Бизнес по подписке и его ключевые метрики

  •  34 /
Spread the love

Бизнес по подписке — это бизнес, который выставляет клиентам счета за периодический интервал, обычно ежемесячно или ежегодно, за доступ к продуктам или услугам.

Любой проект в области науки о данных, который вы предлагаете, повлияет на бизнес, если только вы не занимаетесь исследованиями в области науки о данных. Ожидается, что специалист по данным разбирается в бизнесе, чтобы разработать эффективные решения. Он также должна уметь эффективно сообщать о своей работе заинтересованным сторонам.

Есть несколько способов, которыми наука о данных может повлиять на бизнес. Во-первых, продукт можно сделать более управляемым, используя методы data science. Одним из примеров являются рекомендательные системы для предоставления своевременного и связанного контента пользователям продукта.

Во-вторых, статистические модели могут напрямую оптимизировать текущие внутренние процессы, тем самым делая бизнес-процессы более эффективными. Статистические модели могут помочь в логистике, например, путем прогнозирования уровня запасов на складе.

В-третьих, наука о данных может помочь в маркетинге и усилиях по обнаружению продуктов, по сути, доводя информацию до сегментов рынка, которые еще не знают о продукте компании. На ум приходят модели, которые сегментируют клиентскую базу, прогнозируют действия клиентов, и модели, которые создают копирайтинг для диалогов с призывом к действию (CTA — call-to-action). Такая незначительная вещь, как демонстрация функции продукта пользователю на основе его действий на платформе, помогает сделать эту функцию заметной.

Эти примеры, конечно же, не являются исчерпывающим списком приложений для обработки данных. Однако все эти инициативы в конечном итоге влияют на ключевые показатели бизнеса. Существует множество определений бизнес-метрик, некоторые из которых специально разработаны для конкретного бизнеса. К счастью, многие ключевые бизнес-показатели просты для понимания и не требуют MBA.
Существует множество бизнес-моделей, но в этой статье мы сосредоточимся на доминирующей модели: бизнес основанный на подписке (бизнес по подписке), с особым упором на то, как анализ данных помогает его оптимизировать.

Что такое бизнес по подписке?

Проще говоря, бизнес-модель на основе подписки — это бизнес, который выставляет клиентам счета за периодический интервал, обычно ежемесячно или ежегодно, за доступ к продуктам или услугам. Модель на основе подписки стала очень популярной среди компаний, занимающихся разработкой программного обеспечения, в частности, в связи с распространением облачных технологий, что привело к появлению многих компаний, предлагающих программное обеспечение как услугу (SaaS — Software-as-a-Service).
Обратите внимание, что предприятия SaaS не обязательно могут быть основанными на подписке, поскольку существуют модели с оплатой по мере использования (pay-as-you-go). В последнем случае покупатель платит только сумму за использование. Тем не менее, часто применяется бизнес-модель на основе подписки.

Примеры бизнеса по подписке включают потоковую службу Netflix, подписку на газеты и журналы, такие как New York Times и Hello Fresh, которая доставляет подписчикам заранее заданные блюда.
Некоторые старые технологические компании также принимают бизнес по подписке. Adobe, например, также переводит некоторые из своих хорошо известных продуктов, таких как Photoshop и Lightroom, в облако с помощью Creative Cloud. Продукты Microsoft Office Suite также переходят на модель на основе подписки вместо модели лицензирования в прошлом.

Существуют компании по подписке, которые имеют большую бесплатную базу пользователей и небольшую долю подписчиков (премиум). Цель состоит в том, чтобы иметь сеть пользователей, которые предоставляют данные, которые можно использовать для улучшения пользовательского опыта платного продукта. Бесплатных пользователей также можно монетизировать с помощью рекламы, которая также вызывает некоторое затруднение и может подтолкнуть их к оплате платного продукта, который обычно не содержит рекламы.
Ярким примером являются бесплатные продукты Spotify и Spotify Premium, в которых есть элементы обоих.
Успех такого бизнеса зависит от того, насколько эффективно бизнес монетизирует свою пользовательскую базу по мере ее роста. Бизнес считается хорошим, если около 5% пользовательской базы являются подписчиками премиальной услуги, хотя эта доля может быть уменьшена при более высокой стоимости подписки.

