Монетизация и юнит-экономика: вопросы для собеседования (часть 4)
LTV, CAC, ARPU, payback period, маржинальность — метрики юнит-экономики определяют, жизнеспособен ли бизнес. На собеседовании просят посчитать LTV по когортам, оценить окупаемость канала привлечения или смоделировать влияние изменения цены. Аналитик, понимающий экономику продукта, ценится особенно высоко.
Вопросы 16–20 из 20
16B2B SaaS-сервис продаётся на уровне компании: один аккаунт оплачивает работу всей команды. Какой уровень агрегации обычно корректнее для расчёта ARPU и LTV?
AНа уровне отдельного пользователя, потому что пользователей больше и метрика выглядит стабильнее по выборке
BНа уровне сессии, потому что число сессий точнее отражает фактическую активность аудитории за период
CНа уровне аккаунта компании, потому что решение о покупке и платежи происходят именно на этом уровне
DНа уровне обращений в поддержку, потому что нагрузка на поддержку напрямую связана с выручкой клиента
Ответ: Если платёжная единица — аккаунт компании, то и базовые метрики монетизации логичнее считать на уровне аккаунта.
Когда один контракт покрывает много пользователей, расчёт на уровне пользователя искажает картину: один большой аккаунт даёт сразу много пользователей и большую выручку, и метрика начинает зависеть от структуры клиентов. Уровень аккаунта лучше соответствует реальной бизнес-единице, по которой происходят продление и тарификация. Дополнительно полезно смотреть на использование и среднее число рабочих мест, но базовые ARPU и LTV в B2B чаще считают по аккаунтам. Сессии и обращения в поддержку отражают активность и нагрузку, но не платёжную единицу.
Подробный разбор → 17Вы повышаете цену для существующих подписчиков. В первые 2 недели `ARPU` вырос, но вы опасаетесь роста оттока на продлении. Как правильнее оценить итоговый эффект изменения цены?
AОценивать `LTV` через совместную динамику `ARPU` и оттока на достаточном горизонте, желательно с контролем и по когортам продления
BСделать вывод по первым 2 неделям, потому что `ARPU` уже вырос и эффект стабилен в общей выручке
CСмотреть только конверсию в платящих, потому что это главный показатель эффективности изменения цены для подписчиков
DОценивать только `paywall`-конверсию, ведь именно там подписчики видят изменение цены и принимают решение
Ответ: Рост `ARPU` может быть компенсирован ростом оттока, поэтому решение о цене стоит принимать по `LTV` и удержанию на горизонте продлений.
Повышение цены даёт мгновенный рост денег, но риск — что часть клиентов уйдёт при следующем списании. Если смотреть только короткое окно, отложенный эффект на отток не виден. Правильнее оценивать `LTV` или хотя бы прокси через `ARPU` и отток, сравнивая сопоставимые когорты продления или используя контролируемое раскатывание. Так оценивается чистый эффект, а не только первая волна выручки.
Подробный разбор → 18Маркетплейс: `GMV` = 1 млрд, комиссия платформы 10%. Вы хотите посчитать `ARPU` платформы на одного продавца за месяц. Что должно быть в числителе?
AВесь `GMV`: общая сумма транзакций маркетплейса, ближайшая к понятию выручки бизнеса
BВыручка платформы от комиссии (`take_rate * GMV`): доход, получаемый платформой с транзакций
CКоличество заказов за период: число транзакций как базовый показатель доходности продавцов
DСреднее количество товаров продавца в каталоге: размер витрины как `ARPU` маркетплейса
Ответ: `ARPU` должен считаться по доходу бизнеса: для маркетплейса это обычно комиссия (`take_rate`), а не весь `GMV`.
`GMV` отражает оборот между покупателями и продавцами, но не равен выручке платформы. Доход платформы — это комиссия, то есть `take_rate` умноженный на `GMV`. Если использовать `GMV` в числителе, вы завысите `ARPU` и сделаете сравнения тарификации и `LTV` неверными. Всегда фиксируйте единицы измерения: что считается выручкой, а что — оборотом.
Подробный разбор → 19В отчёте сравнили LTV когорты пользователей января и когорты ноября на конец ноября и сделали вывод, что ноябрь «хуже». В чём ключевая проблема такого вывода?
AУ когорт разный горизонт наблюдения: ноябрьская не успела накопить выручку, сравнивать нужно на одинаковом возрасте
BLTV корректно считается только по всей базе пользователей сразу: разбивка на когорты добавляет шум и завышает поздние когорты
CПри неизменном среднем доходе на пользователя кривая LTV у всех когорт совпадает в любой момент времени по построению
DУ когорт разные источники привлечения по месяцам, и сравнение LTV двух календарных когорт смещено каналом, а не возрастом
Ответ: LTV растёт со временем, поэтому сравнение когорт требует одинакового возраста и единых правил окна.
Январская когорта имела месяцы, чтобы накопить платежи, а ноябрьская — всего несколько недель, поэтому прямое сравнение на одну дату почти всегда смещено. Корректнее сравнивать LTV на одинаковом возрасте когорты (например, на 30-й день) или строить кривые когорт. Иначе можно принять неверные решения по ценообразованию или платному контенту, думая, что новые пользователи стали хуже. Этот принцип критичен для продуктовой аналитики монетизации.
Подробный разбор → 20Вы запускаете пакетную подписку, которая заменяет две отдельные, и ожидаете, что часть пользователей переключится. Как корректнее оценить эффект и риск каннибализации старых подписок?
AСравнить дельту `ARPU` и `LTV` на уникального пользователя между группами с учётом миграций между планами
BСмотреть продажи нового пакета и старых подписок раздельно: рост продаж пакета подтверждает успех инициативы по запуску
CСравнить `ARPPU` покупателей пакета и старых подписок в тот же период без анализа миграций между тарифными планами
DСмотреть на конверсию из показа предложения пакета в покупку: её рост показывает интерес пользователей к новому формату подписки
Ответ: При запуске пакета важно оценивать общий денежный эффект на уникального пользователя, иначе можно не заметить каннибализацию старых подписок.
Рост продаж пакета может быть просто заменой двух подписок на одну, что уменьшит общий доход на пользователя. Поэтому нужно смотреть итоговые деньги на базе (`ARPU`) и, где возможно, влияние на `LTV`, учитывая переключения и дедупликацию на уровне пользователя. Такой подход отражает реальный чистый эффект монетизации, а не популярность нового предложения. Дополнительно полезно анализировать сегменты, потому что каннибализация часто концентрируется в определённых группах.
Подробный разбор → Другие темы: Продуктовая аналитика