Ekspansja na nowe rynki to zawsze ekscytujący moment dla firm działających w modelu subskrypcyjnym. Nowi użytkownicy, nowy potencjał wzrostu, nowe możliwości skalowania biznesu.

Ale jest też jedno wielkie „ale”: Brak danych historycznych.
Nie wiemy, jak klienci z nowego kraju będą się zachowywać. Nie znamy ich retencji, nie wiemy, czy będą odnawiać subskrypcje, czy rezygnować po miesiącu. A przecież chcemy wiedzieć, czy kampania w Brazylii, Kambodży czy Rumunii się zwróci – zanim przepalimy budżet.

W tym artykule pokazujemy, jak można podejść do problemu predykcji LTV (Customer Lifetime Value) w sytuacji, gdy brakuje lokalnych danych. Przykład oparty jest na realnym wdrożeniu.

Warto podkreślić, że brak danych historycznych to wyzwanie nie tylko dla działów marketingu, ale także dla zespołów analitycznych i zarządzających, którzy muszą podejmować decyzje o alokacji budżetu i strategii rozwoju. W takich sytuacjach kluczowe jest wykorzystanie dostępnych informacji zastępczych oraz nowoczesnych metod analizy danych, które pozwalają na tworzenie wiarygodnych prognoz mimo ograniczeń.

Ponadto, skuteczna predykcja LTV na nowych rynkach wymaga ciągłego monitorowania i aktualizacji modeli w miarę napływu nowych danych. To pozwala na stopniowe zwiększanie dokładności prognoz oraz optymalizację działań marketingowych i utrzymaniowych.

W kolejnych sekcjach przedstawimy konkretne metody i narzędzia, które pomogą firmom subskrypcyjnym radzić sobie z tym wyzwaniem, a także omówimy korzyści i ograniczenia poszczególnych podejść.

Problem: nowy rynek, zero danych

Załóżmy, że nasza aplikacja subskrypcyjna od dłuższego czasu działa na rynku, generując największy ruch właśnie stamtąd, a dodatkowo jest obecna na kilku innych mniejszych rynkach, takich jak Polska, Niemcy i Hiszpania. Dysponujemy dobrze zbadanym profilem użytkownika z tych krajów – znamy wskaźniki odnowień subskrypcji, LTV, retencję oraz inne ważne wskaźniki długoterminowe, a także korzystamy z sprawdzonych modeli analitycznych.

Teraz planujemy wejście na nowy rynek, na przykład Brazylię. Przeprowadzamy tam kilka testowych kampanii, aby zbadać potencjał tego rynku dla naszego biznesu. Kampania trwa od kilku dni, więc przystępujemy do analizy skierowanej do użytkowników z Brazylii. Co jednak widzimy?

• Brak danych historycznych.
• Brak informacji o odnowieniach subskrypcji – ponieważ nie minął jeszcze nawet pierwszy okres odnowienia, np. po miesiącu.
• Niepewność, czy można zastosować założenia z innych rynków, które już mamy przebadane.

W efekcie nie wiemy, czy użytkownicy z Brazylii zwrócą się nam w długim okresie, czyli nie mamy nawet przybliżonego oszacowania LTV. Jak poradzić sobie z tym wyzwaniem?

Rozwiązanie 1: benchmarkowanie na podstawie zbliżonych rynków

Pierwsze podejście to użycie benchmarków z podobnych rynków. Przykładowo: Jeśli Brazylia to nowy rynek, ale mamy dane z Meksyku, Chile i Kolumbii – możemy założyć, że ich zachowania będą podobne, a przez to metryki dla tych krajów też będą zbliżone będą podobne. Takie podejście pozwala na szybkie uzyskanie pierwszych szacunków dotyczących wartości LTV i retencji, co jest szczególnie ważne, gdy brakuje lokalnych danych historycznych.

Tworzymy grupę porównawczą: „Ameryka Południowa” i uśredniamy wskaźniki, co umożliwia wyciągnięcie wniosków na podstawie większej próbki danych, a tym samym zmniejsza wpływ pojedynczych anomalii.

Zalety:

• Szybkie rozwiązanie pozwalające na wstępne oszacowanie potencjału rynku.
• Wystarczające do wstępnej estymacji przychodów i ryzyka, co ułatwia podejmowanie decyzji o alokacji budżetu.

Wady:

• Wysokie ryzyko błędu – Zachowanie przeciętnego użytkownika z Brazylii może być zgoła inne niż użytkownika z Kolumbii, pomimo że pochodzą z podobnego obszaru geograficznego.
• Może prowadzić do błędnych decyzji inwestycyjnych, jeśli różnice kulturowe lub ekonomiczne między rynkami są znaczące, co warto mieć na uwadze przy interpretacji wyników.

Rozwiązanie 2: stopniowe uwzględnianie metryk historycznych z nowego rynku

Wiedząc, jaki odsetek użytkowników skonwertował lub jaki jest wskaźnik odnowień po pierwszym miesiącu, możemy wykorzystać tę wiedzę, aby poprawić nasze estymacje długoterminowe. Przykładowo, jeśli wiemy, że 5% wizyt z kampanii na Brazylię zakończyło się zakupem subskrypcji, możemy poszukać w naszych historycznych danych podobnego przypadku i sprawdzić, jak dla takiej grupy wyglądało finalne LTV po 12 miesiącach, a następnie przełożyć to na świeżą kohortę z Brazylii, co pozwala na bardziej świadome planowanie dalszych działań marketingowych i budżetowych.

Zalety: mamy dokładniejszą predykcję, bo estymacje opieramy na tym, co już faktycznie się wydarzyło, co zwiększa wiarygodność naszych prognoz i minimalizuje ryzyko błędnych decyzji.

Wady: wymaga ręcznego poszukiwania „zbliżonych przypadków” i może być podatne na efekt losowości lub sezonowości – np. porównywana kampania mogła odbyć się w okresie świątecznym, kiedy odnawialność jest wyższa, co może zaburzać dokładność estymacji i wymaga ostrożnej interpretacji wyników.

Rozwiązanie 3: wczesne predykcje na podstawie aktywności użytkownika

Analizując użytkowników na ogólnym poziomie (tj. na poziomie kohort) tracimy sporo informacji o szczegółach tego, co robili poszczególni użytkownicy, a to może być cenna informacja. Przykładowo, po 7 dniach od instalacji aplikacji użytkownik:

• Otworzył aplikację 5 razy,
• Spędził w niej 30 minut,
• Przeszedł do ekranu płatności,
• Wykonał jakąś konkretną akcję.

To już coś. Taka aktywność może wskazywać, że dany użytkownik będzie skłonny do odnowienia subskrypcji. Teraz w oparciu o wiedzę szczegółową na temat zachowania użytkownika, np. z pierwszych 7 dni, możemy dokonać estymacji prawdopodobieństwa odnowienia subskrypcji na kolejne miesiące, a w konsekwencji możemy wyestymować LTV takiego użytkownika. Dlaczego? Ponieważ mamy historyczne informacje o wielu użytkownikach ze znanych nam rynków. Innymi słowy, każdego „nowego” użytkownika z Brazylii będziemy próbowali przybliżyć podobnym użytkownikiem, np. z Polski (dla którego znamy dłuższą historię aktywności).

Jak tego dokonać w sposób automatyczny? Tutaj z pomocą przychodzi Machine Learning, tzn. stworzenie modelu do predykcji szansy odnowienia subskrypcji na podstawie zachowań z kilku pierwszych dni życia usera, gdzie do treningu użyjemy danych historycznych ze znanych nam rynków. Dzięki temu model może uwzględniać różne wzorce zachowań i ich wpływ na przyszłe decyzje użytkownika, co znacząco zwiększa dokładność predykcji i pozwala na bardziej precyzyjne zarządzanie budżetem marketingowym.

Narzędzia i techniki, które działają

W tym wdrożeniu zastosowaliśmy BigQuery ML, działając w zamkniętym środowisku, co pozwoliło na łatwe utrzymanie, aktualizację i skalowanie modelu predykcyjnego. Zbudowaliśmy precyzyjne predykcje na poziomie pojedynczych użytkowników (user-level), które następnie uśrednialiśmy do poziomu kohort, aby uzyskać czytelny i wiarygodny obraz na poziomie grup klientów. Dzięki temu klient mógł już na starcie kampanii testowych dokładnie określić, czy warto zwiększać inwestycje i alokować dodatkowy budżet na rozwój danego rynku.

W modelu uwzględniliśmy m.in. dane o zachowaniach użytkowników w aplikacji (takie jak częstotliwość użycia, ścieżki działań, interakcje z kluczowymi funkcjami), rodzaj kampanii oraz istotne informacje akwizycyjne (kraj, źródło ruchu). Takie kompleksowe podejście pozwoliło na szybkie i precyzyjne prognozy LTV, które były automatycznie aktualizowane w miarę napływu nowych danych. Dzięki temu możliwa była ciągła analiza i optymalizacja kosztów pozyskania nowych klientów oraz lepsze zarządzanie wartością klienta w czasie.

Wykorzystanie zaawansowanych modeli Machine Learning na bazie danych historycznych i bieżących informacji o użytkownikach umożliwiło dokładną predykcję retencji, churn rate oraz przewidywanych przychodów z każdego konta klienta. Takie modele pozwalają nie tylko na oszacowanie LTV nowych klientów, ale także na dynamiczne dostosowanie strategii marketingowej i utrzymaniowej, co przekłada się na wzrost efektywności działań firmy i lepsze wykorzystanie zasobów.

Podsumowując, zastosowanie narzędzi BigQuery ML i zaawansowanych technik analizy danych to skuteczna metoda na tworzenie rzetelnych modeli predykcyjnych LTV, które wspierają podejmowanie decyzji biznesowych i optymalizację kosztów w warunkach ograniczonych danych historycznych.

Podsumowanie: brak danych to nie wyrok

Wchodzisz na nowy rynek? Masz nową kampanię, nowy segment klientów, zero danych?
Nie martw się – to nie znaczy, że jesteś skazany na strzelanie na ślepo.

✔️ Wykorzystaj dane z podobnych rynków jako benchmark.
Na podstawie informacji z rynków o podobnym profilu możesz stworzyć wstępne prognozy LTV i retencji. Takie podejście pozwala na szybką analizę i ocenę potencjału nowego rynku, nawet jeśli brakuje lokalnych danych historycznych.

✔️ Twórz oddzielne segmenty dla rynków z nieznanym zachowaniem.
Segmentacja klientów według rynku i zachowań umożliwia lepszą analizę i przewidywanie LTV. Dzięki temu możesz precyzyjniej planować działania akwizycyjne i zarządzać kosztami pozyskania nowych klientów.

✔️ Przewiduj LTV na podstawie wczesnych sygnałów behawioralnych.
Analiza aktywności użytkowników w pierwszych dniach, takich jak liczba sesji czy wykonane działania, pozwala na prognozowanie retencji i churn rate. Te dane są kluczowe do dokładnej predykcji LTV i planowania dalszych kroków.

✔️ Trenuj modele, które z czasem staną się coraz dokładniejsze.
Wykorzystaj modele Machine Learning do analizy i forecasting danych użytkowników. Modele te na podstawie dostępnych informacji uczą się i zwiększają swoją accuracy, co pozwala na lepsze zarządzanie wartością klienta i optymalizację kosztów utrzymania oraz acquisition.

Podsumowanie: brak danych to nie wyrok

Jeśli Twój zespół planuje ekspansję zagraniczną, ale brakuje Wam narzędzi do modelowania LTV – pomożemy. Budujemy predykcyjne modele LTV w oparciu o dane z aplikacji, kampanii i hurtowni danych (np. BigQuery).

Skontaktuj się z nami i zobacz, jak wykorzystać dane nawet tam, gdzie ich (na pierwszy rzut oka) nie ma.