本文编译自Social Capital关于在SaaS领域如何分析用户增长，创业公司在自己的运营过程中可以借鉴这些分析方法，以密切关注自身成长和不断提升收入增长。分享给大家，希望你会觉得有用！
在上一篇中，我们通过对月活跃用户增长以及挖掘不同潜在用户群的分析，探讨了如何分析用户增长，更好地理解增长动力。今天我们试着将其模式运用到收入增长上进行分析。这对常规收入的计算会极有帮助，例如企业级应用软件（SaaS）或消费者订阅业务。
列举某公司通过月度订阅获得营收为例，为了更细化一些，假设这是一家B2B SaaS公司。对这样的公司而言，月活跃用户（MAU）增长和月常规收入（MRR）增长都是关注点。别忘了我们仍然关注月活跃用户（MAU）分析。如果当月流失用户，那么很可能对应的当月收入也会相应减少。现在，让我们来探究月常规收入（MRR）随时间推移呈不断上升状的图。
上图模拟了月均16%的常规收入增长率
就像分析月活跃用户那样，我们拆分月常规收入的组成部分看看，其中会有些细微差别。对于月活跃用户的分析，区别在于用户是流失还是留存。那么收入呢，用户或许留存或许流失，但当月花的钱可能比上个月多，也可能比上个月少。所以我们不妨拆分出增加收入和减少收入，关注以下两个等式：
MRR（t） = 新用户收入 （t） + 留存用户收入（t） + 唤醒用户收入 （t） +增加收入 （t）MRR（t - 1个月） = 留存用户收入 （t） + 流失用户收入 （t） +减少收入 （t）
如果某用户上月消费了$10，当月消费了$12。我们认为$10是留存用户收入，$2为增加收入，同理可作减少收入。只有当用户当月完全没有消费时，我们才判定为用户流失，而用户再次花费时，我们才判定为用户唤醒。上述等式可重新整理如下：
MRR（t） - MRR（t - 1个月） = 新用户收入 （t） + 唤醒用户收入 （t） +增加收入 （t） – 流失用户收入 （t） – 减少收入 （t）
这五个部分如下图所示：
上图模拟了月常规收入增长
我们再一次计算速动比率，根据月份和用户留存率的不同，MRR速动比率在1到1.5之间波动，此处用户留存率不超过40%。
速动比率 = （新用户收入 + 增加收入） / （流失用户收入 + 减少收入）或者（等式分子/分母同时除以总收入）
速动比率 = （月增长率 + 流失率） / 流失率 = 1 + 月增长率/流失率
回到对消费类APP月活跃用户的分析，速动比率在1.5是不错的数据，但就常规收入而言却不是。
常规性订阅带来的收入视为默认留存，相比较常规性到访的非默认留存。就其本身而言，订阅收入中的用户流失率很低，速动比率很高。
如果你觉得消费者订阅企业（比如Spotify和Netflix）本来用户流失率就不该高，而速动比率本就该高，那么我再举一些例子。相对地，纯消费者交易型零售生意（比如Nordstrom线上平台）月流失用户会比较多，因为用户连续每月消费的动力不足。如果你认为订阅业务依赖于登录及其扩展业务（比如Slack），不免期望很高的增加收入，因为每个用户增加的消费。
对于企业级应用SaaS公司，速动比率大于4会是我们期待的。
如果速动比率小于2，那么用户流失就太多了，需要补救措施。关于企业级SaaS公司的更多研究可以参考恩·哈米德在2015年初所做的分析。如下是部分企业级SaaS公司的实例分析。
恩·哈米德所举SaaS速动比率实例
右侧两个公司是我们的被投企业，左侧两个则不是。左上方A公司讲的一口好故事，说他们的增加收入很多，一定意味着product-market fit良好。然而真实情况却是被减少的收入掏空，导致必须产生月增长收入来抵消月减少收入带来的不利影响，从而产生净增长。
同样推荐鲍比·皮尼罗在Intercom融资过程中所采用的SaaS指标分析法。
如何分析其它因素
我们已经探讨了如何分析月活跃用户和月常规收入，其实对所有一切相关量的分析对生意而言都有必要。假如你做了一个社交消费类APP，觉得仅月活跃用户还远远不够，期望他们每天都能用你的APP。在这种情况下，判定用户的活跃度就不能仅依赖于月活跃分析了，需要知道用户是否日活，通过Facebook的L28就可以帮助做出判断。举例，某用户的L28=10，意味着在过去的28天中活跃天数为10。如果汇总过去一个月内所有用户的L28，就可得到该月的日活跃用户分析。随后可比较当月和次月的L28总数，并做分析。如果用户的L28高于上月数值，则视为增加，反之减少。这就得到了日活跃用户的月度增长分析。
如果不想分析活跃用户或收入，可以尝试分析链接分享（如分享至Twitter）。假如目标在于分享链接至Twitter，你可能需要做一个促使链接转发的活动，可以用上述方法通过对比不同时段用户分享链接数量的多少来分析活动中链接分享的增长。
总的来说，增长分析的框架可适用于任何场景下对用户各方面累积价值（收入、日活跃度、内容贡献等等）。其中存在一个明显的缺陷：流失数据不够细化，不知流失用户是新是老，即无法明晰用户的生命周期。
本文转自d1net（转载）
