conversion-funnel

El proceso de crear unos buenos KPIs (II)

Como ya hablamos en la primer parte de esta serie, el disponer de una gran cantidad de datos acerca de nuestro producto en el mundo del marketing digital es muy importante. En la primera parte vimos como obtener datos clave y dividirlos en dos tipos de fuentes: las de usuarios y las de monetización. En esta segunda parte de la serie veremos como crear una buena hoja de cálculo dividida en los tres grandes elementos del embudo de conversión del mundo digital, sobretodo en el mundo de los juegos online: Adquisición, Retención y Monetización.

Embudo de conversión en los negocios electrónicos

Embudo de conversión en los negocios electrónicos

Recordemos también que habíamos determinado algunos factores de segmentación de usuarios (país, fuente de procedencia, género, etc...) que nos podrán ayudar a centrar el análisis de los KPIs con las combinaciones que deseemos. En el transcurso de esta segunda parte no hablaremos para nada de segmentar la información, si no que presentaremos los KPIs como si los calcularamos de forma global, pero por supuesto que podrían filtrarse para ser calculados solamente a la combinación de segmentos deseada.

Métricas de adquisición de usuarios.

Un buen número de descargas suele ser ya una buena corazonada y una razón de peso para hacer una macro fiesta en una empresa. Pero normalmente, los desarrolladores de juegos o bien inversores de una empresa del sector necesitan ver algunos datos que les ayuden a entender más allá de las simples descargas. Este primer bloque se centrará en sacar KPIs útiles a partir de gran parte de los datos básicos que sacamos en la primera de las dos series presentadas en la primera sección, los datos de usuarios de nuestro sitio web. Dichos datos nos serviran para medir en la primera fase el comportamiento de los nuevos usuarios y decidir como de bien nos está funcionando la compañía.

Comportamiento de los Nuevos Usuarios.

Nuevos usuarios o instalaciones.

Muy sencillo, no es más que la suma de los NewUsers_n de la hoja de cálculo que contiene dicha información simple. Cada usuario pertenece solamente a un segmento y se considera instalación una única vez, así que se puede garantizar que la fórmula dada por

\boldsymbol{Installs}_n = \displaystyle\sum_n NewUsers_n

es coherente y con todo el sentido del mundo. Pensemos en este KPI como el valor que cuenta la gente que, mes a mes llega por primera vez al sitio web, independiente de como o lo que haga dentro de él.

Nuevos usuarios retenidos del mes anterior.

También trivial de calcular puesto que, no es más que la suma de los NewUsersRet_n de la hoja de cálculo que contiene dicha información simple. Al igual que antes, cada usuario que vuelva al juego y llegara por primera vez al sitio web en el mes anterior al estudio pertenece solamente a un segmento y por tanto no es contado como duplicado en la fórmula:

\boldsymbol{NewUsersRetained}_n = \displaystyle\sum_n NewUsersRet_n

Notemos que los dos KPIs anteriores no tienen porque ser comparables (la viralidad puede variar de un mes a otro, los gastos de marketing, los gastos de reengagement como los email marketing, etc...) por tanto, son casi casi anecdóticos de un mes a otro. En cambio, gracias a ello ahora disponemos de dos buenas bases para calcular los dos siguientes KPIs, los cuales si que serán comparables de un mes a otro.

Ratios de Retención y Pérdida de los Nuevos Usuarios

En el mundo del F2P, el volumen de adquisición de usuarios no suele ser tan importante como su retención. Muchas veces adquirir un usuario cuesta entre 5 y 10$, como para que luego se pierda sin remedio alguno... Por ello, estas dos métricas opuestas la una a la otra nos dan una idea de qué tan bien se comportan los nuevos usuarios adquiridos con el producto:

\boldsymbol{RetRateNewUsers_n} = \frac{\boldsymbol{NewUsersRetained}_n}{\boldsymbol{NewUsers}_{n-1}}

\boldsymbol{ChurnRateNewUsers_n} = \frac{\boldsymbol{NewUsers}_{n-1} - \boldsymbol{NewUsersRetained}_n}{\boldsymbol{NewUsers}_{n-1}} = 1-\boldsymbol{RetRateNewUsers_n}

Uno de los objetivos del departamento de marketing es comprender estas cifras y buscar segmentos potenciales que maximicen la primera métrica, minimizando la segunda. Cuando más se retengan los usuarios adquiridos, sobretodo en las primeras fases del contacto con el producto web, mayores serán las posibilidades de que, esos usuarios se conviertan a posteriori en futuros pagadores.

