Dynamiczny paywall:
Każdemu czytelnikowi jego bariera
Sztywny metering traktuje pierwszego gościa jak stałego czytelnika tuż przed zakupem. Model propensity decyduje dla każdego czytelnika i artykułu, kiedy paywall się uruchamia - i wyciąga z tych samych kontaktów wyraźnie więcej subskrypcji.
01 Problem - Sztywny metering traci w obie strony
Za wcześnie odstrasza zasięg, za późno marnuje zakupy
Każda sztywna reguła - trzy darmowe artykuły, potem bariera - jest dla większości czytelników błędna: przelotny gość zostaje odstraszony, zanim powstanie więź; wysoko zaangażowany czytelnik miesiącami czyta dalej za darmo, choć dawno byłby gotów płacić. Jedno i drugie kosztuje subskrypcje.
Gotowość do zakupu widać w Państwa danych: częstotliwość wizyt, miks działów, głębokość czytania, urządzenie, status newslettera. NZZ zbudowała z tych sygnałów model z ponad 400 cechami i w ciągu trzech lat pięciokrotnie zwiększyła swoją stopę konwersji. Ta zasada jest przenośna na każde wydawnictwo.
Nie więcej ruchu, nie więcej presji reklamowej: tylko właściwa bariera przy właściwym czytelniku.
02 Model - Prawdopodobieństwo zakupu dla każdego czytelnika i artykułu
Gradient boosting na historii sesji i cechach artykułów, wykonywany w czasie rzeczywistym na paywallu
{'kalt': 0.71, 'warm': 0.24, 'heiss': 0.05}
Erwarteter Uplift vs. fixe Meterung (Backtest): +31%W praktyce ze wskaźnika powstają trzy strefy: zimna - paywall pozostaje otwarty, najpierw budowanie więzi (newsletter, rejestracja). Ciepła - dozowana bariera z ofertą testową. Gorąca - twarda bariera z ofertą w pełnej cenie, bo ci czytelnicy i tak konwertują. Piano mierzy między najwyższym a najniższym segmentem propensity 174-krotną różnicę prawdopodobieństwa zakupu - równe traktowanie jest tu najdroższą opcją.
03 Wpływ na biznes - Więcej zakupów z tego samego ruchu
Dźwignia: 30 procent wzrostu konwersji na dzisiejszej stopie zakupów paywalla
Żadnej liczby z sufitu: każde założenie pochodzi z przykładowego wydawnictwa i jest przechowywane centralnie. Z Państwa realnymi liczbami zmienia się tylko wejście, nie metoda.
| Pozycja | Wartość |
|---|---|
| Kontakty z paywallem / miesiąc | 150.000 |
| Stopa zakupów dziś (0,6 %) → nowe subskrypcje / miesiąc | 900 |
| Baza: Dodatkowe subskrypcje / rok przy +30 % konwersji | 3.240 |
| Dźwignia: Dodatkowe subskrypcje × 7 opłaconych miesięcy w 1. roku × ARPU | 3.240 × 7 × 10,50 € |
| Wynik: dodatkowy przychód / rok | €238.140 |
Założenia przykładowego wydawnictwa - w realnym projekcie Państwa dane zastępują te wartości.
Zephr/Zuora dokumentuje dla dynamicznych paywalli +20 do +40 procent konwersji, benchmark INMA ze sterowaniem propensity +77 do +166 procent, Schibsted z doborem artykułów sterowanym ML +75 procent sprzedaży subskrypcji. Wyliczenie modelowe celowo przyjmuje 30 procent, przy dolnej granicy.
04 Następne kroki w Państwa wydawnictwie
Od wskaźnika do uczącego się zestawu reguł paywalla
Z Państwa danych web analytics i paywalla rekonstruujemy, kto dziś staje przed barierą - i kto tam rezygnuje.
Model działa najpierw równolegle do istniejącego meteringu. Na realnych sesjach zobaczą Państwo, gdzie zdecydowałby inaczej - i lepiej.
Dynamiczna bariera startuje na części ruchu i dowodzi swojego wzrostu w kontrolowanym teście, zanim zostanie przeskalowana.
Co to oznacza dla Państwa wydawnictwa, wyjaśnia nasze doradztwo AI dla wydawnictw.