×
صفحه اصلی دیجیتال مارکتینگ چگونه آینده‌ی درآمدزایی اپلیکیشن خود را پیش‌بینی کنیم؟ (قسمت اول)
تاریخ انتشار : 13 اسفند 1396 زمان مطالعه : نام نویسنده : admin

چگونه آینده‌ی درآمدزایی اپلیکیشن خود را پیش‌بینی کنیم؟ (قسمت اول)

چگونه آینده‌ی درآمدزایی اپلیکیشن خود را پیش‌بینی کنیم؟ (قسمت اول)

قسمت اول: معرفی تجزیه و تحلیل براساس پیش‌بینی‌ها و محاسبه ارزش طول عمر مشتری.
بدون شک همه‌ی ما دوست داریم یک گوی جادویی داشته باشیم که به ما نشان دهد آینده‌ی اپلیکیشن ما چگونه خواهد بود: چه تعداد کاربر جذب خواهد کرد و چه میزان درآمد خواهد داشت. اما متأسفانه چنین گویی وجود ندارد. اما خبر خوب این است که تکنیک‌هایی وجود دارد که به شما اجازه می‌دهد چشم‌انداز مفیدی از آینده‌‌ی عملکرد و درآمدزایی  اپلیکیشن خود داشته باشید، تکنیک هایی که می توانند در ایجاد یک راهبرد معقول و مؤثر در کسب و کارتان به شما کمک کنند.
در این مطلب، به تجزیه و تحلیل قابل پیش‌بینی می‌پردازیم، فرمولی ساده برای محاسبه‌ی LTV ارائه می‌کنیم،  و توضیح می‌دهیم که چگونه  ارزشی را که می‌توانید برای برنامه ریزی استفاده کنید، بدست آورید.

تجزیه و تحلیل درآمدزایی اپلیکیشن بر اساس پیش بینی‌ها

اگر می خواهید بدانید که اپلیکیشن شما ممکن است در آینده چگونه عمل کند، می توانید با نگاهی به داده‌های تاریخی جمع‌آوری شده از کاربران، بینشی از آن کسب کنید. تفسیر چشم‌اندازی از این اطلاعات، با استفاده از تکنیک‌های آماری مختلف، دامنه‌ی تجزیه و تحلیل براساس پیش‌بینی‌ها است.
مدل های پیش بینی‌شده در بسیاری از زمینه‌های کسب و کار استفاده می‌شود، چرا که آنها به سوالات مهم مدیریت کسب و کار پاسخ می‌دهند: در سال آینده چه تعداد کاربر پولی خواهیم داشت؟ انتظار می رود تعداد معاملات در سال آینده چقدر باشد؟ کاربران ما چه زمانی از خدمات ما رو برمی‌گردانند؟
این مدل ها به طور گسترده در جهان آفلاین مورد مطالعه قرار گرفته‌اند و به لطف انقلاب دیجیتال، ما شاهد افزایش محبوبیت آنها بخاطر توانایی بهبود یافته در جمع آوری، سازمان‌دهی و توزیع داده‌های کاربران هستیم.
در دنیای اپلیکیشن‌های موبایلی، توسعه‌دهنده‌های بازی‌ها از پیشرفته‌ترین کاربران این تکنیک‌ها هستند زیرا استفاده‌ی آنها تأثیر مثبتی بر روی درآمدزایی اپلیکیشن‌هایشان داشته است.

رویکرد، از مدل‌های تجربی به ریاضی

روش‌ها برای پیش‌بینی اینکه در آینده چه تعداد مشتری خواهید داشت و به چه میزان خرید خواهند کرد بطور گسترده‌ای می‌تواند متفاوت باشد. دو روش عمده آن عبارتند از:
•    مدل‌های ساده مبتنی بر تجربه‌ی حرفه‌ای و معیارهای سنجش. به عنوان نمونه، یک شرکت یک مشاور را برای مشاوره در مورد پیش بینی‌ فروش سال آینده استخدام می کند، براساس اطلاعات مشاور از بازار و محل عرضه.
•    مدل‌های پیچیده ریاضی، نظیر مدل Pareto/NBD یا مدل BG/NBD. این مدل‌ها چندین متغیر را به کار می‌گیرند، از جمله تازگی (آخرین خرید) و تناوب یا تعداد سفارشات در طی یک دوره معین، تا احتمال خرید دوباره یک مشتری را محاسبه کنند.

