Рус Eng

Блог

16 апреля 2015

Считаем экономику лидогенераторов.

Многие уже читали мою статью про экономику интернет-магазина, которая основана на знаниях, переданных мне Ильей Красинским. Однако существует, очень много бизнес-моделей, которые имеют более сложную структуру заработка, а именно, умеют привлекать дешево аудиторию и продавать ее за дорого — классическая модель лидогенерации. И так, какие трудности бывают. Рассмотрим экономику привлечения пользователя.

Пока тут все просто, имеет некий трафик, приходящийся на когорту, который с конверсией C1 дает нам лидов, которых мы будем продавать. Далее у нас идет блок заработка на посетителе AvBill, ARPPU, COGS, APC и ARPU. Как нам их посчитать? ведь сами по себе, пользователи нам не платят, но влияют на наш доход, фактически являются товаром, который мы продаем нашим клиентам.

Но для начала посчитаем исходя из того, что каждый лид мы продаем за некоторую сумму, и тогда наша экономика будет выглядеть так.

В данном случае, мы считаем, что каждый лид мы продаем за 20 рублей, затрат на продажу у нас нет, продаем его 1 раз, итого получается, что каждый посетитель нам приносит 40 копеек. Затраты же на одного посетителя у нас составляют 10 рублей. В целом пока у нас модель отрицательная, но это всего лишь модель.

Теперь вернемся к нашим покупателям, компаниям, которые покупают наши лиды. Построим экономику для них.

С первой частью, как всегда нет проблем, мы контактируем с 30 потенциальными клиентами, и с конверсией C1 получает 3 покупателя. Далее нам надо рассчитать средний чек, а он у нас зависит от числа лидов, которые мы передаем покупателяю. И так,

AvBillbuyer = Buyerslids * AvBilllids

При этом затраты на продажу COGS у нас зависят от стоимости затрат на привлечение лидов

COGSbuyers = CPAlids * UAlids

Все остальное ARPPU, APC, CPA, ARPU для клиентов считается как обычно. И мы получаем следующую экономику.

При этом у покупателя AvBill и COGS являются функцией от экономики посетителей. Так же легко увидеть, что

ARPUbuyers = (ARPUlids — CPAlids) * UAlids

Так же видно, что экономика у нас при таких показателях расходиться. Давайте посмотрим как влияют теперь параметры экономики посетителей на экономику покупателей. В нашем примере, мы указали конверсию посетителей в лиды 2%, тогда как в большинство лидогенераторов стремятся достигнуть показателя в 20%.

Как видим, экономика улучшилась, так же большинство лидогенераторов умеют привлекать аудиторию очень дешево и продавать ее существенно дороже, пусть разница у нас будет 5 раз.

Уже лучше, но экономика все еще не сходиться. Что можно еще сделать. Например, можно продавать один и тот же лид нескольким компаниям, тогда наша формула среднего чека у покупателей измениться и будет зависeть уже не от среднего чека посетителей, а от их ARPPU

AvBillbuyer = Buyerslids * ARPPUlids

Предположим, что в среднем мы продаем наш лид 2,5 компаниям.

Хорошо видно, что наша экономика выросла с почти −3 млн рублей до более чем 2 млн рублей в плюсе. Вот примерно так выглядит экономика лидогенраторов.

В данной статье содержит непростительная ошибка, подробнее в следующей статье.

Подробнее

16 марта 2015

Владимир — Суздаль — Юрьев-Польский — Переславль-Залесский

На 8 марта, мы семьей решили отправиться в небольшое путешествие, а именно посетить города Золотого кольца России. Предварительно изучив ситуацию (7-8 марта), а так же наши возможности, мы выбрали себе вот такой маршрут: Владимир — Суздаль — Юрьев-Польский — Переславль-Залесский.

Сказано — сделано. 7 марта мы выехали из Москвы, сначала нас ждала дежурная пробка на выезде из Москвы, на шоссе Энтузиастов, но за Балашихой она кончилась и дальше путь лежал без затруднений.

Подробнее

27 февраля 2015

Показатели тщеславия

В книге Бизнес с нуля, Эрик Рис вводит понятие показателей тщеславия. Давайте посмотрим, что это такое и как это может испортить нам радость от бизнеса.

Рассмотрим небольшой модельный бизнес (будем говорить о сервисе). Мы все помним о том, что важно применять когортный анализ для учета показателей нашего бизнеса. Для простоты используем продажи в 3 когортах для одного тарифа (См. изображение ниже). Каждая клеточка это одна продажа.

Хорошо видно, что наши клиенты пользуются сервисом. Причем в первой когорте мы получили 10 клиентов, во второй 12, а в третьей уже 18. При этом, клиенты готовы покупать продукт не один раз. Среднее число продаж (APC) так же растет из когорты в когорту. Можно также посмотреть на доход от когорты: 25-31-52. Можно посмотреть и на доход в период (мы рассматриваем только 3 периода, так как у нас на рассмотрении всего 3 когорты): 10-18-31.

По всем показателям наш бизнес просто прет в гору. Однако все ли так радужно? Все ли мы учли? О чем еще надо помнить и обязательно проверять? Давайте вернемся к юнит-экономике. Для начала введем упрощения, считаем, что цена нашего единственного тарифа 50 рублей, цена привлечения одного пользователя (CPA) 2 рубля, с каждым разом от когорты к когорте мы работаем лучше и CPA немного снижается, а конверсия увеличивается. Сама конверсия нам не важна, считаем, что она порядка 1%.

Как заполнить таблицу экономики, читайте с статье про экономику интернет-магазина. Так что сразу смотрим на итоговый вариант.

В таблице мы видим наши когорты, а именно 10 — 12 — 18 клиентов в когорте, наш APC 2,5 — 2,58 — 2,74. Обратим внимание, что:

  • ARPPU = AvBill * APC — доход с одного платящего клиента в когорте, определяется по формуле, так как один клиент нам платит несколько раз.
  • ARPU = ARPPU * C1 — это сумма полученная от одного посетителя в когорте.
  • CPA, как я уже писал ранее тоже радуют нас постоянным снижением 2 — 1,9 — 1,8 рубля. То есть уже хорошо видно, что доход с одного посетителя меньше, чем цена привлечения одного посетителя.

Почему так получилось? Ответ находиться в параметре APC — наш тариф ниже, чем цена привлечения клиента, и клиент не окупает своего привлечения в рамках существующего числа продаж.

Давайте смоделируем нашу экономику и выясним, когда клиент начнет приносить прибыль.

В первой строке округляем APC до 3 и видно, что этого все еще не достаточно. Но мы уже близко к цели. Когорта становиться положительной, если клиент начинает платить 4 и более раз.

Исходя из всего сказанного можно сделать вывод, важным является доходность с каждого пользователя в когорте, а параметры роста продаж, роста самой когорты вовсе не говорят нам о состоянии дел в бизнесе. Не забывайте, основные параметры, влияющие на наш доход — ARPU и CPA, при этом надо помнить, что ARPU зависит от AvBill, APC, C1.

Подробнее

19 февраля 2015

Поколение DOOM

Мое знакомство с компьютерами, как и у многих в то время людей, началось с компьютерных игр. В 1986 году, меня привел мой старший брат в игровой салон, где стояли Atari 65XE и на которых я играл в River Raid.

Уже в 1988 году мой брат и отец начали вести разговоры и подготовку к сборке своего домашнего компьютера, схемы которого были опубликованы в вжурнале ЮТ88. Однако этой мечте не суждено было сбыться.

Однако уже 1990 году, был куплен первый домашний компьютер Львов ПК01. На котором я начал знакомиться с программированием. Потом были спектрум и тот же атари, и на конец, IBM PC, сначала это был советский монстр — Искра 1030М. И вот в 1994 году я познакомился c Wolfenstein 3D, DOOM, DOOM II, Hexen, Eretic и так далее. Конечно, я со своими друзьями программировал и в том числе 3D графику. Мы учились сами по наитию. И только много лет спустя я узнал, кто такой Джон Крамак.

