Начали с трафика
До запуска Nandy мы занимались медиабаингом и закупали трафик для крупных брендов, включая ведущий агрегатор такси и один из крупнейших маркетплейсов СНГ.
Этот опыт научил нас работать с большими бюджетами, считать экономику привлечения и принимать решения на основе данных. Но продуктовой экспертизы у нас на тот момент не было.
Идея создать собственное приложение появилась после теста одного из подписочных продуктов: мы привели на него трафик, и кампания окупилась. Стало понятно, что мы можем использовать свою экспертизу в привлечении пользователей и построить вокруг неё собственный бизнес.
Первые версии не окупались
Первый интерфейс мы собрали сами, затем подключили разработчика, команду дизайнеров и медиабайеров. Запустили продукт и начали тестировать воронку.
Первые версии не дали нужного результата. В какой-то момент ROI держался около 80%, тогда как для устойчивой экономики требовалось больше 100%. Пользователи приходили, но продукт не зарабатывал достаточно, чтобы его можно было масштабировать.
Мы меняли онбординг, пейволлы, предложения и рекламные связки. Часть гипотез не давала никакого эффекта. Некоторые улучшали отдельные показатели, но не влияли на итоговую экономику.
Что помогло найти работающую модель
Переломным стал системный анализ приложений, которые уже зарабатывали в нашей категории.
Мы изучали:
как они знакомят пользователя с продуктом;
в какой момент показывают пейволл;
как формулируют предложение;
какие тарифы и пробные периоды используют;
как связывают рекламное обещание с воронкой внутри приложения.
Смысл заключался не в копировании отдельных экранов. Одно и то же решение может работать у лидера рынка и провалиться в продукте с другой аудиторией, ценой или экономикой.
Мы научились определять, какие рыночные решения подходят нашему приложению, адаптировать их под собственную механику и проверять на реальном трафике. Сначала использовали паттерны, уже подтверждённые рынком, затем дополняли их собственными гипотезами и A/B-тестами.
Так сформировался принцип, на котором до сих пор строится наша работа:
Рынок помогает быстрее находить сильные гипотезы. Окончательное решение принимается на данных после эксперимента.
От работающей воронки к бизнесу с выручкой $500K в месяц
По мере роста пришлось разбираться уже не только с онбордингом и пейволлами.
Мы выстраивали аналитику и атрибуцию, проходили ревью App Store, работали с дизайнерами и разработчиками, развивали медиабаинг и собирали команды. Однажды попытка сэкономить на аналитическом инструменте привела к тому, что собственная система показывала нам некорректные данные. Эта ошибка стоила нам больших денег и научила нас проверять качество аналитики до того, как принимать продуктовые решения.
В результате Nandy выросла с нуля до $500 000 выручки в месяц. К этому моменту над продуктом работало несколько команд, а рост превратился в постоянный процесс: данные, гипотезы, эксперименты, результаты и следующий цикл.
Как мы перестроились после отмены IDFA
После изменений IDFA прежняя модель атрибуции перестала работать. Стало сложнее связывать рекламные кампании с оплатами внутри приложения и оптимизировать привлечение по привычным сигналам.
Мы перестроили рекламные связки, перенесли часть монетизации в веб-воронки и заново выстроили атрибуцию. Параллельно пришлось разобраться с требованиями платёжных провайдеров и рисками блокировок.
Проект продолжил работать в новой рыночной реальности. Этот этап научил нас строить систему роста, которая может адаптироваться к изменениям платформ, каналов и правил.
// Nandy можно найти в Sensor Tower. При этом публичные данные не отражают значительную часть выручки после переноса монетизации в веб-воронки: такие платежи находятся за пределами App Store и не учитываются сервисом.
Как из этого опыта появился метод Bloombite
На Nandy мы прошли весь путь подписочного продукта:
привлекали пользователей и тестировали креативы;
искали причины низкой конверсии;
пересобирали онбординг и пейволлы;
выстраивали аналитику и атрибуцию;
улучшали экономику через эксперименты;
адаптировались к изменениям рынка;
масштабировали продукт и команду.
На этом опыте сформировался подход, который мы используем в клиентских проектах:
Собираем достоверные данные по всей воронке.
Находим этап, который сильнее всего ограничивает рост.
Изучаем решения лидеров категории и формируем гипотезы.
Приоритизируем эксперименты по потенциальному влиянию на экономику.
Проверяем изменения на реальных пользователях и принимаем решение по результатам.
Почему этот опыт полезен другим приложениям
Тематика и аудитория у каждого продукта свои. Но путь пользователя в подписочной модели обычно проходит через одни и те же этапы: реклама, страница в сторе или веб-воронка, онбординг, пейволл, оплата и продление.
Мы не переносим готовые решения из одного приложения в другое вслепую. Мы умеем определить, на каком этапе возникает проблема, найти подходящие гипотезы и проверить их влияние на ключевые метрики.
Именно это мы делали в Nandy, когда на кону были наши собственные деньги. Теперь используем тот же подход в работе с вашими приложениями.