داده‌ها و ابزارها برای تجزیه و تحلیل

یکی از دلایل اصلی توسعه تکنیک‌های تجزیه و تحلیل براساس پیش بینی‌ها، افزایش استفاده از ابزارهای تحلیلی است. ابزارهای تحلیلی قوی به ما این امکان را  می‌دهند که داده‌ها را به صورت مؤثر جمع‌آوری، سازمان‌دهی و خوشه‌بندی کنیم و به سرعت با سهامداران اصلی و تصمیم‌گیرندگان به اشتراک بگذاریم.
برخی از مهمترین متریک‌های اپلیکیشن‌ها عبارتند از:
•     داده‌های جذب کاربر: تعداد نصب‌ها، تعداد حذف‌ها و منابع جذب.
•    داده‌های تعاملی: نرخ حفظ کاربران ( در 1، 7، 28، 90، 180 و 365 روز بعد از دانلود)
•    داده‌های درآمدزایی: تعداد کاربرانی که خرید کرده‌اند، تازگی آخرین خرید، تناوب خریدها، ارزش کل خریدها، نرخ ریزش، و مشتریان جدید درمقابل مشتریان تکراری.
اهمیت این متغیرها بستگی به اندازه‌گیری متریک و همچنین عوامل زیر دارد:
•    ماهیت برنامه: درگیرشدن و استفاده به شکل قابل‌ملاحظه‌ای در میان انواع مختلف اپلیکیشن‌ها متفاوت است.
•    مدل کسب و کار: بسته به مدل کسب و کار انتخاب شده، معیارهای خاص ممکن است تاثیر بیشتری داشته باشند. به عنوان مثال، کسب و کارهای اشتراکی بسیار به موعد تمدید اشتراک مشترکین خود اهمیت می‌دهند.
•    روش مورد استفاده: بعضی از روش‌ها برای ایجاد پیش‌بینی‌های آینده نیاز به اطلاعات خاصی دارند. به عنوان مثال، استفاده از BG / NBD نیاز به اطلاعات مربوط به تناوب و تازگی خرید دارد.
مهم است که تأکید کنیم که یک ابزار تحلیلی قوی مانند Google Analytics for Firebase برای تجزیه و تحلیل درون اپلیکیشنی یا کنسول Google Play برای درآمدزایی، قادر خواهند بود این اطلاعات را دقیق و به موقع جمع آوری کنند، همچنین به اشتراک‌گذاری سریع این اطلاعات را ممکن می‌سازند. این امر نکته‌ای کلیدی برای فعالیت در محیطی پویا، مانند اکوسیستم دیجیتال است.

زمینه:

تجزیه و تحلیل براساس پیش‌بینی‌ها به شدت به اطلاعات تاریخی در مورد کاربران و مشتریان متکی است. اگر چه این یک نقطه شروع خوب است، اما نباید اطلاعات بیرونی که می تواند پیش‌بینی‌های آینده را تحت تاثیر قرار دهد نادیده گرفت. این‌ها ممکن است شامل مرحله توسعه شرکت، گرایشات تکنولوژی و محیط اقتصاد کلان باشد.
به ویژه در هنگام محاسبه‌ی ارزش عمر برای اپلیکیشن‌ها، تنظیم بعضی از معیارها براساس عوامل زمینه‌ای نظیر ماهیت معامله و تعهدات قراردادی می‌تواند مفید باشد.  به عنوان مثال، یک اپلیکیشن فروشگاهی ممکن است مجبور شود  تصمیم بگیرد که کاربران فعال خود  کسانی  هستند که چیزی را در ماه گذشته خریداری کرده‌اند و  یا کسانی که در یکسال گذشته این کار را انجام داده‌اند. چندین چارچوب مختلف وجود دارد که می تواند به شناسایی این عوامل زمینه‌ای کمک کند. در میان آنها، مدلی که Peter S. Fader و Bruce G. S. Hardie در مقاله‌ای با عنوان «مدل‌های احتمالی برای تجزیه و تحلیل‌های مشتری محور» پیشنهاد می‌کنند، مدل کارایی است.
مدل فیدر و هاردی رفتار مشتری را بر اساس این که آیا یک رابطه قراردادی بین شرکت و مشتری وجود دارد یا خیر، و اینکه آیا معاملات پیوسته یا گسسته است، متمایز می‌کنند.. مثال زیر را بر اساس این مدل ببینید:


در گوشه بالا سمت چپ، شرکت‌هایی هستند که ارتباطات قراردادی با مصرف کنندگان خود ندارند که جریان پیوسته معاملات را ایجاد می کنند. یک مثال مشخص،  یک اپلیکیشن تجارت الکترونیک است که در آن مصرف کننده معاملات را به صورت مکرر انجام می‌دهد اما می تواند در هر زمان و به هر نوعی آن را ترک کند.
گوشه پایین سمت راست، مثال متضاد آن است: شرکت رابطه‌ی قراردادی با مشتری خود برای مدت مشخصی  دارد و معاملات در زمانهای خاصی اتفاق می‌افتد. یک مثال واضح، یک بیمه‌نامه‌ی عمر است که مشتری آن را در یک زمان خاص خریداری می‌کند، مثلا زمانی که اولین کار خود را پیدا کند، و این بیمه‌نامه برای یک دوره معتبر است: تا مدت پرداخت حق بیمه.

ارزش طول عمر(LTV) 

یکی از محبوبترین متریک‌های تجزیه و تحلیل براساس پیش‌بینی‌ها، ارزش طول عمر کاربر (LTV) است، برآورد ارزش اقتصادی یک کاربر در طول زندگی خود در یک کسب و کار. این متریک که در دنیای آفلاین بسیار شناخته شده است، به طورگستردهای توسط اپلیکیشن‌ها  و کسب‌وکارهای بازی مورد استفاده قرار گرفته است.
LTV مفید است زیرا درکی از درآمد بالقوه هر کاربر ارائه می‌دهد. این، به نوبه خود، کمک می کند تا تعیین کنیم که چه میزان باید  برای جذب مشتری هزینه کنیم و همچنین بفهمیم که تجزیه و تحلیل کدام کانال‌ها، سیستم عامل‌ها و بخش‌های کاربر سود‌آور است.
با این حال، قبل از بحث در مورد محاسبه، برخی از مشکلات معمول در  LTV وجود دارد که باید از آنها  اجتناب شود. بنابراین کارهای زیر را نکنید:
•    از LTV به عنوان یک هدف استفاده نکنید و  منابع را برای بهینه‌سازی و به حداکثر‌رساندن آن بکار بگیرید. آن را به سادگی یک ابزار درنظر بگیرید، LTV به عنوان نتیجه‌ای از اقدامات برای رشد سایر معیارها مانند تعامل، حفظ و کسب درآمد بهبود می یابد.
•    با استفاده از مفروضات نامناسب، LTV بیش‌از حد خوشبینانه ایجاد نکنید. برای مثال، یک شرکت نوپا ممکن است میانگین درآمد متوسط از هر کاربر را دست بالا بگیرد،  به این ترتیب LTV را افزایش می‌دهد و بنابراین ممکن است هزینه بیشتری برای جذب کاربران بکند.
•    اجازه ندهید هزینه جذب مشتری  (CAC)بیشتر از LTV شود. اگر چه عوامل بسیاری باید مورد توجه قرار گیرد (موقعیت شرکت: راه اندازی یا رشد، نوع رابطه: قراردادی و غیر قراردادی)، یک قانون این صنعت، این است که CAC نباید از Net LTV یک اپلیکیشن تجاوز کند. با این حال، بسیاری از کسب‌وکارها  نسبت LTV به CAC  را 3: 1 به کار می گیرند (CAC هرگز نباید از  33٪ LTV Net تجاوز کند.)
•    LTV بالا را به عنوان یک مزیت رقابتی در نظر نگیرید. در دنیای روبه جلو تکنولوژی، بسیار معمول است که اپلیکیشن‌هایی را بیابید که به طور باور‌نکردنی درآمد کسب می‌کنند و LTVهای بالایی دارند، اما به سرعت در حال از دست‌دادن سهم یا حضور در بازار هستند، زیرا تکنولوژی آنها منسوخ شده و کاربران به سمت محصولات جدید و جذاب‌تر حرکت می‌کنند.
محاسبه‌ی LTV
چند راه برای محاسبه‌ی LTV برای اپلیکیشن‌ها و بازی‌ها وجود دارد. این روش ها بسته به پیچیدگی مدل کسب و کار، داده‌های موجود و دقت مورد نیاز متفاوت است.
برای شروع، بگذارید از فرمول ساده‌ی زیر استفاده کنیم:
LTV (برای یک بازه‌ی زمانی مشخص)= Lifetime. ARPU
اکنون، اجازه دهیم سه متغیر را با جزئیات بررسی کنیم:
1- بازه زمانی LTV
اکثر توسعه دهندگان LTV را برای 180 روز، 1 سال، 2 سال یا 5 سال محاسبه می‌کنند. عوامل مورد استفاده برای تصمیم‌گیری در مورد دوره‌ی LTV ممکن است شامل طول عمر کاربر یا مدل کسب و کار انتخاب شده باشد.