Comportamiento de las Campañas de Marketing.

Costes de Campañas

Muy sencillo, es la suma del dinero que se gasta en las diversas campañas de marketing (MktSpent_n ), es decir

\boldsymbol{CampaignCosts}_n = \displaystyle\sum_n MktSpent_n

Nuevos usuarios de pago

Un efecto del gasto anterior es poder contabilizar el número de usuarios de pago que nos traen dichas campañas de marketing, los cuales recordemos era una de las variables que ya citamos como dato simple que cabía sacar de nuestra primera fase de recopilación de datos, los NewMktUsers_n . Con el mismo argumento antes citado para contabilizar instalaciones de usuarios totales (i.e. dos usuarios no pueden hallarse en segmentos distintos) podemos afirmar que:

\boldsymbol{PaidInstalls}_n = \displaystyle\sum_n NewMktUsers_n

Costes de instalación real y aproximado

Como antes, las cifras anteriores son banales e incomparables de un mes a otro, por tanto vamos a citar aquí dos métricas para comparar si el gasto de adquisición aumenta o no en proporción a los usuarios que se adquieren. El CPI (coste por instalación) nos medirá cuanto dinero nos cuesta realmente cada una de las instalaciones que han provenido de una campaña de marketing, mientras que el eCPI (coste estimado por instalación) nos abaratará los costes por usuario, repartiendo los gastos entre todas las instalaciones del mes, de pago y virales.

\boldsymbol{CPI}_n = \frac{\boldsymbol{CampaignCosts}_n}{\boldsymbol{PaidInstalls}_{n-1}}

\boldsymbol{eCPI}_n = \frac{\boldsymbol{CampaignCosts}_n}{\boldsymbol{Installs}_{n-1}}

Normalmente se calculan ambas métricas porque el CPI permite ver qué fuentes son las que nos pueden proporcionar los tráficos más económicos por un lado, mientras que el eCPI permite medir a su vez la viralidad de los usuarios, abaratar los gastos de marketing, y poder jugar con el hecho de adquirir un usuario, pero que este a su vez sea capaz de traernos muchos más.

Costes por pagador

Pero evidentemente, no solo de aire vamos a vivir, y una campaña de marketing carecería de sentido si no pudieramos validar la calidad de sus pagadores. Para ello suele utilizarse el CPA o Coste por Adquisición, el cual nos mide cuanto nos cuesta adquirir un usuario de pago. Esta es una visión muy macroeconómica y muchas veces suele ser necesario meter mano de otras métricas para que esta cobre un sentido global puesto que no todos los pagadores son igual de cualitativos.

\boldsymbol{CPA}_n = \frac{\boldsymbol{CampaignCosts}_n}{\boldsymbol{FirstTimePayers}_{n-1}}

Viralidad

El último de los grandes bloques del grupo de métricas de marketing, que a su vez sirve como nexo en el embudo para pasar al grupo de la retención, puesto que dichas variables aportan información a ambas secciones.

Nuevos usuarios virales

Si antes teníamos en cuenta los usuarios de pago, procedentes de campañas de marketing, ahora nos interesamos solo por conocer el volumen de nuevos usuarios que han llegado de forma totalmente viral al sitio web.

\boldsymbol{NewViralUsers}_n = \boldsymbol{Installs }_n - \boldsymbol{PaidInstalls}_{n-1}

k-factor

Y como nos ha pasado antes, las cifras absolutas suelen servir más bien de poco, así que vamos a definir el k-factor, que dispone de muchas definiciones diversas. Es un concepto procedente del mundo de la microbiología, donde se define como el producto entre potenciales engendros viralizadores (portadores de un virus por ejemplo) por la efectividad de la infección (puesto que no todo infectador acaba infectando necesariamente). Esto se tradujo al mundo del marketing online como el producto de invitaciones que manda cada usuario viralizador por el porcentaje de conversión de cada una de las invitaciones, pero aún así, veremos que en nuestro caso esta fórmula se podrá simplificar:

\boldsymbol{k-factor}_n = \mathrm{invitaciones\ promedio\ por\ usuario} \times \mathrm{ratio\ de\ conversion\ por\ invitacion} =

 = \frac{invitaciones\ enviadas}{MAU_n} \frac{NewViralUsers_n}{invitaciones\ enviadas} = \frac{NewViralUsers_n}{MAU_n}

Métricas de retención de usuarios.