Ключевые финансовые показатели бизнеса по подписке

Успех бизнес-модели, основанной на подписке, обычно определяется двумя важными показателями: ежегодный регулярный доход (ARR — annual recurring revenue) и коэффициентом оттока (churn rates) ее услуг по подписке.
ARR определяется как общая сумма всей годовой стоимости каждой отдельной подписки. Обычно лучше нормализовать доход по абонентской базе, поскольку могут быть разные уровни планов подписки. Средний доход на одного абонента (ARPU — average revenue per user) просто средний показатель доходов вклада на основе каждого пользователя.

Подписчик уходит, когда прекращает свои отношения с бизнесом. Коэффициент оттока — это просто среднее количество подписчиков, которые отменили свою подписку, по сравнению с числом активных подписчиков за фиксированный период времени. Обычно диапазон периодов составляет 7, 14 и 30 дней. Более длинные диапазоны помогают сгладить нарушения, вызванные бездействием абонентов, например, из-за сезонных эффектов, таких как праздники. Однако это запаздывающий показатель, поскольку его можно рассчитать только ретроспективно.

Кривая удержания визуализирует скорость оттока. Это измеряется в когорте и отслеживается в течении месяцев с момента начала подписки. В идеале мы хотим, чтобы удержание оставалось высоким более чем через год после подписки со сглаживающейся или, еще лучше, улыбающейся кривой. Последнее означает, что клиенты возвращаются через несколько месяцев. Это видно на графике, который я нарисовал ниже.

Что касается реального примера, в этой статье есть кривые удержания для Blue Apron, Hello Fresh, Dollar Shave Club и Netflix. У Netflix лучший показатель удержания, а у Hello Fresh — худший.

Последний связанный показатель, часто используемый в SaaS-компаниях, который учитывает отток в финансовом отношении — это удержание чистого дохода (net revenue retention). Для когорты это ежемесячный периодический доход (MRR — monthly recurring revenue) когорты, деленный на ее MRR год назад. Этот показатель не только отражает влияние оттока доходов, но и положительный эффект от других инициатив, таких как обновления и перекрестные продажи.

Измерение пользовательской базы

В большинстве SaaS-компаний есть бесплатные пользователи и подписчики. База пользователей важна для бизнеса, поскольку сеть пользователей создает ров вокруг других конкурентов. Важно не количество подписавшихся пользователей а количество активных пользователей продукта или услуги (active users).

Активный пользователь — это пользователь, который участвовал в работе с продуктом, например, вошел в систему и использовал функции продукта. Само определение активного пользователя будет специфичным для бизнеса. Ежедневно активные пользователи (DAU — daily active users) или ежемесячно активные пользователи (MAU — monthly active users) будут ключевой мерой, в зависимости от продукта/услуги, является ли ежедневный использовать один (например, Netflix), или один ежемесячно используемый.

Точно также ежедневно новые пользователи (DNU — daily new users) или ежемесячно новые пользователи (MNU — monthly new users) отслеживают новых пользователей. Отделение новых пользователей от активных позволяет нам отслеживать, насколько быстро новые пользователи добавляются в бизнес. Они также измеряют эффективность маркетинговых усилий.

Существуют аргументы в пользу того, что DAU и MAU являются показателями тщеславия, поскольку они не представляют никакой реальной ценности, кроме права хвастовства. Эти метрики не позволяют оценить удовлетворенность пользователя продуктом/услугой и не оценивают ценность продукта/услуги для пользователя. С другой стороны, это достаточно простая метрика для отслеживания (при условии определения того, что «активное» является надежным), и она дает заинтересованным сторонам представление о том, насколько растет бизнес.

