免费增值模式是saas产品的好选择吗?

分析生存和风险模型并提高免费模式的盈利能力

Spotify、Todoist、Evernote和LinkedIn有什么共同之处?它们都采用免费增值商业模式。的免费增值模式模型自出现以来，在数字创业、报纸和服务场景中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，从而避免冒险的大幅跳跃。另一方面，SaaS是通过云计算实现的，云计算提供了将整个软件迁移到云上的可能性。因此，客户不再需要安装和更新软件。他只需在网上订阅，然后就可以像服务一样通过服务器使用它。

在本文中，我将向你展示如何使用生存和风险模型来分析免费增值模式，免费增值模式所基于的假设，以及你如何使用生存和风险模型的信息，以虚拟软件公司SeventhCloud为例，推导出如何改进商业模式的行动。

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，并生成一个仪表板，显示节省潜力以及可能的合规风险。这些客户主要分布在北欧和西欧，该公司曾面临用该软件吸引新客户的问题。经过审查，它发现那些快速增长的新初创公司提供的是saas产品，而不是软件。董事会决定顺应趋势，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，即免费增值模式是否会比普通订阅模式更有利可图，以及他们如何改进订阅模式。

问题:免费模式的隐性成本

SeventhCloud已经推出了SaaS解决方案的原型，作为免费版本，如果有兴趣，客户可以预先注册计划在三个月内推出的高级版本。由于时间原因，他们只关注了目前的用户30天。他们收集到的信息可以在R模拟数据集中表示为:

################################创建数据集# Duration & censorship set.seed(1234) Duration <- round(abs(rnorm(n=89, mean=18, sd=12))*24) # in hours Duration [sample(1:89, 10)] <- 0 #一些即时做出的决定censorship <- ifelse(Duration > 30*24， "yes"， "no") Duration [Duration > 30*24] <- 30*24 # cen# ID ID <- 1:89 # subscription订阅<- ifelse((sample(c(TRUE,FALSE, TRUE)，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,size=size)订阅$id <- as.factor(订阅$id) rm(id，持续时间，审查，订阅，应用日，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，为了制定战略计划，SeventhCloud必须回答两个重要问题。

1. 每100个订阅(免费版和高级版)的成本和收益是多少?
   这个问题并不简单，因为每100个新用户中，有些人会退订，有些人会继续使用免费版本，还有一些人会注册付费版本。此外，通过了解成本，我们将了解是否需要限制免费版本。通过了解收益，我们就能判断成本是否值得。
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，为什么我们需要一个更复杂的生存模型来回答这些问题?简单地求比例、求平均或简单的线性回归难道还不够吗?根据我们手头数据的性质，答案是否定的。首先，我们收集拼数据，它描述了持续时间。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，我们只能在30天内跟踪所有订阅者，但他们可能在超过30天的某个时间点仍然订阅。因此，当“审查”为“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天之后的任何时间点。仅使用平均值或线性回归通常会导致有偏差的结果，因为被审查的观察被视为好像它们发生在审查时间(见下图)。

审查不同于截断。在截断中，将位于特定间隔内的观测值完全忽略，不被观测到。这并不适用于我们的情况。总的来说，已经开发了特定的有限依赖模型，如Tobit模型或Heckmann模型，用于估计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)已记录在审查值x的边界，但已知它发生在此特定点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，但已知它发生在特定点x之外。
  
• 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，我们将应用生存和风险模型。

方法和前提:客户是生存、退订还是订阅?

生存和风险模型的主要目的是研究某个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)。这些模型不仅可以让人们评估某一事件在特定时间发生的风险，或者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，例如关于持续时间的数据。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经历一次事件。
2. Mutliple-spell数据:被研究的每个个体都可以多次体验感兴趣的事件。

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，如果自变量具有恒定的影响，而不考虑周期或情节(1)，如果个体的持续时间分布仅取决于进入当前状态后的时间(2)，并且如果个体的连续情节是独立的(3)。然而，这些假设很少成立。例如，如果我们研究一个人患心脏病的概率，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(违反了第一个假设)，心脏病发作的可能性就越大(违反了第二个假设)。已经经历过心脏病发作的人，再次心脏病发作的风险更高(违反了第三个假设)。在我们的例子中，我们有单个法术数据。

首先，我们将计算用户保持免费用户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订户的成本。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的管理人员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、项目人员和其他间接成本。
• 无论用户是高级用户还是免费用户，每个订阅每天的可变成本都是20欧元。
• 付费模式每天为每家公司带来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是半参数模型，因此所应用的两个模型都不是参数模型，因为我们没有假设任何底层分布。这使得它们适用于任何类型的数据，并且在潜在关系确实不遵循特定形状时更强大，但如果潜在关系确实遵循特定形状则不那么强大。

解决方案:生存和风险模型

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，都是法术数据的起始事件。由于SeventhCloud只能跟踪用户30天，因此订阅期限不会超过30天。如果结束事件直到30结束时才发生^th一天，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，我们将利用它来估算成本、收入和利润。在本例中，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，我们记录了从免费订阅到付费订阅的时间。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时间。这是不寻常的生存分析，通常只需要一个明确定义的结局事件。然而，在我们进入模型的估计之前，我们应该首先看一下我们拥有的数据。

################################描述性统计# install.packages(“ggplot2”)摘要(订阅)库(ggplot2) # duration ggplot(订阅，aes(x=duration/24)) + geom_histogram() + ggtitle(“免费订阅持续时间”)+ xlab(“持续时间”)+ ylab(“用户数”)

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，我们有一个变量表明哪些观测结果被删减了。让我们仔细看看。

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

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

大约五分之一的观测结果似乎被删减了。这是相当多的。

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

在众多注册用户中，约45%的用户在30天后选择了付费订阅。这是一笔相当不错的交易，然而，正如我在上面已经说明的那样，45%是“有偏差的”转换率，因为我们有正确的审查数据。事实上，真正的转化率会不同于45%。

# appdays ggplot(订阅，aes(x=appdays)) + geom_histogram() + ggtitle(“与应用程序的交互天数”)+ xlab(“天数”)+ ylab(“用户数量”)

显然，我们对SeventhCloud的应用程序的使用天数有很大的不同。

# industry ggplot(Subscription, aes(x=""， y=industry, fill=industry))+ geom_bar(width = 1, stat =" identity") + coord_polar("y"， start=0) + scale_fill_brewer(palette="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调查的。

# 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?")

这个情节也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客户。正在开发的saas产品能够吸引不同于seventhcloud当前客户的新客户群。

# size ggplot(订阅，aes(x=""， y=size, fill=size))+ geom_bar(宽度= 1,stat =" identity") + coord_polar("y"， start=0) + scale_fill_brewer(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。这是可以理解的，因为我们的解决方案只吸引那些需要并已经实施了一个好的ERP系统的公司。

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，我们对数据也有了充分的了解。我们将开始回答SeventhCloud提出的两个问题。

问题1:每100个免费版和高级版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. 估算成本情景的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入
5. 计算每100个免费订阅的月利润

步骤1:估算成本情景的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。基于生存目标，我们可以很容易地计算Kaplan Meier曲线。

#######问题1:每100个免费版和高级版订阅的成本和收益是多少?###步骤1 #为右审查数据创建生存对象SurvSub <- Surv(Subscription$duration, Subscription$ censorship =="no") SurvSub # plus表示右审查KaplanMeier <- survfit(SurvSub ~ 1) KaplanMeier summary(KaplanMeier) plot(SurvSub, main ="生存概率"，xlab="从h免费版订阅开始的时间"，ylab="仍在订阅的概率")

卡普兰-迈耶曲线是一个阶梯函数它向我们展示了在给定时间点生存的估计概率。在我们的例子中，“生存”意味着这个人没有取消订阅的可能性，因为我们需要为人们支付相同的费用，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个免费订阅的每月总成本

如果我们将一个人在给定时间点仍然订阅100的概率乘以100，那么我们就得到了100个初始订阅的预期幸存者人数。如果我们把这个数字乘以每小时的可变成本，然后把它们加起来，我们就会得到每100个订阅的预期可变成本。现在我们只需要加上固定成本。

###第2步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，结果是每100个订阅的总成本为126,500.90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，不同之处在于，我们在收入场景中这样做。这一次，我们只从付费订阅的游戏中获得收益，这就是我之前提到的为什么我们可以使用两个结局事件的技巧。

###步骤3 notcensorship <-子集(Subscription, censorship ==" no") SurvSub2 <- Surv(notcensorship $duration, notcensorship $ Subscription =="yes") SurvSub2 # plus表示右审查KaplanMeier2 <- survfit(SurvSub2 ~ 1) KaplanMeier2 summary(KaplanMeier2) plot(SurvSub, main ="生存概率"，xlab="从h免费版订阅开始的时间"，ylab="仍在订阅的概率")

步骤4:根据Kaplan Meier曲线计算每100个免费订阅的月总收入

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 #因为逐步函数trev100

代码返回给我的总收入为198,954.80欧元。现在我们可以计算利润了。

第五步:计算每100个免费订阅的月利润

最后，我们使用步骤2和步骤3的结果来计算利润。

###第五步利润<- 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为126,500.90€，预期收入为198,954.80€，利润为72,453.82€。基于这些信息，他们可以得出结论，免费增值模式对他们是有效的。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个订阅的总成本、收入和利润。也有可能包括税收方面的考虑，使用比这个简化程序更复杂的成本结构。你也可以计算净现值根据我刚才给你们展示的方法。

问题2:我们如何改进免费增值模式并提高付费订阅率?

第二个问题可以分两步回答。首先，我们将使用Cox风险回归模型来识别组之间的差异，可能影响一个人决定订阅或取消订阅所需时间的因果因素，并为未来的发展推导假设。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，我们还可以使用其他变量来调查它们的关系以及订阅或取消订阅的持续时间。我们将在这里做这个案例，直到付费订阅，找到可能的关系，并就如何让人们更快地注册付费服务制定假设。

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

这给了我们以下输出:

电话:
coxph(公式= SurvSub2 ~ notcensorship $prevcustomer + notcensorship $appdays +
notcensorship $industry + notcensorship $size, method = " brreslow ")

Coef exp(Coef) se(Coef) z p
$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
notcensorship $industryFinance -0.4750 0.6219 1.0779 -0.44 0.66
notcensorship $industryFood -1.0413 0.3530 1.0734 -0.97 0.33
$industryHealth -1.3304 0.2644 1.1265 -1.18 0.24
notcensorship $industryIT -0.1096 0.8962 0.5094 -0.22 0.83
$industryManufacturing -1.4925 0.2248 0.6873 -2.17 0.03
notcensorship $industryTelecommunication -0.9828 0.3743 1.0980 -0.90 0.37
notcensorship $size1001+ -0.2467 0.7814 0.5421 -0.46 0.65
notcensorship $size51-1000 0.4136 1.5122 0.5390 0.77 0.44

似然比检验在11df上=11.97,p=0.4
N = 79，事件数= 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，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，在哪里?_o(t)为基线危险度，x为协变量，β为参数。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x一个单位，基线危害增加e^βΔx。此外，我们有量化估计的不确定性或精度的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，我们可以假设存在关系。

在这里，区分统计显著性和经济显著性也很重要。统计显著性只能帮助我们确定y变量和x变量之间是否存在任何关系。然而，它并没有告诉我们变量是否相关。如果变量的影响或其对y变量的影响很小，尽管有统计显著性，那么经济显著性很低。想象一下，我们会有一个显著的变量使基线增加0.00001%，或者另一个变量使基线危险增加30%。那么，前者的经济意义就会小得多。

在我们的例子中，我们发现了两件有趣的事情。首先，我们可以提出行业重要的假设，因为一个层次与参考层次有很大的不同。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求，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，我们还是把它提上了日程，因为可能还有另一种有趣的关系。我们提出了一个假设，高收入的群体更有可能报名。为了进一步调查，我们创建了另一个图表，区分很少使用该应用的用户(低应用日)和大量使用该应用的用户(高应用日)。

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

高的低
41 38

形状看起来很有趣，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现象是，低组的存活率在第XX天突然下降，而高组的存活率则持续下降。这里可能出现的问题是为什么会突然下降?一种可能的假设是，低群体和高群体可能有不同的需求。

刚才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小心。你也可以用同样的方法来研究退订的风险函数，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。

第二步:计算不同的情景(利润率和比较)

给定第一步的假设和结论，您现在可以使用问题1中提供给您的过程进行不同的模拟，以计算此场景的业务用例。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，我们想要调查如果我们只有步骤1中的低组和步骤2中的高组，预期的潜在利润是什么。

LowAppdays <-子集(Subscription, appdays < median(appdays)) HighAppdays <-子集(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，低情景的利润为86,039.05欧元，高情景的利润为69,324.04欧元。根据结果，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来增加每100次订阅的每月利润。当然还有更多需要考虑的因素，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模式的强大工具

关于免费增值模式，我们仍有三点要说的。首先，无论采用何种策略，所展示的方法都适用。这个故事和方法论所传达的一个重要信息是，它有助于解决免费模式的一个重要问题:

1. 在提供丰富的有吸引力的免费订阅服务之间找到适当的平衡，从而推动付费订阅和
2. 不要提供太多的免费订阅服务，因为一个全面的免费版本可能会阻止客户注册高级版本。

回答第二个问题的方法可以帮助你找到“正确的”平衡，并进一步优化报价。

第二，当然，你可以用传统的方法计算转化率，但它会有偏差。偏倚意味着它不会是精确的，也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，您将获得更精确的转换率。有时候，经典的转化率不会相差太远，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，订阅模式在某一时刻会开始趋于平缓。在这一点上，许多公司转向带有30天免费试用的有限免费增值版本，或者完全放弃它。所展示的方法可以通过简单地跟踪第一个月每100个新订阅的利润和每月订阅的数量，提前告诉您何时可能需要一个支点。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，这个故事是什么?SeventhCloud提供了一项很好的服务，似乎吸引了新客户，尤其是来自制造业的客户。他们的业务将继续增长，他们将获得巨大的利润。如果SeventhCloud专注于制造，提高质量以及用户与平台互动的频率，他们甚至可以通过免费增值模式实现更大的增长。