En el primer bloque hemos centrado el estudio en buscar los KPIs que nos informan de la llegada de usuarios al sitio web. En este segundo bloque buscamos ver la interacción de los usuarios en el sitio a lo largo del tiempo, si vuelven o se pierden, cada cuanto, qué tiempo podemos esperar que sigan viniendo,...

Usuarios activos diarios, semanales y mensuales

Los tres KPIs siguientes nos serviran para saber cuantos usuarios únicos visitan nuestro sitio web de forma diaria, semanal y mensual respectivamente. La mayoría de datos ya venían desglosados en los datos básicos de los que ya se hablaron en la primera sección de este artículo, por tanto no nos será demasiado complicado obtener las métricas globales a partir de la suma de las individuales.

\boldsymbol{DAU}_n = \displaystyle\sum_n DAU_n

\boldsymbol{WAU}_n = \displaystyle\sum_n WAU_n

\boldsymbol{MAU}_n = \displaystyle\sum_n MAU_n

Engagement

Una de las variables con mayor grado de interpretación de este segundo bloque. Se trata del ratio entre \boldsymbol{DAU}_n y \boldsymbol{MAU}_n,

\boldsymbol{Engagement}_n = \frac{\boldsymbol{DAU}_n}{\boldsymbol{MAU}_n}

y se puede interpretar del siguiente modo:

  • un valor cercano al cero por ciento, nos indicaría que \boldsymbol{DAU}_n<<\boldsymbol{MAU}_n, y que por tanto, por muchos usuarios activos que lleguen al juego cada mes, los diarios son muy pocos y que por tanto cada usuario diario vuelve poco a lo largo del mes;
  • por otro lado un valor cercano al cien por cien indicaría que \boldsymbol{DAU}_n\simeq\boldsymbol{MAU}_n, y que por tanto, todos los usuarios activos del mes han venido al juego cada día, lo cual indica una gran fidelidad de los mismos hacia el producto.

Pese a ser una metrica un tanto desvirtuada por las campañas de marketing, las cuales suelen incrementar en mayor medida los \boldsymbol{MAU}_n que los \boldsymbol{DAU}_n, no es difícil de calcular dados los datos anteriores, y si que nos permite ver de una manera aproximada la calidad de producto a nivel de retención global de usuarios. Si se desea conocer más acerca del engagement como forma de enganchar al usuario y estrategias para acrecentar su valor, recomiendo dar un vistazo a mi anterior artículo, donde se analizaban los Engagement Loops de los videojuegos más exitosos de los últimos años.

Usuarios Retenidos y Perdidos del mes anterior

Con los datos que tenemos hasta el momento podemos saber cuantos de los usuarios del mes actual ya se hallaban en el sitio web el mes anterior, y cuantos de los del mes anterior se han perdido por razones variables.

\boldsymbol{ReturningUsers}_n = \boldsymbol{MAU}_{n} - \boldsymbol{Installs}_{n}

\boldsymbol{ChurnedUsers}_n = \boldsymbol{MAU}_{n-1} - \boldsymbol{ReturningUsers}_{n}

Notar como, la primera ecuación sustrae a los activos del mes actual las nuevas instalaciones del mismo mes (ergo, nos devuelve el número de usuarios que ya se habían pasado por el sitio web en anteriores ocasiones) y que por otro lado, sabiendo la gente que vuelve, podemos sustraerlos de los \boldsymbol{MAU} del mes anterior para ver cuantos de los usuarios de ese mes se han perdido con el tiempo. Si esto en abstracto te suena un poco a chino, observa el siguiente gráfico para entender mejor el flujo de usuarios de un mes a otro.

Diagrama de retención y pérdida de usuarios de un mes a otro.

Diagrama de retención y pérdida de usuarios de un mes a otro.

Ratios de Retención y Pérdida de Usuarios

Al igual que ocurría con los Nuevos usuarios de la sección de adquisición, en la sección de retención de pueden comparar los ratios de pérdida y retención de usuarios mes a mes en lugar de los datos banales de usuarios retenidos y perdidos como

\boldsymbol{RetentionRate}_n = \frac{\boldsymbol{ReturningUsers}_{n}}{\boldsymbol{MAU}_{n-1}}

\boldsymbol{ChurnRate}_n = \frac{\boldsymbol{ChurnedUsers}_{n}}{\boldsymbol{MAU}_{n-1}} = 1-\boldsymbol{RetentionRate}_n