Маркетинговые показатели бизнеса по подписке

Связанное с этим понятие — это пожизненная ценность подписки (LTV — lifetime value). LTV зависит как от цены подписки, так и от скорости оттока. Он также включает ставку дисконтирования (discount rate) для дисконтирования будущей стоимости денежных средств, полученных от подписки. Подписчики не равны: небольшая часть будет иметь более высокий LTV, чем большинство, и это те подписчики, которых бизнес стремится сделать счастливыми.
Для простоты мы предполагаем, что (экономический) срок жизни подписчика будет длиться вечно. Тогда формула

где коэффициент удержания равен 1 минус коэффициент оттока, а валовой вклад — это валовой доход, полученный на одного клиента за год. Например, существуют более сложные формулы, которые учитывают переменные уровни удержания в месяц.
Стоимость привлечения клиента (CAC — Customer acquisition cost) — это стоимость продаж и маркетинга на вновь приобретенного пользователя. Это показатель эффективности маркетинговых затрат. Понятно, что если мы тратим слишком много на привлечение нового клиента, это плохо.

Мы можем рассчитать CAC для каждого маркетингового канала, чтобы количественно оценить эффективность.
Связанная мера состоит в том, чтобы взять соотношение между LTV и CAC. Он измеряет, насколько хорошо расходуются маркетинговые средства для привлечения ценных подписчиков в бизнес. Принцип «верховенства пальца» говорит, что отношение LTV-САС в идеале должно быть около 3:1. Слишком много маркетинговых затрат при соотношении 1:1 и слишком мало при 5:1. Это, опять же, будет зависеть от целей бизнеса.

Где подходит Data Science?

Наука о данных сама по себе играет роль в непосредственном прогнозировании и оптимизации этих показателей за счет улучшения маркетинга и помощи в привлечении клиентов к продукту по подписке. Вот несколько полезных приложений.

Прямые метрические прогнозы

Прогнозы ARR и ARPU используются, чтобы узнать, хорошо ли работает бизнес.

Модели анализа временных рядов используются для прогнозирования ARR и ARPU. Поскольку выручка подвержена сезонным изменениям, для составления прогноза будет использоваться модель SARIMA (seasonal ARIMA) и ее варианты. В наши дни, к счастью, большая часть сложностей финансового прогнозирования выполняется мощными библиотеками, такими как Prophet от Facebook.

Прогноз оттока

Безусловно, наиболее важной областью является прогнозирование оттока (churn prediction). Общеизвестно, что удерживать клиента в продукте по подписке лучше, чем привлекать новых клиентов. Причина проста: поддерживать клиента довольным стоит намного дешевле, чем тратить на маркетинг (партнерские отношения, SEO, инструменты роста) для привлечения новых клиентов.

В общем, мы можем думать о приложении для науки о данных для оттока клиентов на макро- и микроуровне.

На макроуровне мы прогнозируем отток по заранее определенным когортам подписчиков, как на диаграмме кривой удержания, показанной выше. Это агрегированные группы подписчиков, например, в географическом регионе, таком как Северная Америка. Его цель — отслеживать уровень оттока клиентов с течением времени по мере продолжения развертывания продукта, чтобы увидеть, приносит ли продукт больше ценности для подписчиков с течением времени.
Обычно для расчета различных планов для получения точной метрики используется какая-то форма моделирования. На высоком уровне существуют методы, основанные на моделях, и методы без параметров. Последний включает стандартные методы анализа выживаемости, такие как оценка Каплана-Мейера (Kaplan-Meier estimator).
Стоит отметить, что само слово «подписка» — это емкий термин. Часто это опровергает сложность того, что такое подписка. Сама подписка может быть такой же простой, как ежемесячная оплата фиксированной суммы. Она также может быть такой сложной, где есть нескольких типов «состояний»: удержание подписки, различные скидки, используемые в зависимости от способа оплаты для стимулирования подписок и различные типы планов (например, индивидуальные или семейные планы в Spotify). Из-за усилий по локализации для разных географических регионов могут быть разные планы подписки и цены.
Подписки часто имеют разные состояния, поэтому их можно использовать с помощью методов на основе моделей. Например, полумарковские модели (semi-Markov models) могут моделировать различные состояния подписки, а также падение подписок между переходами состояний. Полумарковские модели используются вместо марковских, потому что продолжительность между переходами состояний может следовать произвольным временным распределениям продолжительности, которые марковская модель не может уловить (марковская модель предполагает, что время между переходами состояний распределено геометрически).

Почему стоит использовать простые модели?

Основная причина этого — объяснимость: специалисту по обработке данных часто приходится объяснять, как составляется прогноз оттока.
Модель Фейдера-Харди — простая, но очень полезная модель для прогнозов оттока. Прогнозы, которые она производит, используются для получения оценки LTV подписчика в различных сегментах, чтобы дать представление о том, как выглядит ценный подписчик. Более того, это достаточно просто для объяснения, поскольку бета-распределение, полученное на этапе подгонки модели, дает распределение уровней оттока.
На микроуровне все становится интересно. Здесь разрабатываются модели машинного обучения для выявления подписчиков, которые находятся на грани оттока. Эти модели учитывают различные особенности подписчика, чтобы сделать прогноз оттока.
Используемые функции поступают в основном из двух источников: демографической и поведенческой информации. Демографическая информация, как следует из названия, представляет собой информацию, присущую подписчикам, например, откуда они пришли, где работают, к какой возрастной группе и полу. Поведенческая информация — это данные, собранные, когда подписчик использует продукт, например, время входа в систему и события использования функции.
Демографическая информация, как правило, статична, в отличие от поведенческой информации, которая меняется по мере изменения продукта с течением времени. Как правило, модель прогнозирования получает больше информации из поведенческой информации, поскольку подписчик может использовать продукт непреднамеренно. Более того, продукт/услуга часто меняется, особенно в SaaS-компаниях, где изменения происходят так же часто, как и при выпуске нового программного обеспечения с почти нулевой предельной стоимостью распространения.

Настоящая цель прогнозирования оттока — вмешаться, когда абонент, вероятно, уйдет.

Подписчики ранжируются с учетом их склонности к оттоку, а затем методы вмешательства будут использоваться в отношении подписчиков, которые «сидят на заборе» о продукте. Используемые методы вмешательства в значительной степени будут зависеть от бизнеса. Некоторые типичные методы включают электронную почту, уведомления в приложении и предложения со скидкой.
Традиционно процесс вмешательства был отделен от компонента прогнозирования оттока. В настоящее время появляется новый класс моделей роста (uplift models), который также учитывает роль метода вмешательства в оттоке. Например, очень возможно, что подписчик переходит, когда вмешивается, но сохраняет, когда нет (это называется «Не беспокоить» Do Not Disturbs ). С другой стороны, есть подписчики, которым будет выгодно своевременное вмешательство, поскольку метод вмешательства может быть эффективным для доказательства ценности продукта (так называемые « Убеждения» Persuadables). Затем цель состоит в том, чтобы найти Убеждения среди множества подписчиков. На рисунке ниже представлены эти классы.

Подсчет очков (scoring)

Цель оценки потенциальных клиентов — найти текущих бесплатных пользователей, которые могут подписаться. Как и в случае прогнозирования оттока, демографическая и поведенческая информация бесплатного пользователя используется для обучения модели машинного обучения для вывода оценки склонности.

Оценка потенциальных клиентов используется для поиска потенциальных клиентов, которые заинтересовались продуктом.

Пользователи, то есть лиды, ранжируются в порядке из наиболее вероятного до самому низкого. Только значительную часть пользователей подталкивают к переходу на подписку. Если лиды — это крупные компании и потенциальные клиенты-предприятия, этот ранжированный список лидов передается в отдел продаж.
Опять же, здесь можно использовать модели повышения, чтобы учесть стоимость продаж и маркетинговые расходы, чтобы подтолкнуть пользователей к подписке.

Заключительные слова

Мы только прикоснулись к весьма сложной теме. Есть много других бизнес-показателей, некоторые из которых зависят от отрасли. Наука о данных имеет потенциал для повышения эффективности бизнеса за счет прямого нацеливания на эти бизнес-показатели, что приводит к оптимизации доходов.
В заключении можно процитировать закон Гудхарта:

Когда мера становится целью, она перестает быть хорошей мерой

Метрики полезны тем, что они дают представление о том, насколько хорошо работает бизнес. Но важно не зацикливаться на показателях. Ни один показатель не сможет отразить впечатления подписчиков, удовлетворенность продуктом и этические нормы.

Переведено с «The Data Scientist’s Guide to Subscription Businesses. Paul Tune»

Добавить комментарий