Маркетинг
German Kapnin

Динамическое обновление стоимости подписки: увеличиваем доход от подписок с помощью машинного обучения

Издатели обычно заняты поиском новых источников дохода, и поэтому самим ценообразованием часто пренебрегают. Большинство текущих методов определения какие указывать цены на подписку, основаны либо на опросах, либо на сегментации, либо на консультациях (которые превышают бюджет большинства мелких разработчиков). Существуют также динамические прогнозы покупок. Они быстро собираются, но не очень надежны, поскольку зависят от неизвестных нам алгоритмов (прогнозы Firebase) или RFM-анализа на основе электронной коммерции, который не очень полезен для большинства приложений (например, RFM CleverTap).

Но есть и третий способ. Используя несколько имеющихся у вас точек данных и машинное обучение (старые добрые регрессии, приправленные некоторыми новыми методами), у вас есть приличный шанс получить +5-15% дохода от новых подписчиков или дополнительных продаж внутри приложения.

Перевод статьи Jakub Chour Dynamic Pricing: Increasing App Subscription Revenue with Machine Learning. Не пропускайте новые переводы → подписывайтесь на телеграм канал про мобайл

Какие преимущества дает динамическое ценообразование для приложений?

Наши опросы пользователей показывают, что каждым приложением обычно пользуется множество групп: например, любители, случайные пользователи, которым просто любопытно, и профессионалы. VSCO, упомянутое Нико Виттенборном в последнем подкасте SubClub, является отличным примером этого. Некоторые люди находят в приложении большую ценность и готовы потратить гораздо больше, если могут извлечь выгоду для себя. Другие будут использовать приложение всего несколько раз, а это значит, что их ценность намного ниже.

Всем пользователям можно показывать свои спец предложения с расширенной сегментацией, но, поскольку сегментация основана на поведенческих событиях, обычно это занимает много времени. Это снижает ее предсказательную ценность в первые дни и позволяет пользователям не попадаться в моменты, когда они склонны к покупке.

Использование динамического ценообразования на основе технографических событий (или признаков успеха) помогает мгновенно прогнозировать вероятность покупки во время первого сеанса пользователя и позволяет показывать наилучшие возможные предложения достаточно быстро, чтобы привлечь большую долю пользователей на ранних этапах воронки и монетизировать их.

Конечно, найдутся пользователи, которые не захотят совершать покупки при любой стоимости подписки — и их не менее важно как можно быстрее определить, чтобы увеличить им количество показов рекламы.

Использование нескольких событий имеет и несколько недостатков. В целом, это способ не для всех, и особенно сложно будет использовать его для казуальных и гипер-казуальных игр, потому что на такие игры не практикуют подписки, вместо этого полагаясь на встроенные покупки. Покупки в приложении представлены в сотнях вариантов, а это значит, что модели регрессии для них гораздо менее надежны.

Кроме того, чем больше роль пользовательского контента (например, в приложениях для знакомств или социальных сетей) в вашем приложении, тем меньше вы сможете применять прогнозы, поскольку есть зависимость от доступности такого контента. Если у вас пустая лента, никто не будет платить за подписку.

Признаки успешной покупки

Вы, наверное, догадались, что для каждой модели огромную роль играют платформа (iOS, Android) и страна. Это очевидно. Однако, помимо этого, есть еще несколько признаков покупки подписок, в том числе следующие:

  • Пользовательский регион (разница между регионами часто бывает такой же, как и между странами, например, разница в коэффициенте конверсии между Техасом и Калифорнией в одном приложении может составлять 19%)
  • Модель пользовательского устройства (например, пользователи с iPhone 11 Max в одном случае имели в 1,4 раза лучшую конверсию по сравнению с iPhone XS)
  • Время от регистрации до просмотра экрана покупки (большинство подписок происходит в течение первых нескольких дней)
  • Общее количество сеансов.

Вам может быть интересно, почему здесь нет поведенческих данных, таких как количество воспроизведенных песен, свайпов, выполненных задач и прочего. Эти показатели, конечно, тоже имеют большое значение, но поскольку каждое приложение индивидуально — некоторые используют онбординг, а некоторые — нет, какие-то предназначены для ежедневного использования, а какие-то — всего несколько раз в месяц, — поведенческое моделирование оказывает огромное сопротивление моделям регулярной регрессии, которые вы, возможно, захотите использовать.

Как должна выглядеть модель динамического прогнозирования цен?

Прогнозирование динамического ценообразования состоит из двух частей: оно измеряет вероятность покупки пользователем и определяет сумму. Наиболее «доступным» способом прогнозирования вероятности покупки является регрессионное моделирование методом Random Forest. Я рекомендую использовать более надежные методы, такие как повышение градиента, которое позволит вам лучше работать с другими размерами выборки данных — типичными для прогнозирования покупки (95% ваших клиентов останутся на freemium, и только 5% и меньше будут платить).