Tiempo de vida esperado del usuario

En el mundo del marketing online (y en general en cualquier sistema donde interactúen organismos vivos), predecir los tiempos de vida suele ser una tarea bastante complicada. A pesar de ello, se puede estimar en promedio el tiempo de vida en base a la pérdida de los usuarios (el recien calculado \boldsymbol{ChurnRate}). Imaginemos que mes a mes tenemos \boldsymbol{ChurnRate} = 25\%, esto quiere decir que,

  •  Si no se adquirieran nuevos usuarios de ningún modo (o se vetara su acceso a la plataforma web salvo para los que ya están registrados en ella) cada mes perderíamos el 25% de los usuarios activos del mes.
  • Al segundo mes, habríamos perdido el 50% de los usuarios del mismo modo.
  • Al tercer mes, el 75%.
  • Y finalmente al cuarto mes el 100% de los mismos, quedandonos sin usuarios para poder seguir.

De este modo, obtendríamos una aproximación del tiempo de vida de los usuarios de 4 meses en total. Dicho valor \boldsymbol{LifeTime}_n cumple la ecuación

\boldsymbol{ChurnRate}_n \times \boldsymbol{LifeTime}_n = 100\%

y por tanto, una aproximación del tiempo de vida del usuario viene dada por

 \boldsymbol{LifeTime}_n = \frac{1}{\boldsymbol{ChurnRate}_n}

En todo esta argumentación, he utilizado a proposito la palabra aproximado o esperado, puesto que esto no es más que una simplificación del mundo real: los usuarios pueden volver esporádicamente al sitio web meses después de haberse registrado en él, las campañas de email marketing pueden elevar el ratio de retención, disminuyendo el de pérdidas y elevando por ello el tiempo de vida, puede haber una caída del servidor que haga descender drásticamente el tiempo de vida por tratarse de una experiencia de usuario pésima,... pero la verdad es que es una fórmula bastante aceptada en el mundo actual, y no estaba de más mostrar aquí su deducción y su interpretación. La razón de que se aproxime y no se calcule de forma exacta, es que el tiempo de vida de los usuarios puede llegar a ser infinito (pueden volver indefinidamente) y por tanto, el acotar el tiempo de vida por un valor específico, sesga la distribución de usuarios en cierto punto, cuyo valor máximo es el tiempo de vida del producto (si el producto se lanzó hace 3 meses, será imposible obtener un tiempo de vida de 8 meses, pese que a la larga ese puede ser el tiempo de vida esperado del producto).

Métricas de monetización de usuarios.

El apartado más importante y cuyo grosor suele ser siempre el mayor suele ser el de monetización. Un negocio no prospera si no convierte bien, si no tiene ingresos o sustento para reinvertirse en marketing. Así es como hemos empezado esta segunda parte, hablando del embudo de conversión y viendo como, el dinero que acaba saliendo de la parte de monetización puede reutilizarse para reinvertir en marketing. Si la monetización del producto no es solida ni consistente, el producto está condenado al fracaso por muy buena retención que tenga o muy barato que se llegue a conseguir el CPI.

Datos de usuarios pagadores

Centrémonos primero en descubrir métricas de usuarios pagadores, sin importarnos la cantidad que pagan.

Usuarios pagadores

La visión más macroeconómica empieza por conocer cuantos usuarios pagan. A partir de los datos básicos de la segunda fuente de datos estos se pueden inferir como ya hemos hecho antes con las instalaciones como

 \boldsymbol{Payers}_n = \displaystyle\sum_{n,p} Payers_{n,p}

\mathrm{con}\ p\in PaymentPlatforms : type(p) = Direct

Veamos como esto suma los pagadores de las plataformas de pago de tipo directo, es decir, solamente se cuentan usuarios que han efectuado un pago real, sin aprovecharse de ningún tipo de oferta.

Pagos reales

Conocidos el número de pagadores, podemos calcular del mismo modo cuantos son los pagos reales totales realizados:

 \boldsymbol{Payments}_n = \displaystyle\sum_{n,p} Payments_{n,p}

 \mathrm{con}\ p\in PaymentPlatforms : type(p) = Direct

Promedio de pagos

Con los datos anteriores, resulta trivial obtener el número de pagos promedio por usuario como:

\boldsymbol{\overline{PaymentsPerUser}}_n = \frac{\boldsymbol{Payments}_{n}}{\boldsymbol{Payers}_{n}}

así como el número de pagos promedios al día como:

\boldsymbol{\overline{DailyPayments}}_{n} = \frac{\boldsymbol{Payments}_{n}}{DaysOfMonth_n}

Ambas métricas nos pueden mostrar mejor si el volumen de transacciones va en aumento, se estanca o decrece mes a mes. Más transacciones promedias por usuario pueden significar usuarios más enganchados y compulsivos, mientras que por otro lado una bajada en el volumen de pagos diarios no tiene porque ser siempre malo (puede ser, por ejemplo que la plataforma de pagos estuvo offline durante un par de días, y eso nos hace bajar el volumen de pagos diarios sin necesidad de que bajen los pagos por usuario).

