Skip to content
AppDues
Log in
Contact salesSign up

Mojo: com l'ARPU guia preus, cohorts i detecció d'errors

Mojo, una aplicació d'edició de vídeo social amb seu a París, fa servir l'ARPU com a referència per optimitzar producte, monetització i adquisició. El cas mostra com una font central d'ingressos ajuda a detectar problemes regionals, provar preus locals i mesurar el valor dels usuaris en períodes llargs.

ARPU com a mètrica de referència

L'equip de creixement de Mojo no avalua cada canvi només per instal·lacions o conversions immediates. La pregunta central és quant valor genera cada usuari al llarg del temps i en quin moment apareixen aquests ingressos. Per això l'ARPU i el valor del cicle de vida realitzat serveixen com a llenguatge comú entre producte, direcció i creixement.

Aquesta orientació canvia les decisions diàries. Un experiment de preu no es jutja només el primer dia: es compara per cohorts, per país i per períodes posteriors a la incorporació. Si els ingressos arriben tard, un descompte massa primerenc pot reduir el valor total; si la conversió és baixa en un mercat, el preu local pot ser el primer element a revisar.

Quatre usos pràctics de les dades d'ingressos

Un tauler centralitzat permet aplicar filtres personalitzats i agrupar dades per cohorts. Amb aquesta segmentació, l'equip pot separar finestres de conversió, cicle de vida del client i ubicació. La mateixa vista serveix per a dos usos diferents: detectar anomalies i buscar oportunitats.

Per detectar anomalies, una caiguda d'ARPU en un país concret pot revelar que el mur de pagament no s'ha mostrat en aquella regió després d'un canvi. Per buscar oportunitats, taxes de conversió més baixes en alguns països poden suggerir que el preu és massa alt i que cal un experiment localitzat.

L'equip també observa la distribució temporal dels ingressos. En el cas descrit, aproximadament la meitat dels ingressos nous arribava entre els dies 7 i 14, mentre la resta es repartia entre les tres setmanes i un o dos anys. Aquesta distribució ajuda a calibrar descomptes: oferir-los massa aviat pot canibalitzar ingressos que encara s'haurien pogut desbloquejar.

Cohorts després d'ATT: mesurar valor sense atribució granular

Els canvis de privadesa d'Apple i App Tracking Transparency han dificultat atribuir instal·lacions i interaccions a campanyes concretes. Davant d'aquesta manca de dades granulars, Mojo agrupa els usuaris per data d'adquisició i segueix el valor realitzat en períodes com el dia 14 o fins als sis mesos.

Aquest enfocament permet aïllar una cohort, per exemple la de setembre, i observar com el màrqueting fet al llarg del temps es tradueix en ingressos. Combinat amb les dades d'atribució disponibles, l'anàlisi de cohorts funciona com una referència fiable per protegir el pressupost de màrqueting i comparar canals pel valor que generen, no només per clics o instal·lacions.

Llista de comprovació per aplicar el mateix enfocament

Abans de llançar un canvi de preu o de mur de pagament, defineix la cohort i la finestra de mesura, com ara dia 14 o sis mesos.

Després del llançament, compara l'ARPU per país per separar un problema de presentació d'un problema de preu.

Si la conversió és baixa en un mercat, prioritza un experiment de preu local abans de canviar el producte.

Revisa la distribució d'ingressos per període abans d'avançar descomptes, per no reduir valor futur.

Quan l'atribució és limitada, avalua campanyes pel valor realitzat de cada cohort en períodes posteriors.

Què és Mojo i què ve després

Mojo descriu el seu pròxim objectiu com una expansió cap a l'Àsia i una evolució de l'edició de vídeo mòbil amb IA generativa, mantenint un creixement sostenible. L'aplicació, amb seu a París, està dissenyada per crear contingut de vídeo per a Instagram, TikTok i altres plataformes.

Frequently asked questions

Quina mètrica fa servir Mojo per guiar el creixement?

Mojo treballa amb l'ARPU com a mètrica principal per decidir canvis de producte, preus i adquisició. L'equip agrupa els ingressos per cohorts i finestres de conversió, revisa diferències per país i observa quan arriben els ingressos després de la instal·lació abans d'ajustar descomptes o murs de pagament.

Com es detecta un problema amb el mur de pagament?

Quan l'ARPU baixa en un país concret, l'equip comprova si un canvi recent ha impedit que el mur de pagament es mostrés en aquella regió. Aquest tipus de revisió permet distingir un problema de presentació d'un problema de preu o de conversió.

Com ajuda l'anàlisi de cohorts després d'ATT?

L'anàlisi per cohorts agrupa els usuaris per data d'adquisició i segueix el valor realitzat en períodes posteriors, com ara el dia 14 o fins als sis mesos. Així es pot valorar el rendiment de campanyes sense dependre només de l'atribució granular, especialment després dels canvis de privadesa d'Apple.