Кратко: перечислю ключевые гипотезы монетизации для freemium‑SaaS, для каждой — как её тестировать, какие метрики смотреть и критерии успеха. Здесь только конкретика и формулы.
1) Гипотеза: конверсия повышается за счёт «гейтинга» продвинутых функций (free → paid)
- Тест: A/B‑тест: контроль (всё бесплатно) vs эксперимент (ключевые функции только в paid).
- Метрики: конверсия $CR=\frac{N_{paid}}{N_{free}}$, ARPA $=\frac{MRR}{N_{paid}}$, MRR.
- Критерий успеха: статистически значимое увеличение $CR$ при допустимом снижении активации free.
- Примечание: рассчитать требуемый объём выборки для двухдольного теста:
$$n=\frac{{\left(Z_{1-\alpha /2}\sqrt{2\bar{p}(1-\bar{p})}+Z_{1-\beta }\sqrt{p_1(1-p_1)+p_2(1-p_2)}\right)}^2}{(p_1-p_2{)}^2}$$ где $\bar{p}=(p_1+p_2)/2$.
2) Гипотеза: ограниченный по времени trial увеличит платных пользователей
- Тест: сравнить trial 7 vs 14 (или 0) дней + варианты с автопродлением/напоминаниями.
- Метрики: trial→paid конверсия, churn после первого месяца, CAC payback.
- Формула CAC‑payback (в месяцах):
$$\text{Payback}=\frac{CAC}{ARPA}$$ - Успех: рост конверсии с приемлемым увеличением CAC и сроком окупаемости ниже целевого (например <12 мес).
3) Гипотеза: ценовая сегментация (tiers) повышает ARPA и общую выручку
- Тесты: Gabor‑Granger pricing survey; A/B тесты разных цен и бандлов; тест «средний пакет» с различными функциями.
- Метрики: ARPA, конверсия по тарифам, отток по тарифам.
- Формула ARR/ARPA:
$$ARR=N_{paid}\times ARPA$$ - Успех: увеличение ARPA и/или ARR без снижения конверсии ниже приемлемого уровня.
4) Гипотеза: модель оплаты по использованию (metered) увеличит доход от «тяжёлых» пользователей
- Тест: пилотная тарификация для 5–10% heavy users; сравнить ARPU и churn с контрольной группой.
- Метрики: ARPU_heavy, churn_heavy, elasticity (процент изменения спроса при изменении цены).
- Успех: рост ARPU_heavy с приемлемым churn.
5) Гипотеза: триггерные апселлы при достижении порога использования повышают конверсию
- Тест: настроить event‑based in‑app/ email триггеры (например, 80% лимита) + оффер; A/B.
- Метрики: конверсия у триггерной когорты vs контроль, CAC на этих конверсиях.
- Успех: положительный lift в конверсии у триггерной когорты.
6) Гипотеза: enterprise‑пакеты/seat pricing увеличат ACV
- Тест: outbound POC с оплатой по годовым контрактам; предложение кастомного прайса.
- Метрики: ACV $=\frac{AR{R}_{enterprise}}{N_{deals}}$, sales cycle, win rate.
- Успех: ACV и маржинальность компенсируют более долгий sales cycle.
7) Гипотеза: реферальная программа снижает CAC и повышает LTV/CAC
- Тест: запустить реферальную программу с бонусами для рефереров и рефералов; контролировать источники трафика.
- Метрики: CAC_referral, LTV, LTV/CAC.
- Формула LTV (упрощённо):
$$LTV\approx \frac{ARPU}{\text{churn}}$$ - Успех: $CA{C}_{referral}<CA{C}_{paid}$ и рост LTV/CAC.
8) Гипотеза: улучшение onboarding и удержания снижает churn и повышает LTV
- Тест: A/B тесты новых onboarding flows, воронки «activation» и персонализация; qualitative: интервью/NPS.
- Метрики: retention $R_t$ по дням/месяцам, churn, LTV.
- Успех: снижение месячного churn и рост LTV в статистически значимой величине.
Приоритет тестов (быстрые выигрыши):
- 1) Инструментировать метрики и воронку (events, cohorts).
- 2) Триггерные апселлы + gating ключевых фич (низкий риск, быстрая проверка).
- 3) Pricing A/B и trial length.
- 4) Referral + onboarding optimizations.
- 5) Enterprise и metered pilots (больше усилий, но высокий потенциал).
Общие рекомендации по валидации:
- Выбирайте KPI и критерий успеха до старта теста (p‑value, минимальный detectable effect).
- Контролируйте сегментацию (активные vs неактивные пользователи).
- Считайте экономику: LTV, CAC, payback, LTV/CAC. Формулы: выше.
- Комбинируйте количественные тесты с опросами/интервью для выявления «почему».
Если нужно, могу дать шаблон A/B‑анализа с расчётом размера выборки под ваши текущие метрики (укажите текущий $CR$, целевой lift, $\alpha$, $\beta$).