Ratio de conversión a pagador (CVR)

El Conversion Rate (CVR) es una de las métricas más usadas en el mundo del negocio electrónico para comparar productos de naturaleza muy diferente. Se entiende como el porcentaje de usuarios pagadores de entre los que utilizan el sitio web al mes y por tanto responde a la fórmula:

\boldsymbol{CVR}_n = \frac{\boldsymbol{Payers}_{n}}{\boldsymbol{MAU}_n}

Mientras que muchas empresas son capaces de subsistir mes a mes con CVR inferiores al 1%, en la literatura se citan buenos ratios de conversión en juegos F2P de casino los comprendidos entre un 2 y un 5% mensual, llegando a existir casos raros de CVR superiores al 10% (super éxitos como Clash of Clans o Candy Crush Saga). No es tan sencillo como forzar al usuario a pagar y esperar que este lo haga sin más. La cocción ya ha empezado a nivel de adquisición y retención, de modo que cuando el usuario se ha enganchado al juego y tiene la necesidad de ir volviendo a él constantemente, es mucho más sencillo llegar a hacer que pague, elevando así el CVR. Así mismo, el CVR no es más que otro KPI de nuestro inmenso cuadro de mandos, así que no hay que obsesionarse con él. Todos son más o menos importantes y un cambio importante en uno suele repercutir de forma inmediata en todos los demás cual efecto dominó.

Datos de ingresos

La parte que más suele preocupar a inversores y la que suele tener más desglose para cubrir la posibilidad de casos que suelen demandarse a tales efectos.

Ingresos sobre pagos directos

Los ingresos procedentes de pagos reales, que suelen ser los más valorados debido a lo que suele costar conseguirlos (que un usuario se convierta en pagador demuestra cierta fidelidad y confianza en el producto). Por tanto

 \boldsymbol{GrossRevenueFromDirectPayments}_n = \displaystyle\sum_{n,p} GrossRevenue_{n,p}

 \mathrm{con}\ p\in PaymentPlatforms : type(p) = Direct

 \boldsymbol{NetRevenueFromDirectPayments}_n = \displaystyle\sum_{n,p} GrossRevenue_{n,p}\times RevShare_{n,p}

 \mathrm{con}\ p\in PaymentPlatforms : type(p) = Direct

Esta dicotomía sobre si obtener los valores de forma neta o bruta suele ser porque, en neto nos sirve para evaluar el cashflow de la empresa y saber cual es el balance real de la misma, mientras que el bruto suele utilizarse a nivel estratégico para captar inversores, ofrecer reportes trimestrales, etc...

Ingresos sobre pagos indirectos

Los ingresos procedentes de pagos indirectos y promociones, de menor valor que los anteriores, puesto que son los que los usuarios suelen aprovechar para conseguir bienes virtuales de forma gratuita sin dar nada a cambio.

 \boldsymbol{GrossRevenueFromIndirectPayments}_n = \displaystyle\sum_{n,p} GrossRevenue_{n,p}

 \mathrm{con}\ p\in PaymentPlatforms : type(p) = Indirect

 \boldsymbol{NetRevenueFromIndirectPayments}_n = \displaystyle\sum_{n,p} GrossRevenue_{n,p}\times RevShare_{n,p}

 \mathrm{con}\ p\in PaymentPlatforms : type(p) = Indirect

Total de ingresos

Tanta segmentación de ingresos puede hacer perder el norte a cualquiera, así que normalmente, se suelen agrupar los ingresos en los típicos subtotales que luego utilizaremos para calcular métricas relativas, comparables mes a mes o entre productos diferentes:

 \boldsymbol{TotalGrossRevenue}_n = \boldsymbol{GrossRevenueFromDirectPayments}_n + \boldsymbol{GrossRevenueFromIndirectPayments}_n

 \boldsymbol{TotalNetRevenue}_n = \boldsymbol{NetRevenueFromDirectPayments}_n + \boldsymbol{NetRevenueFromIndirectPayments}_n

Métricas relativas de monetización: ARPU, ARPPU, LTV

Estas métricas son las que nos permiten comparar productos diferentes debido a que reparten beneficios entre usuarios y pagadores para hacernos una idea de cuanto nos reporta cada uno en promedio.

ARPU: ingresos promedios por usuario

Siglas de Average Revenue per User, nos mide cuando nos aportaría cada usuario en promedio si todos ellos contribuyeran a la parte del embudo de la monetización. Evidentemente toma los ingresos totales de pagos directos e indirectos, pues todos los usuarios pueden acceder indistintamente a ambos tipos de monetización:

 \boldsymbol{ARPU}_n = \frac{\boldsymbol{TotalNetRevenue}_n}{\boldsymbol{MAU}_n}

ARPPU: ingresos promedios por pagador

Siglas de Average Revenue per Paying User, nos mide cuando nos aportaría cada pagador en promedio si todos ellos pagaran la misma cantidad. En este caso, toma solamente los ingresos de pagos directos por ser estos los que marcan a un usuario como pagador como ya se ha dicho en su ecuación pertinente.

 \boldsymbol{ARPPU}_n = \frac{\boldsymbol{NetRevenueFromDirectPayments}_n}{\boldsymbol{Payers}_n}

LTV: valor esperado por usuario

Siglas de Life Time Value, nos mide cuando nos han aportado a lo largo de toda la vida todos los usuarios que han accedido alguna vez al sitio web. Una de las maneras que se suele calcular linealizando al igual que hacíamos en el caso del tiempo de vida del usuario es, multiplicando dicho tiempo de vida por el ARPU del usuario en el mes actual, lo cual suele ser una doble aproximación (una para el LT y otra ahora para repartir lo que nos reportan todos los usuarios del mes...). Esta viene dada por

 \boldsymbol{LTV}_n = \boldsymbol{LifeTime}_n \times \boldsymbol{ARPU}_n

Yo prefiero personalmente una mejor aproximación que tiene en cuenta todos los usuarios que han pasado por el sitio web alguna vez así como el total de dinero que se han dejado en él:

 \boldsymbol{LTV}_n = \frac{\displaystyle\sum_{i=1}^{n}\boldsymbol{TotalNetRevenue}_i}{\displaystyle\sum_{i=1}^{n}\boldsymbol{Installs}_i}

Utilícese el que se considere mejor en función de los resultados que se obtengan. Tener siempre en mente la definición que se ha dado de LTV y actuar en consecuencia para luego no caer en incongruencias de pensar que el LTV era una cosa, pero se calcula de una forma diferente a lo que se piensa que realmente es...

Ecuación fundamental de la monetización de usuarios

Para las empresas que se empeñan en ocultar sus datos tras verborrea y métricas de forma parcial, dar a la vez dos de las tres métricas de ARPU, ARPPU y CVR permite calcular todas las demás, dando la posibilidad al público lector de inferir los usuarios que juegan y pagan al producto o incluso cuales son sus ingresos mensuales. Esto es debido a que:

 \frac{ \boldsymbol{ARPU}}{ \boldsymbol{ARPPU} } = \frac{\frac{\boldsymbol{NetRevenueFromDirectPayments}}{\boldsymbol{MAU}}}{\frac{\boldsymbol{NetRevenueFromDirectPayments}}{\boldsymbol{Payers}}} = \frac{\boldsymbol{Payers}}{\boldsymbol{MAU}} = \boldsymbol{CVR}

La publicidad

Los ingresos procedentes de publicidad suelen contabilizarse a parte debido a la variabilidad que presentan las empresas anunciantes mes a mes. Estos suelen ser ínfimos en comparación con los anteriores, pero que son una buena manera de monetizar, típicamente a usuarios no pagadores. Normalmente las redes anunciantes no trabajan en bruto, si no solamente en neto y por tanto nuestro cálculo se hace en base a

 \boldsymbol{NetRevenueFromAds}_n = \displaystyle\sum_{n,p} GrossRevenue_{n,p} \ \mathrm{con}\ p\in Ads

 \boldsymbol{AdsPerUser}_n = \frac{\displaystyle\sum_{n,p} Payments_{n,p}}{\displaystyle\sum_{n,p} Payers_{n,p}} \ \mathrm{con}\ p\in Ads

 \boldsymbol{CPV}_n = \frac{\displaystyle\sum_{n,p} GrossRevenue_{n,p}}{\displaystyle\sum_{n,p} Payers_{n,p}} \ \mathrm{con}\ p\in Ads

La segunda nos da una idea de cuantos anuncios suele consumir de media cada usuario. Fijemonos que, los pagos a nivel de anuncios son el número de anuncios consumidos en total, y que los pagadores son los usuarios que ven un anuncio dado. Finalmente, el coste por visualización, CPV nos da datos de, cuales son los ingresos (céntimos normalmente) que nos aporta cada visualizador de anuncios durante un mes dado. Todas estas cifras permiten calcular a largo plazo, si el sitio web tuviese cientos de miles de visitas extra en un futuro, cual serían los ingresos adicionales que percibiría la empresa.

Retención de los pagadores

No solo es importante conseguir que los usuarios paguen, si no que se mantengan como tales pagadores mes tras mes para cumplir expectativas y, probablemente ofrecerles cada vez ofertas mayores y más suculentas para mantener esa fidelidad al producto.

Pagadores retenidos del mes anterior

Calculable de manera muy sencilla como dato básico de la parte de usuarios, la única que nos faltaba por utilizar:

 \boldsymbol{RetainedPayers}_n = \displaystyle\sum_{n} PayersRetained_{n}

Cabe añadir que, este valor simple tiene en cuenta solamente los usuarios que en el mes anterior habían efectuado algún pago real y, en el mes actual recurren como tales pagadores del producto.

Primeros pagadores del mes

A partir de los datos de que ya disponemos se pueden calcular y, añadir una aclaración a este KPI:

 \boldsymbol{FirstTimePayers}_n = \boldsymbol{Payers}_n - \boldsymbol{RetainedPayers}_n

Si llegados a este punto aún no le ha estallado la cabeza al lector, podría notar algun chirrido en su vista: qué ocurre con un pagador que paga en el mes n-2, no paga en el n-1 pero si vuelve a pagar en el mes actual n? Pues es contado de nuevo como First Time Payer con el modelo adoptado. Esto tiene su lógica, puesto que alguien que ha pagado y desaparece del mapa, puede contar como desenganchado del sitio web, no se ha retenido en el ciclo mensual natural. Por tanto y debido a ello este, usuario se ha preferido que entre a formar parte de los first time payers, pero si el lector lo considera oportuno puede optar por hacer el cálculo inverso: sacar como dato simple los first time payers del mes y calcular los retenidos como diferencia entre los pagadores y los primeros pagadores del mes.

Ratio de retención y pérdida de pagadores

Como ya hemos hecho antes, las informaciones absolutas suelen ser más bien banales, así que para poder ser comparadas, vamos a calcular los ratios de pérdida y retención de pagadores del mismo modo que hemos hecho con los nuevos usuarios y los MAU en las secciones anteriores:

\boldsymbol{PayersRetentionRate}_n = \frac{\boldsymbol{RetainedPayers}_{n} }{ \boldsymbol{Payers}_{n-1}}

\boldsymbol{PayersChurnRate}_n = \frac{\boldsymbol{Payers}_{n-1}-\boldsymbol{RetainedPayers}_{n} }{ \boldsymbol{Payers}_{n-1}} = 1-\boldsymbol{PayersRetentionRate}_n

LTV de los pagadores

Y finalmente, al igual que antes hemos calculado el LTV global de los usuarios, y hemos dicho que suele ser poco fiable, se puede ver cuanto acaban reportando los pagadores a lo largo del tiempo. Dicha fórmula sigue una definición análoga a la del LTV, en el sentido que tiene en cuenta tanto todos los beneficios históricos de pagos directos de la empresa (recordemos que todo lo referente a pagadores pasa por ser un pago de tipo directo), así como todos los primeros pagadores que se han ido adquiriendo (con la definición que hemos dado ya de primeros pagadores del mes):

 \boldsymbol{LTV}_n = \frac{\displaystyle\sum_{i=1}^{n}\boldsymbol{NetRevenueFromDirectPayments}_i}{\displaystyle\sum_{i=1}^{n}\boldsymbol{FirstTimePayers}_i}

Balance global de la empresa

Con todo esto, ya podemos ver si la empresa va para arriba o bien se va a pique en función de dos simples métricas del mundo de la economía

ROI y eROI aproximado

El retorno de la inversión empieza con una definición muy simple. Es el margen neto que tenemos entre la adquisición de usuarios (que cuesta dinero a la empresa) y los beneficios económicos que estos nos reportan. Algunas empresas suelen incluir aquí además los gastos de personal e instalaciones, pero a tales efectos podrían contar como un gasto de marketing más, pasando a engrosar de forma directa CPIs y demás variables del primer bloque. En tal caso, una buena forma de calcular el margen neto de un negocio serían