به عنوان مثال، یک توسعه‌دهنده را با یک مدل خرید درون برنامه‌ای و میانگین عمر کاربر 15 ماه تصور کنید. در این مورد LTV برای 2 سال بیشتر از مقدار آن برای یک سال خواهد بود. هرچند LTV  یکساله یک رویکرد محافظه کارانه است، از آنجاییکه  میانگین عمر (15 ماه) بیشتر از دوره‌ی انتخاب شده (12 ماه) است.
در انتخاب بازه زمانی LTV باید موارد زیر را در نظر گرفت:
•    ماهیت کسب‌ وکار، یا بطور مشخص چرخه‌ی عمر اپلیکیشن. برای تصور بهتر، یک برنامه فصلی (مانند یک اپلیکیشن ارائه‌ی اطلاعات در مورد المپیک) را به یک برنامه SaaS مقایسه کنید (چیزی شبیه یک برنامه مدیریت پروژه). یک برنامه فصلی ممکن است فقط در مدت کوتاهی کارایی داشته باشد، بنابراین محاسبه  LTV طولانی مدت برای آن معنایی ندارد. در حالی که برنامه SaaS باید در طولانی مدت باقی بماند، بنابراین می توان از دوره LTV طولانی‌تر استفاده کرد.
•    مدل کسب و کار که در آن، برای مثال، بازده ممکن است برای برخی از مدل‌های کسب درآمد (به ویژه اشتراک) بیشتر باشد و در بلند مدت افزایش داشته باشد اگر کسب درآمد به طور صحیح انجام شود، توجیهی برای دوره LTV طولانی‌تر است. به عنوان مثال، شرکت‌های مخابراتی به طور سنتی سرمایه‌گذاری سنگینی در جذب کاربر می‌کنند، حتی با ارائه‎ی یارانه‌ی سخت افزاری، انتظار چرخه عمر طولانی‌تری را دارند.
•    موقعیت شرکت، برای مثال شرکت‌های در مراحل اولیه در مقایسه با شرکت‌های بالغ‌تر. شرکت‌های تازه تأسیس، به دلیل اینکه بر توسعه‌ی یک تکنولوژی تکیه دارند یا به دلیل اینکه داده‌های تاریخی ندارند، اغلب دوره‌های طولانی‌تر و خوش‌بینانه‌تری را برای محاسبه‌ی LTV انتخاب می‌کنند. از سوی دیگر، شرکت‌های بالغ‌تر، با تکنولوژی که به سرعت در حال کهنه شدن است، ممکن است بخواهند بازه‌ی زمانی کوتاهتری را انتخاب کنند.
2- طول عمر
طول عمر به طور مستقیم با هر دو متریک تعامل و حفظ رابطه دارد. هر دو مفهوم به طور دقیق مرتبط هستند، زیرا تعامل به افزایش حفظ کاربران کمک می‌کند، و به این ترتیب احتمال افزایش درآمد را افزایش می‌دهد. توسعه‌دهندگان اپلیکیشن‌ها معمولاً طول عمر را بر اساس نرخ حفظ اپلیکیشن محاسبه می‌کنند.
با در نظر گرفتن یک رویکرد ساده برای تخمین نرخ حفظ، اجازه دهید لحظه‌ی “ریزش” یک کاربر را در یک اپلیکیشن تعریف کنیم که کاربر در ماه گذشته آن اپلیکیشن را باز نکرده است. سپس متوسط مدت زمان تا وقتی که که یک کاربر استفاده از اپلیکیشن را حداقل برای یک ماه متوقف کند می تواند محاسبه شود.
روش پیچیده تر برای محاسبه طول عمر، استفاده از مدل منحنی بقا است: یک سیستم کاهش معادلات بر اساس استفاده از داده‌های تاریخی (یک منحنی برای هر کاربر یا گروه کاربران). پس از آن می‌توان مقدار انتگرال یا میانگین نرخ حفظ در هر بخش را محاسبه کرد و معادله را برای یک دوره معین حل کرد.
مثال زیر را ببینید: پس از محاسبه ی انتگرال تمام کاربران، احتمال فعال باقی ماندن یک کاربر بعد از 180 روز فقط 23٪ است. بنابراین، طول عمر یک کاربر معمولی برای 180 روز، 180*23% درصد خواهد بود، یعنی تقریبا 41 روز.

مهم است که توجه داشته باشیم که طول عمر همیشه در همان واحد زمانی دوره LTV بیان می‌شود. به عنوان مثال، LTV بیش از 180 طول عمر مورد انتظار 41 روز را همراه خواهد آورد، نه ماه یا سال.
3- ARPU یا میانگین درآمد به‌ازای هر کاربر
اینکه محاسبه‌ی ARPU چقدر پیچیده باشد بستگی به مدل کسب و کار دارد. محاسبه‌ی آن در کسب‌و کارهای SaaS ساده‌تر و در مدل‌های ترکیبی (که مدل های مختلف کسب و کار مانند اشتراک‌ها و تبلیغات ترکیب می شوند) پیچیده‌تر خواهد بود.
یک راه برای محاسبه ARPU این است که درآمد کل را برای یک دوره بر کاربران فعال در آن دوره تقسیم کنید. به عنوان مثال، درآمد متوسط روزانه 10،000 دلار، تقسیم بر میانگین 25،000 کاربر فعال روزانه ، برابر با 0.4 دلار در روز است.
اکنون می توانیم LTV را برای این اپلیکیشن نمونه محاسبه کنیم. طول عمر 180 روز حدود 41 روز (23 درصد) و ARPU  4/0 دلار در روز بود. از این رو:
LTV for 180 days = 41 days x 0.4 USD/day = 16.4 USD per user.
بهبود محاسبات LTV
تکنیک های متعددی وجود دارد که می تواند با این معادله LTV ساده ترکیب شود تا سودمندی آن را افزایش دهد، از جمله:
•    جریان‌های نقدی درآمد تخفیف. هنگامی که طول عمر بیشتر از 1 سال می‌شود، جریان‌های نقدی آینده را با در نظر گرفتن نرخ تورم (r)  و یا هزینه‌های صندوق در نظر بگیرید. به عنوان مثال، با فرض بر طول عمر n سال، فرمول تخفیف می تواند به صورت زیر بیان شود:
LTV = Revs Year 1 + Revs Year 2 x 1/ (1+ r) + … + Revs Year n x 1 / (1+ r )^(n-1)
•    محاسبه‌ی Net LTV. با محاسبه‌ی میانگین مشارکت متغیر (VC)  برای هر کاربر و جایگزینی ARPU در فرمول، Net LTV می‌تواند محاسبه شود. برای برآورد VC، کل هزینه متغیر را از کل درآمد کسر کنید. هزینه های متغیر، هزینه‌هایی هستند که هر زمانی که کاربر جدید به برنامه افزوده می‌شود بوجود می‌آیند (مانند هزینه های بازاریابی اختصاص داده شده به هر کاربر جدید) . محاسبه طبق فرمول زیر خواهد بود:
Net LTV = Lifetime x VC
به موجب آن:
VC = (Total Revenues — Total variable costs) in the period / average number of users in the period
همچنین لازم است اشاره کنیم که توسعه دهندگان هوشمند معمولاً مشتریان را بر اساس سطح VC تقسیم می‌کنند و LTV را برای گروه‌های مختلف مشتریان محاسبه می‌کنند. همانطور که در مورد بسیاری از کسب‌و‌کارها، توسعه دهندگان متوجه خواهند شد که تعداد کمی از کاربران بیشترین درآمد و سود را همراه خود می‌آوردند.
VC اغلب در طول عمر کاربر تغییر می‌کند، زیرا هزینه‌های متغیر به عنوان درصدی از درآمد‌ها کاهش می‌یابد. برای درک بهتر، یک کاربر جدید که اخیراً مشترک یک سرویس نرم‌افزاری شده است، نیاز به پشتیبانی بیشتری دارد در مقایسه با یک مشتری با تجربه که دیگر نیازی به پشتیبانی ندارد.
نتیجه‌گیری:
تجزیه و تحلیل براساس پیش‌بینی‌ها یک راه عملی برای به دست آوردن بینشی از آینده اپلیکیشن شما، مشتریان و درآمد آن است. در میان بسیاری از روشها برای تجزیه و تحلیل براساس پیش‌بینی‌ها، Lifetime Value (LTV) یکی از روش‌هایی است که اخیراً محبوبیت زیادی در میان برنامه‌نویسان به‌دست آورده است. محاسبه‌ی آن بسیار ساده است و معیار مفیدی ارائه می‌دهد که می تواند برای برنامه‌ریزی جذب مشتری بکارگرفته شود.
حالا شما فهمی از LTV بدست آورده‌اید، در مقاله بعدی به این می‌پردازیم که چگونه  فرمول LTV مطرح شده در این مقاله را می‌توان در پنج استراتژی محبوب درآمدزایی اپلیکیشن‌ها استفاده کرد. در عین حال، نظرات برخی از توسعه‌دهندگان در مورد چگونگی بهینه‌سازی هر یک از این استراتژی‌های درآمدزایی را ارائه خواهیم کرد.

دیدگاهتان را بنویسید