Вероятно, вам следует использовать несколько моделей, разделенных по регионам. Поскольку каждый регион имеет свой коэффициент конверсии, каждый дополнительный регион (вход) создает ненужную нагрузку на «универсальную» регрессионную модель.

Имейте в виду, что такая регрессионная модель предназначена для получения непрерывных значений, поэтому вероятность покупки составляет 0–100%. Одно это значение не приблизит вас к динамическому ценообразованию.

Для второй части вы можете либо применить другую модель для подмножества пользователей, которые, вероятно, будут платить (на ум приходит кластеризация K-средних или простые модели классификации), либо вы можете разделить пользователей с высокой вероятностью покупки на сегменты и просто предположить, что чем выше вероятность, тем выше цена. Я больше склоняюсь к второму варианту.

Причина сегментации данных о высокой вероятности покупки заключается в том, что чем больше моделей вы применяете к одним и тем же данным, тем выше смещение данных, что приводит к снижению предсказательной способности. Даже простые модели, основанные на вероятности покупки, имеют точность 70%, которую можно улучшать.

Сегментация по вероятности покупки кажется необходимой для подавляющего большинства пользователей, поскольку прогноз платящих пользователей распределяется более равномерно, чем прогноз неплатящих, где у большинства вероятность покупки действительно низка. [пример данных для неигрового приложения среднего размера, базирующегося в основном в США]

Где это происходит?

У вас есть CRM, внутренняя база данных пользователей и множество тикетов в Jira, отправляемых вашим разработчикам. Поскольку регрессионная модель сама по себе относительно проста в использовании, простота интеграции имеет не меньшее значение. На мой взгляд, у вас есть два варианта:

1. Оценка пользователей на ходу

Каждый раз, когда пользователь проверяет экран покупки, вы можете оценить его. Преимущество заключается в том, что вы можете рассчитывать на дополнительные события, которые могут иметь значение, например, количество просмотров экрана покупки или время с момента регистрации. Недостаток — ваш внутренний API должен быть достаточно быстрым: нужно получить и доставить нужный SKU из Google Play или App Store менее чем за 50–100 миллисекунд. Это делает прогнозы более точными, но требует значительных усилий от разработчиков.

2. Отправка данных в уже имеющиеся у вас коннекторы

Большинство текущих CRM (Braze, Leanplum, CleverTap,...) или инструментов доставки уведомлений и имейлов, таких как OneSignal, имеют готовый API для приема дополнительных данных о клиентах. Воспользуйтесь ими и отправьте данные, которые есть в вашем инструменте CRM, в API — и заберите их обратно. Вам понадобится только удобный для маркетологов инструмент, такой как Zapier или Integromat.

Как может выглядеть API. Не забывайте, что вы должны быть готовы к ситуации, когда одна или несколько точек данных окажутся недоступны

Практические последствия

Как я показал в этой статье, динамическое ценообразование совсем несложно, если вы действительно хотите его использовать. Вопрос в том, а хотите ли вы? Динамическое ценообразование ставит под сомнение соображения деловой этики и общественной репутации, такие как предоставление разным пользователям разных цен на один и тот же продукт.

Многие компании уже делают это по-другому: просто устанавливают разные цены в разных странах. Я рассматриваю динамическое ценообразование как продолжение этой практики, которая не осуществляет дискриминацию по признаку пола, расы, возраста или чего-либо еще, а исключительно по платежеспособности пользователя и его воспринимаемой ценности. Если вас это беспокоит, вы все равно можете использовать его «хорошо» и просто снизить стоимость подписки для тех, кто видит меньшую ценность в вашем приложении (тех, кто готов платить меньше).

В любом случае, ценовая дискриминация никуда не денется, и вы можете принять в ней участие, чтобы увеличить свой доход. Однако в будущем мы продолжим замечать, что подобные решения будут реализовываться все чаще и чаще.

Привет, меня зовут Герман Капнин
С 2015 года я занимаюсь мобильным маркетингом для приложений и мобильных сайтов. Прокачал экспертизу в закупке трафика, управлял командой. Закупал трафик для Mail.ru, Yandex, Aliexpress, OZON и многих других клиентов. Давайте знакомиться лично https://www.facebook.com/gr.kapnin или подписывайтесь на канал про мобайл, чтобы не пропустить и обсудить новые статьи https://t.me/mobileplusblender
{ "author_name": "German Kapnin", "author_type": "self", "tags": [], "comments": 0, "likes": 1, "favorites": 17, "is_advertisement": false, "subsite_label": "marketing", "id": 197225, "is_wide": false, "is_ugc": true, "date": "Fri, 15 Jan 2021 23:11:06 +0300", "is_special": false }
0
0 комментариев
Популярные
По порядку

Комментарии

null