پیش‌بینی درآمد اشتراکی برای کاربرانی که می‌روند و برمی‌گردند
بیشتر مدل‌های پیش‌بینی درآمد اشتراکی فرض می‌کنند مشتری خوب مشتری است که بماند و منحنی نگهداشت او هرچه زودتر صاف شود. اما برای محصولاتی که کاربرانشان در بازه‌های کوتاه پرانگیزه می‌آیند، می‌روند و دوباره برمی‌گردند، این فرض مدل را گمراه می‌کند. در این نوشته می‌بینیم چنین کسب‌وکاری را چگونه باید اندازه گرفت و پیش‌بینی کرد.
دو نوع محصول: نگهداشتی و توجه‌محور
اولین پرسشی که مدیر مالی یک محصول مصرف‌کننده باید بپرسد این است: کاربران ما «ماندگارند» یا «مقطعی»؟
- محصول نگهداشتی (عادت‌ساز): کاربر هر روز یا هر هفته سراغ آن می‌آید. نمونه‌اش سرویس تماشای فیلم است که با هر عنوان تازه کاربر را نگه می‌دارد. منحنی نگهداشت آن معمولاً شکلی آشنا دارد: ریزش شدید در ابتدا و بعد یک دُم تقریباً صاف.
- محصول توجه‌محور (مقطعی): کاربر فقط در لحظه‌های خاص زندگی نیاز دارد؛ سفر، جابه‌جایی به شهر جدید، پایان یک رابطه یا صرفاً حوصله‌ی تازه. او غیب می‌شود، چند هفته بعد برمی‌گردد و دوباره می‌رود.
مدل این دو کاملاً متفاوت است. اگر محصول مقطعی را با منحنی «صاف‌شونده» مدل کنید، مدل دروغ می‌گوید: کاربری که فقط خوابیده را «ریزش‌کرده» می‌شمارد و درآمد بازگشت او را از پیش‌بینی حذف می‌کند.
ریزش همیشه پایان ماجرا نیست
در محصول مقطعی، ریزش لزوماً مرگ نیست؛ گاهی فقط یک چُرت کوتاه است. چنین گروه‌های کاربری هیچ‌وقت «آرام» نمی‌گیرند. نمودارشان بیشتر شبیه نوار قلب است: بالا و پایین می‌شود، ولی در مجموع روند رو به رشد دارد.
نکته‌ی کلیدی این است که اگر داده‌ی تاریخی هم‌گروه‌ها کافی داشته باشید، بازگشت کاربران شگفت‌آور قابل پیش‌بینی است. برای این کار باید تحلیل هم‌گروهی انجام دهید و به‌جای یک عدد «درصد ماندگاری»، رفتار بازگشت را در طول زمان بسنجید. اگر با این روش آشنایی ندارید، راهنمای تحلیل هم‌گروهی نقطه‌ی شروع خوبی است.
انتخاب معیار درست: کاربر ماهانه یا سالانه؟
معیار رایج، «کاربر فعال ماهانه» (MAU) است. اما وقتی رفتار کاربران تابع تقویم نیست، این معیار نوسان شدیدی دارد. کسی ممکن است ده روز بسیار فعال باشد، چهل روز غیب شود و دوباره برگردد؛ ماه‌های غیبت او در MAU دیده نمی‌شود، ولی انگیزه‌اش از بین نرفته است.
مشکل دوم در نرخ نفوذ پرداخت پیدا می‌شود: درصد کاربران پولی تقسیم بر کل کاربران. اگر مخرج (MAU) پرنوسان و رو به رشد باشد، حتی با رشد واقعی کسب‌وکار این نسبت ثابت یا در حال کاهش به نظر می‌رسد و باد مخالف ایجاد می‌کند.
در چنین شرایطی «کاربر فعال سالانه» (YAU) اغلب تصویر واقعی‌تری از اقتصاد کسب‌وکار می‌دهد. مثال ساده:
| معیار | تعداد کاربر |
|---|---|
| فعال ماهانه (میانگین) | ۱۰۰ هزار |
| فعال سالانه | ۳۰۰ هزار |
| مشترک پولی | ۸ هزار |
نفوذ پرداخت بر پایه‌ی ماهانه ۸٪ است، اما بر پایه‌ی سالانه حدود ۲٫۷٪. هیچ‌کدام «غلط» نیست؛ نکته این است که مخرج باید با ریتم واقعی مصرف محصول هماهنگ باشد، وگرنه منابع را بر اساس عدد نادرست تخصیص می‌دهید.
فصلی بودن و محرک‌های بازگشت
در محصول مقطعی، فصلی بودن بخش اصلی مدل پیش‌بینی است و از کشوری به کشور دیگر فرق می‌کند. مناسبت‌های مذهبی و ملی، تعطیلات بلند و فصل سفر رفتار کاربر را هر سال تقریباً به یک شکل تغییر می‌دهند. همین تکرارپذیری باعث می‌شود بتوان آن را مدل کرد. برای ساخت چنین الگویی می‌توانید از منحنی فصلی‌بودن در پیش‌بینی درآمد کمک بگیرید.
یکی از قوی‌ترین محرک‌های بازگشت، سفر است. اگر بخش بزرگی از کاربران فعال هر هفته در حال مسافرت باشند، تغییر مکان خودش سیگنال بازگشت است. تحلیلگر خوب این محرک‌ها را فهرست می‌کند و برای هر کدام فرض عددی می‌گذارد.
قیمت‌گذاری هفتگی؛ هم‌سو با نیاز مقطعی
اگر نیاز کاربر کوتاه و شدید است، اشتراک ماهانه شاید با رفتار او جور نباشد. فرض کنید بیشتر کاربران رایگان‌اند (مثلاً ۹۲٪) و فقط حدود ۸٪ پولی هستند. طرح ماهانه ۱۹٫۹۹ دلار است، ولی بسیاری از کاربران فقط برای یک آخر هفته یا چند روز پرانگیزه امکانات کامل می‌خواهند. اگر طرح هفتگی ۱۲٫۹۹ دلاری عرضه شود، آستانه‌ی روانی پایین‌تر می‌آید.
نتیجه‌ی غیرمنتظره: کاربران لزوماً از طرح گران به ارزان نمی‌روند. بیشتر آنان بیشتر پرداخت می‌کنند، چون در یک ماه پرانگیزه ممکن است دو یا سه بار برگردند:
| سناریو | درآمد از هر کاربر در ماه |
|---|---|
| یک اشتراک ماهانه | حدود ۲۰ دلار |
| دو هفته‌ی جداگانه | حدود ۲۶ دلار |
| سه هفته‌ی جداگانه | حدود ۳۹ دلار |
بنابراین کاهش قیمت واحد می‌تواند درآمد متوسط هر کاربر (ARPU) را بالا ببرد، به این شرط که تقاضا در لحظه‌های پرانگیزه نسبتاً کم‌کشش باشد و جایگزینی (کانیبالیزیشن) طرح ماهانه کم بماند. این را قبل از تعمیم باید با آزمون و داده بسنجید. برای تحلیل این اثر، تحلیل حساسیت قیمت و درآمد مفید است.
مدل‌سازی «درآمد بازفعال‌سازی تکرارشونده»
در این نوع کسب‌وکار، شما «درآمد اشتراکی تکرارشونده» را پیش‌بینی نمی‌کنید، بلکه درآمد بازگشت‌های تکرارشونده را پیش‌بینی می‌کنید. مراحل ساده‌ی مدل:
- کاربران را بر اساس ماه ورود به هم‌گروه تقسیم کنید.
- برای هر هم‌گروه احتمال بازگشت در هر ماه را از داده‌ی تاریخی بیرون بکشید.
- نرخ تبدیل کاربر بازگشته به پرداخت و نوع طرح او (هفتگی یا ماهانه) را برآورد کنید.
- تعداد دفعات پرداخت در هر دوره و قیمت هر طرح را ضرب کنید.
- ضرایب فصلی و محرک‌های بازگشت را اعمال کنید.
- سناریوهای خوش‌بینانه و بدبینانه بسازید.
مثال عددی: فرض کنید ۱۰ هزار کاربر غیرفعال داریم. در ماه ۲۰٪ آنها برمی‌گردند (۲٬۰۰۰ نفر)، ۱۵٪ بازگشته‌ها پرداخت می‌کنند (۳۰۰ نفر) و هر نفر به طور میانگین ۱٫۵ هفته طرح هفتگی ۱۲٫۹۹ دلاری می‌خرد. درآمد ماه حدود ۳۰۰ × ۱٫۵ × ۱۲٫۹۹ ≈ ۵٬۸۴۵ دلار است. اگر در فصل پرسفر نرخ بازگشت ۲۵٪ شود، همین مدل درآمد را به حدود ۷٬۳۰۶ دلار می‌رساند.
پرسش‌های متداول
آیا منحنی نگهداشت صاف همیشه نشانه‌ی موفقیت است؟ خیر. برای محصول عادت‌ساز مناسب است، اما در محصول مقطعی منحنی متناوب هم می‌تواند سودآور باشد.
چطور بفهمم محصولم مقطعی است یا نگهداشتی؟ اگر فاصله‌ی غیبت‌ها طولانی ولی بازگشت‌ها منظم و پرداخت‌ها در لحظه‌های خاص متمرکز است، محصول شما مقطعی است. نسبت کاربر سالانه به ماهانه هم سرنخ خوبی می‌دهد.
آیا طرح ارزان‌تر همیشه ARPU را افزایش می‌دهد؟ نه. فقط وقتی که نیاز کاربر شدید و کوتاه است و جایگزینی طرح‌های گران‌تر ناچیز. باید آزمون کنید.
چه داده‌ای برای این مدل لازم است؟ داده‌ی فعالیت و پرداخت هر هم‌گروه در دست‌کم یک سال، تا فصل‌ها و بازگشت‌های تکراری دیده شوند.
جمع‌بندی
اول مشخص کنید محصول شما نگهداشتی است یا توجه‌محور. اگر مقطعی است، معیار زمانی مناسب (مثلاً سالانه) بگیرید، فصلی بودن و محرک‌های بازگشت را مدل کنید و قیمت را با الگوی نیاز کاربر هماهنگ کنید. در این صورت به‌جای نگرانی از ریزش، بازگشت‌های قابل پیش‌بینی را به درآمد تبدیل می‌کنید.