Два Джона Кармак и Ромеро создали компанию, покорившую сердца многих людей не только технологией Кармака, но и миром, который придумал Ромеро. Однако, будучи людьми, детство которых прошло не самым радужным способом (одна судимость Кармака чего стоит), они добились высот только лишь живя в своем мире — мире андеграунда и игр. При этом они не мирились с тем, что зависят друг от друга, ведь технология Кармака без фантазий Ромеро не имеет смысла, а мир Ромеро не возможен без технологий Кармака.

Все это и не только это, читайте в подлинной истории компании id Software в книге Властелины DOOM.

Пока это лучшая биография, бизнес-стори, которую я читал. Книга о том, как создать супер технологию будучи гиком и как все это потерять. Рекомендую.

Книга предоставлена сервисом Readrate


Подробнее

31 декабря 2014

Когортный анализ в GA

Последнее время набирает интерес публики к инструментам кратного роста или так называемому growth hacking. Одним из важных инструментов этого процесса является когортный анализ, который позволяет правильно оценивать вклад от изменений в бизнесе или продукте. Важность использования когорт я показал в статье про экономику магазина, однако, как выяснилось, далеко не все знают, как получить данные для такого анализа. В этой статье я хочу рассказать о том, как построить когортный отчет в Goolge Analytics.

Для начала рассмотрим, произвольный отчет. Здесь и далее я буду рассматривать произвольный сайт, к которому у меня есть доступ, сайт не имеет значения и анонимизирован, нам важно понять суть построения. Строить будем отчет по каналам, стандартный вид отчета представлен на рисунке.

Хорошо видно, что у сайта есть дневная аудитория с различных каналов. Но что нам дает этот отчет, и что означают пики и падения у графика? С чем они связаны? Может ли данный отчет дать нам ответ?

И так, в важности когорты мы определились, теперь вопрос, как выудить эту информацию из GA? Собственно нас интересуют следующие даты (общий случай): дата первого захода — формирует когорту, дата активации, дата первой оплаты (отдельно даты следующих оплат и их количество). Все это позволит нам оптимизировать потом воронку.

Чтобы получить выборку посетителей, который зашли в первый раз за выбранный период (когорту) нужно попросить GA отсегментировать аудиторию по признаку «Дата первого сеанса». Делается это в разделе Сегменты, куда можно попасть кликнув на выборку «Все сеансы». А затем нажать «+Сегмент».

В открывшейся форме указываем название сегмента — 1 когорта, и указываем дату первого сеанса. Для примера я буду строить недельные когорты. Указываю интересующие меня даты. Обратите внимание — 1 октября 2014 не понедельник.

Далее нажимаем сохранить и получаем вот такой вот график. Отображение графика делаем понедельным. И видим, что пользователи, которые пришли на сайт в 1 когорте приходили на сайт и 2 и в 3 недели и даже позже. Кроме того, они могли совершать и целевые нам действия не на первой неделе.

Аналогичным способом строим когорты для 2, 3 и 4 недель октября. И тут выходит на первый план ограничения GA. Во-первых, срезы по сегментам он может делать только за 3 месяца, чтобы построить скажем за больший период, надо смещать даты по 3 месяца и выписывать данные в ручную. Кроме того, одновременно он может посмотреть только 4 сегмента. В целом для когортного анализа это мало.

Простейший способ получить данные навести курсор мыши на график и выписать в табличку.

В итоге получим следующую информацию, столбцы это периоды, а строки это когорты. Хорошо видно, что например, 5 когорта в 1 свою неделю дала меньше аудитории,чем 3 когорта, но за 3 недели 5 когорта дала больше трафику, чем 3 когорта за 5 недель. Так же хорошо заметно что 1 когорта продолжает посещать сайт и 7 недель спустя.

Теперь мы знаем как извлекать (в общем случае) информацию из GA с помощью когорт. Далее будем учиться строить более интересные отчеты.

Подробнее

Страницы: