packages(survival)install.packages(“生存”)库(survival)#for surival&hazard模型install.packages(“survminer”)图书馆(Survminer)#for ggsurvplot#函数插值数学阶跃函数step_approx < -  function(x,y){new_x < -  c()new_y < -  c()for(i_x在x [1]:x [length(x)中]){if(i_x%在%c(x)中){pos < - 哪个(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,我们充分了解数据。我们将开始回答第七世纪的两个问题。

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步回答第一个问题。

  1. 估计成本情景的Kaplan Meier曲线
  2. 根据Kaplan Meier曲线计算每100个免费订阅的每100个免费订阅的总费用
  3. 估计收入情景的Kaplan Meier曲线
  4. 根据Kaplan Meier曲线计算每100个免费订阅的每100个免费订阅的总收入
  5. 计算每月利润每100免费订阅

第1步:估计成本方案的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。根据幸存对象,我们可以很容易地计算出Kaplan Meier曲线。

#######问题1:每100个免费和高级版本订阅的成本和收入是多少?###步骤1#创建右类数据SURVSUB的生存对象< -  SURV(订阅$持续时间,订阅$ CISCONERDER ==“否”)SURVSUB#PLUS表示正确的审查KAPLANMEIER < -  SURVFIT(SURVSUB〜1)KAPLANMEIER摘要(Kaplanmeier)情节(Survsub,Main =“Survival概率”,XLAB =“自免费版本订阅的时间”,Ylab =“仍然是订阅的概率”)

Kaplan Meier曲线是一个阶跃函数,它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费用,无论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个免费订阅的月总费用

如果我们将某一时刻某个人仍然订阅的概率乘以100,那么我们就得到了100次初始订阅的预期幸存者数量。如果我们将这个数字与每小时的可变成本相乘,并将其加起来,我们将得到每100次订阅的预期可变成本。现在我们只需要增加固定成本

###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个订阅的总成本为126,500.90欧元。

第3步:估算收入方案的Kaplan Meier曲线

现在我们重复第一步的不同之处,这是针对收入情况的。这一次,我们只能从付费订阅的游戏中获得收益,我之前提到过为什么我们可以使用两个结束事件。

###步骤3 NotCensored < - 子集(订阅,C博屏==“否”)SURVSUB2 < -  SURV(NotCensored $持续时间,NotCensored $ Subscription ==“是”)Survsub2#Plus表示正确的审查Kaplanmeier2 < -  survfit(survsub2〜1)Kaplanmeier2摘要(Kaplanmeier2)情节(Survsub,Main = Survival的概率“,XLAB =”自免费版本订阅以来H“,Ylab =”仍然是订阅的概率“)

步骤4:根据Kaplan Meier曲线计算每100个免费订阅的月总收入

使用步骤3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入。

###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#,因为逐步函数trev100

该代码将给我归还整体收入198,954.80欧元。现在我们可以计算利润。

步骤5:计算每月每100个免费订阅的利润

最后,我们使用步骤2和步骤3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,他们可以得出免费增值模式正适合他们的结论。当然,我所做的计算是简化的。然而,它是更高级和更复杂的评估的基础。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次订阅的总成本、收入和利润。也可能包括税务方面的考虑,使用比这一简化程序更复杂的费用结构。你也可以用同样的方法计算净现值。

问题2:我们该如何完善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回答。首先,我们将使用Cox危险回归模型来识别群体之间的差异,可能导致影响一个人将采取的预定认购或取消订阅以及导出未来发展的假设。在第二步中,我们将根据第一个问题计算其他可能的场景。

第1步:选择不同的变量并计算COX回归

除了必要的变量之外,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。我们将在此做这个案例,直到付费订阅找到可能的关系,并制定关于如何让人们更快地注册付费优惠的假设。

问题2:我们如何改进免费模式并提高付费订阅率?第一步:如何减少付费订阅的增长?coxfit2 <- coxph(SurvSub2 ~ NotCensored$prevcustomer + NotCensored$appdays + NotCensored$industry + NotCensored$size, method = "breslow"

这给了我们下面的输出:

电话:
COXPH(公式= SURVSUB2〜NOTCENSORACE $ PREVCUSTOMER + NOTCENSORACE $ APPANDSDAYS +
NotCensored$industry + NotCensored$size, method = " breslow ")

COEF EXP(COEF)SE(COEF)Z P.
NotCensored $ FreeCustomeryes 0.0859 1.0897 0.6661 0.13 0.90
NotCensored $ Appdays 0.0738 1.0766 0.0525 1.41 0.16
NotCensored$industryConsulting -0.6299 0.5326 1.1414 -0.55 0.58
未审查$industryFinance -0.4750 0.6219 1.0779 -0.44 0.66
NotCensored $ IndustyFood -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 $ IndustyManufacturing -1.4925 0.2248 0.6873 -2.17 0.03
未审查$industry - telecommunication -0.9828 0.3743 1.0980 -0.90 0.37
非审查$size1001+ -0.2467 0.7814 0.5421 -0.46 0.65
$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,事件数量= 26

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,这不是一个生存函数,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) = hO.(t)eβx,其中H.O.(t)为基线危害,x为协变量,β为其参数。我们可以看到自然指数eβx,这意味着我们不能只取估计系数并直接解释它们。x每增加一个单位,基线危险增加eβΔx.此外,我们具有量化我们估算的不确定性或精度的p值。拇指的一般规则是,如果p值低于0.05,则我们有显着效果,我们可以假设存在关系。

这里也很重要,以区分统计显着性和经济意义。统计显着性仅帮助我们识别Y可变和X变量之间是否存在任何关系。但是,它并不告诉我们变量是否相关。如果变量的影响或其对Y变量的影响虽然统计显着性很少,但经济意义较低。想象一下,我们将具有一个重要的变量,将基线增加0.00001%或另一个将基线危害增加30%。那么前者将不太经济地显着。

现在在我们的情况下,我们检测到两个有趣的东西。首先,我们可以制定行业事项的假设,因为一个级别与参考水平显着不同。将来应该解决的更有趣的问题是它与其不同的原因?它是否有所不同,因为我们的产品更好地涵盖了某些行业的需求,或者因为缺乏竞争?我们可以观察的第二个有趣的事情是变量的Appardss,这并不重要。尽管如此,我们把它放在议程上,因为可能有另一个有趣的关系。我们制定了高群体更有可能注册的假设。为了进一步调查,我们创建了另一个策略区别于使用该应用程序仅限于(Appdays Low)的人员之间的策略区别于使用该应用程序的人员(Appdays High)。

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

高的低
41 38.

这种形状似乎是非常有趣的,这些团体似乎是平衡的,这对于能够做出足够的结论和概括来说是非常重要的。我们首先观察到的有趣的是,低群体的日子XX突然下降,而高级的生存机会相当连续地减少。这里可能出现的问题也是为什么突然下降?可能的假设是低组和高组可能有不同的需求。

刚刚示出的粗略分析步骤也可以更深入地进行进一步的方法,并且在挑选可能假设时更加小心。您还可以执行相同的程序来调查取消订阅的危险功能,根据您的策略如何增加a),无论是增加订阅或b)根据策略减少免费订阅。

步骤2:计算不同场景(利润率和比较)

根据第一步的假设和结论,您现在可以使用问题1中提供的过程进行不同的模拟来计算此场景的业务案例。实际上,我们可以把一切都简化成一个简单的函数:

### Step 2 Freemium_Profit < - 功能(DF){SURVSUB < -  SURV(DF $持续时间,DF $ CISCONERED ==“否”)KAPLANMEIER < -  SURVFIT(SURVSUB〜1)###步骤2来自Q1 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#,因为逐步函数打印(粘贴(“总成本为”,圆形(Tcost100,Digits = 2),“欧元”))###步骤3来自Q1不可思议的< - 子集(订阅,C博屏蔽==“否”)SURVSUB2 < -  SURV(NotCensored$持续时间,NotCensored $ Subscription ==“是”)Kaplanmeier2 < -  survfit(survsub2〜1)###步骤4来自Q1 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#,因为逐步函数打印(粘贴(“总revnue是”,round(trev100,digits = 2),“欧元”)###步骤5来自Q1利润< -  TREV100  -  TCOST100打印(粘贴(“总利润是”,圆形(利润,数字= 2),“EUR”))}

出于示范目的,如果我们只有来自第1步的低集团,并且只有来自第2步的高集团,我们希望调查预期潜在利润的预期潜在利润。

HighAppdays <- subset(Subscription, 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,低场景的利润是86,039.05欧元,高场景的利润是69,324.04欧元。基于上述结果,如果第二个假设成立,我们就可以通过关注低应用日用户而提高每100个订阅的月收益。当然还有更多需要考虑的事项,但是使用此方法可以模拟不同的场景。

结论:生存和危险模型是Freemium Model的强大工具

自由型模型还有三项一般性备注。首先,无论战略如何,都表现出了适合的方法。和所表明的故事和方法的一个非常重要的外卖消息是它有助于解决自由计划的一个非常重要的问题:

  1. 找到提供丰富有吸引力的免费订阅报价之间的合适的平衡,驱动高级订阅和
  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客户注册付费版本。

回答第二个问题的方法可以帮助你找到“正确”的平衡点,并进一步优化服务。

其次,当然,您可以以传统方式计算转换率,但它将被偏见。偏见意味着它不会精确,由于我们的数据审查,它不会反映转换率的真实状态。因此,您将通过使用生存模型的结果来得出更精确的转换率。有时,古典转换率不会远远甚至,但没有保证。

三是一个常见的问题,即弗里西模型用户面临的是,订阅将开始在某些时候变平。此时,许多公司在有限的免费试用版或完全放弃它的情况下枢转到有限的弗里西版本。显示的方法可以提前告诉您,只需在每100个新订阅的第一个月的利润和每月订阅的数量的情况下追踪利润和每月订阅。如果这两项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。

这个故事是什么?SeventhCloud创造了良好的服务,似乎吸引了新客户,尤其是制造业的新客户。他们的生意将继续增长,他们将获得巨大的利润。如果SeventhCloud专注于制造,提高用户与平台互动的质量和频率,他们甚至可以通过免费增值模式获得更大的增长。

发表评论

您的电子邮件地址不会被公开。必需的地方已做标记*