\boldsymbol{ROI}_n = \boldsymbol{LTV}_n - \boldsymbol{CPI}_n

donde, el ARPU nos mide el nivel de beneficios de los usuarios de ese mes, y el CPI el nivel de gastos de adquisición por usuario del mes. Esta fórmula pierde de vista la viralidad del producto, la cual abarata considerablemente los costes de adquisición (y haciendo probablemente un ROI más positivo que en la definición estricta). Por ello muchos expertos prefieren tener en cuenta el eROI, el cual incorpora la viralidad sustituyendo los gastos en forma de CPI, por el eCPI:

\boldsymbol{ROI}_n = \boldsymbol{LTV}_n - \boldsymbol{eCPI}_n

La fórmula mágica es pues muy simple:
- Si el  \boldsymbol{LTV}_n < \boldsymbol{CPI}_n, el ROI es negativo, y por tanto los usuarios nos cuestan más de lo que podemos llegar a recuperar en toda su vida útil, por tanto la empresa pierde dinero y está condenada a la larga a la quiebra. - Si el  \boldsymbol{LTV}_n > \boldsymbol{CPI}_n, el ROI es positivo y por tanto los usuarios nos cuestan menos de lo que nos reportan a lo largo de toda su vida útil, por tanto la empresa gana dinero y puede seguir creciendo invirtiendo más dinero en marketing, contratando más personal o mejores instalaciones.

La definición estricta de ROI

La fórmula anterior nunca es de mi agrado, pues como todo lo que involucra el LTV en su cálculo, conlleva error por propia definición del KPI. A tal efecto, prefiero citar la forma en la que yo calculo el ROI, que suele ser la definición de manual del mundo de la economía:

\boldsymbol{ROI}_n = \frac{\displaystyle\sum_{i=1}^{n} (\boldsymbol{TotalNetRevenue}_i+\boldsymbol{NetRevenueFromAds}_i)} { \displaystyle\sum_{i=1}^{n} \boldsymbol{CampaignCosts}_i}

Este porcentaje es mucho más preciso que el cálculo anterior, el cual nos decía si ganabamos o perdíamos por usuario; en este caso sabemos que porcentaje total de la inversión se lleva recuperado hasta la fecha actual y podemos ver si, la recuperación ocurre de forma rápida o lenta (imaginemos que un mes nos indica un ROI del 50%, mientras que otro mes vemos un ROI del 100%, en este caso la campaña del segundo mes recupera la inversión de forma mucho más rápida que la del primer mes, y por tanto el equipo de marketing tiene que centrarse en replicar la estrategia de ese primer mes en sus futuras inversiones).

Conclusión

Bueno, ha costado lo suyo pero hemos podido definir en esta segunda fase técnica cerca de 50 KPIs diferentes que nos ayudarán a centrar el estudio del funcionamiento del producto de nuestra empresa en las áreas que flaqueen más: paliar un bajo engagement con un mayor email marketing, conseguir mayores ingresos mensuales con la incorporación de Offer Walls, eliminar la publicidad a pagadores para que así su probabilidad de retención aumente al no ser molestados jamás, etc... Ahora todo será más sencillo, pues la dureza de los cálculos será de forma automática y dinámica, para poderse centrar en analizar bien los datos de que se disponen y encontrar filones de oro y flaquezas que cubrir a lo largo del tiempo para mejorar el producto y conseguir crecer como empresa.

Aquí puede encontrarse una hoja de cálculo, la cual resume todas estas fórmulas realizando predicciones de futuro en base a los kpis pasados y alguno que otro objetivo que la empresa se puede fijar (por ejemplo, conseguir retener el 60% de los usuarios al cabo de 10 meses). En la tercera y última parte de esta serie, hablaremos sobre como estimar el futuro en base a estos KPIs y de la necesidad de marcarse unas metas. De momento juegue con la hoja de cálculo, experimente: duplique el ARPPU, divida la retención y observe atentamente como variaría la empresa; como podría pasar de un caso de éxito a hundirse en menos de un año. Si las matemáticas han sido demasiado complicadas, ahora la experimentación le permitirá ver si la retención es o no es clave, si los gastos de marketing influyen en la monetización, o como se integra todo este organismo vivo para revelar el futuro incierto de la empresa.

Comments 1

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *