The process of creating good KPIs (II)

As we said previously on our first part of this serie of articles, it's always useful tu have a huge amount of data about our product at the digital marketing environment. On the first part, we saw hoy to obtain key raw data and how to breakdown it into different types of sources: the first about users, the second about monetization. On this second part, we'll see how to create a good spreadsheet divided into the three big elements of the conversion funnel on the online marketing world: Acquisition, Retention and Monetization.

Embudo de conversión en los negocios electrónicos

Embudo de conversión en los negocios electrónicos

We should remember that we stated some segmentation factors for our users data (such as their country, source, gender,...) that could help us analyzing KPIs with the desired combinations. In this second part we won't talk about segmenting the information, but we'll focus instead on KPIs representation and computing globally. Of course they can be computed based on a segmentation by only taking care of part of global data.

User Acquisition Metrics

A huge number of downloads is sometimes a good indicator to prepare a good party to celebrate the future success of a company. Usually, publishers or investors of a company, need some data to understand further than download metrics.  This first block of the article will focus on computing KPIs from the first of the two data sets we introduced on the first part of the article. This data will allow us to measure new users behaviour and decide how is our company performing towards this kind of people.

New Users Behaviour


Pretty simple. It's the sum of NewUsers_n from our data set with this basic information. Each user belongs to one and only one segment so the install info per user only appears once, so we can generalize this formula to:

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

This formula is consistent. We can think in this KPI as the value to measure how many people arrives to the website for the first time in their life without worrying about what they do inside it.

New Users retained from previous month

It's also straightforward to calculate, since it's the sum of  NewUsersRet_n from our first data set. Like before, each user that enters the site on the previous month and comes back again the current month will only belong to one segment and don't appear twice in this formula:

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

We should note that the two previous KPIs don't need to be comparable (virality can change a lot from one month to another, marketing costs, reengagement costs like email marketing,...) so, they are both almost useless to compare one both to another. Nevetherless, thanks to both we can now have two good weapons to start computing the next two KPIs, that will be comparable from one month to another.

New Users Retention and Churn Rate

In F2P world, the volume of new users acquired is as important as their retention. Lots of companies acquire users with a cost between 5 and 10$ each and if it's not well retained, the money invested will not be worthed. That's the reason why this two next metrics, one opposed to the other, give us an idea of how the new users acquired behave with the product:

\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}

One of the main goals of a marketing team is to understand this numbers, look for potential segments that maximice the first KPI minimizing the second one. The more retained the users on the first steps of their contact with the web product, the better will be the chances to turn this visitors into customers.

Marketing Campaigns Behaviour

Campaign Costs

Really simple, it's just the sum of the money spent in different marketing campaigns (MktSpent_n ), aka

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

New Paid Installs

The money spent is to bring only a part of the total installs of the site. This is a raw data from our first data set, NewMktUsers_n . With the same argument we used before to count the total amount of installs, we can now state that:

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

CPI and eCPI

As before, the previous numbes are useless to compare one month to another, so we'll nedd here some more metrics to make marketing costs comaparble depending on how many user are aquired. CPI (cost per install) will measure how much money it costs us each one of the installs that come from a marketing campaign. eCPI eCPI (estimated cost per install) wil lower our costs per user, by averaging it among all the installs of the month, both paid and virals.

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

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

Companies tend to calculate both because CPI  can let us see which sources give us the cheapest traffic and eCPI can let us measure their virality as well. eCPI tends to lower marketing costs and let us play with the fact that acquiring users at a higher cost can bring together more users through their virality.


It's true that we can't live from air, so a marketing campaign would have no sense if we weren't able to measure the quality of their payers. In that sense, we use CPA (cost per adquisition) that let us measure how much it costs us to acquire each paying user.  This is a really macroeconomic vision and in some cases we need some other metrics to give a global sense to it since not all payers behave in the same way.

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


The last big block from marketing metrics that is usually a link on the funnel to go from acquisition to retention cluster, since its variables give us some info about both of them:

New viral users

As we calculated before the number of users from acquisition campaigns, we're now looking to calculate the amount of users that arrive to our site to zero costs:

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


And as it happened before, absolute numbers are useless, so we need to define a relative KPI, in this case k-factor. This term comes from microbiology world, where it's defined as the product between potential viralizers (subjects infected with a  virus) and its effectivity to infect (due to not all 100% of the infected subjects tends to infect another one). This was translated to online marketing as the product between the number of requests each viralizer sends on average by the conversion rate of each one of the invitations, but in our case it can be simplified even more:

\boldsymbol{k-factor}_n = \mathrm{average\ requests\ per\ user} \times \mathrm{invitation\ conversion\rate} =

 = \frac{sent\ requests}{MAU_n} \frac{NewViralUsers_n}{sent\ requests} = \frac{NewViralUsers_n}{MAU_n}

User Retention Metrics

In the first block we focused on studying KPIs that give us information about how the users arrive to our website. In this second block, we'll focus to see the interaction with this users on our website across the time: Do they come back? During how much time? How frequent do they come?...

Daily, Weekly and Monthly Active users

The next three KPIs will tell us how many users visit our website daily, weekly and monthly. Most of these are row data from our first data set from our first section of the article, so it is as simple as adding this raw data.

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

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

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

We should note here that we are talking about unique visitors per day, week and month, so it's not necessary true that WAU_n = 7\times DAU_n, since the fact that a user can come every day to the site and only count as one visitor in both DAU and MAU metrics.


One of the most definitions of this second block. It's the ratio between \boldsymbol{DAU}_n y \boldsymbol{MAU}_n,

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

and it can be understood as:

  • an engagement value close to 0% would tell us that \boldsymbol{DAU}_n<<\boldsymbol{MAU}_n, and hence that it doesn't matter how many users come to our game each month, because the daily ones are little and we deduce from here that each user doesn't come frequently to the web during the month;
  • on the other hand, a value pretty close to 100% would tell us that \boldsymbol{DAU}_n\simeq\boldsymbol{MAU}_n, and so, that all the active users of the month come to the site every day of the month, and hence, they are realy loyal to our product.

It's a metric that can be really different from one month to another due to marketing campaigns. This campaigns tend to increase more the number of  \boldsymbol{MAU}_n than the \boldsymbol{DAU}_n ones. Despite that, it's an easy KPI to calculate and it gives us a good approach of the quality of our product. If you would like to know more about engagement, ways to engage users and strategies to make it grow, I recommend taking a close look to our of my previous articles, where I analized the Engagement Loops of the most successful videogames of the latest years.

Retained and Churned Users from the previous month

With the data available until know, we already know how many users had our website on the previous month. We can calculate how many of them have returned to the game the current month and so how many of them have been lost from one month to the next one for different reasons as:

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

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

We should note here how, the first equation substract from the MAUs of the current month, the Instals (i.e. we get here the number of users that were already on our website from previous months). On the other side, once we know the number of users that come back the current month to the site, we can calculate the number of lost users from the previous to the current month by substracting the returning from the \boldsymbol{MAU} of the previous month. This can be quite tricky the first time you think about it, but we can use the next users flow to understant it better:

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

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

Users Retention and Churn Rate

As we spoted with New users on the Acquisition section, retention and churn rate of users is key to compare the flow of users from one month to the next one:

\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

User Expected Lifetime

In online marketing (and in general in any system where there are life organisms) predicting the expected lifetime tends to be a really complicated thing. Despite this, it can be calculated on average using the \boldsymbol{ChurnRate} of the users. Let's imagine that from one month to the next one we have \boldsymbol{ChurnRate} = 25\%, this means that:

  •  If there weren't more installs (or users weren't able to register to the site anymore unless they are already registered) each  month we'll lose 25% of the monthly active users.
  • The second month, we would had lost 50% of the users.
  • The third month we'd had lost 75% of them
  • And finally, on the fourth month, 100% of them. This way we would have no users to keep going on and our online business will be absolutely dead.

This way we can obtain a really good way to calculate user expected lifetime: 4 months. This value \boldsymbol{LifeTime}_n verifies the equation

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

so, a good aproximation of user expected lifetime can be computed as

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

In all this argument, I used the word expected because this scenario is not but a really simplification of the real world: users can come  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 sporadically to the website some months after they have registered, email marketing can raise the retention rate, lowering the loses and highering user expected lifetime, there can be some crash on the server that can make this value go down really fast... but it's true that people use this formula, is really spread out in this kind of business and I think it will be like that for some more years.

The main reason this formula is used is that is quite an approximation. Calculating it really accurately can be pretty tough because there can be people that come and come month after month, year after year and for this users, their expected lifetime can be literally infinite.  But we'll never know, because our business has a limited lifetime (since it was created at some time in the past!). If our product was launched 3 months ago, it would be impossible to have a user expected lifetime of 8 months, but the product can reach it as time goes by!

User Monetization Metrics.

One of the most important parts of a good KPIs is monetization. A business can't grow if it doesn't convert their users to customers really well or it doesn't have enough revenue to reinvest in marketing campaigns. We started talking about the conversion funnel: we have seen how the money that comes from the monetization cluster can be reinvested in marketing (or ruining our company if costs are greater than the income they generate!). If the monetization isn't consistent enough, the product is doomed despite its good retention or the cheaper that it can be their CPI. I know a few videogame developers who said that they had an 80% of retention rate but they had a game where people couldn't even pay... So let's take a look at this final group of KPIs.

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).


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.