摘要
如果你是变现分析师，上线一个新方案根本不算什么好消息。它意味着重跑盈利能力、重建方案组合、更新预测，还会打断所有看板里历史数据的可比性。
每次听说团队在 Stripe 里建了新的 product_id 或 price_id，或者上线了新方案，我就知道这意味着什么：接下来的几周，我基本上得把一切重做一遍。你知道有些公司最后会攒下 100 多个 product ID（在用的加上停用的）吗？除了维护产品 ID 和价格 ID 的分类体系，我还得确保方案映射始终保持一致，这样分析和报表才准确。
看了几年公司成长，也看着方案数量随 ARR 和客户规模一起增长，我形成了一个假设：方案目录越丰富，增长越快。
这个[秘密]假设来自我目前支持的 26 个应用，从统计上讲完全谈不上有意义。我也找不到任何相关的研究或分析，所以很高兴能和 ChartMogul 合作——它是面向 SaaS 与订阅业务最大的分析平台之一——用它的数据来验证或否定这个想法。然后，奇迹真的发生了！✨
下面是我基于 8,000 多家公司数据做的分析，其中历史增长率和方案数据由 ChartMogul 团队提供。数据集已匿名化，覆盖的业务类型很广，从成熟的企业级 SaaS 到小而快的应用都有。目标是检验快速增长的公司是否倾向于维护更丰富的方案目录。我会看方案数量与增长之间的关系：方案更多是否对应更快的增长，方案更少是否对应更慢的增长。这篇文章会带你走一遍数据、方法，以及我们的发现。
Olga Berezovsky 是常驻旧金山的 Analyst-in-Residence 与数据科学家，她通过用户画像聚类、用户生命周期建模以及增长与留存分析，帮助快速增长的订阅制产品把用户行为转化为收入。此前她在 MyFitnessPal、Microsoft、VidIQ 和 First Republic Bank 带领产品分析团队。
她撰写 Data Analysis Journal，这是一份关于数据科学与产品分析的周报，全球有数万名分析师在读。
定价方案：选择越多，麻烦越多
在进入结论之前，我们先聊聊方案本身。
如今的定价方案选项多到数不清——月付、年付、季付、周付、终身买断等等。有的公司只提供一个方案，有的维护着 20 个、50 个甚至更多。定价可以是简单的固定费用，也可以随席位、活跃用户、交易量、营收或其他按量计费的指标而变化：
处理方案数据并不容易
对多数 SaaS 公司来说，把方案管理做得一致是件苦差事。方案通常在计费或平台系统里创建，比如 Stripe、Adyen、Apple App Store 或 Google Play，而它们处理支付、存储订阅数据和导出数据的方式各不相同。
如果你提供多种支付方式（比如 iOS 和 Android 应用），就得把差异很大的数据源合并成一份口径统一的报表。这份报表必须对 ARR、“活跃”客户、流失等采用一致的定义，同时还要支持按方案、计费周期、价格和其他属性做细分。
这几乎总是需要一层成熟且灵活的方案映射，例如把 Apple 的 product_id 映射到 Stripe 的 price_id，并把 price_564738589 或 IDS_5668 转换成 pro_49.99_7d_trial、lite_69.99 这样可读的值。
如果你还要和智能 AI 系统打交道，就得额外提供方案上下文：各地区有哪些方案在售、用户看到的是哪个价格、折扣在什么时候以什么方式生效、每个方案属于哪条漏斗，等等。
总之，要对方案组合这样简单又基础的东西出报表，一点都不容易。它需要基础设施，也需要长期维护。作为分析师，我要再强调一次：用上专门为订阅数据的复杂度而设计的工具，这件事会轻松太多。随着方案越来越多，尽量让方案的分类体系和配置保持干净、一致，你的分析和报表才会准确。
开始之前：定义、数据与方法
定义与指标
- 方案组合：一家公司在售的定价方案集合，以及客户在这些方案上的分布。
- 方案时长：方案的计费周期（月付、年付、3 个月、6 个月等）。
- 客户：当前订阅了某个方案的活跃付费客户。
- 在册年限：在 ChartMogul 中观测到的公司年龄，具体指 ChartMogul 拥有该公司数据的年数。
- ARR：由 ChartMogul 计算的年化收入运行率。
- 每年 ARR 增长（派生指标）：ARR 增长 ÷ 在册年限。
- 客户增长（派生指标）：每月净新增客户数。
- 增长得分（派生指标）：把每家机构的 ARR 增长与客户增长合并成一个得分，按 60/40 向 ARR 倾斜，以避免客户增长很高但 ARR 为零的情况。
数据样本概览
- 样本总量：8,193 家机构。
- 至少有一个经常性方案的机构：6,875 家。
经过归一化并剔除数据缺失或不完整的机构后，最终样本包含 4,279 家公司，ARR 分布如下：
这些公司的方案组合分布如下：
整体来看，54% 的公司提供 10 个或更少的方案，46% 提供 11 个或更多。
我没有直接对方案组合建模，但在解读增长时它依然重要。随着公司走向成熟、客户分层做得更细、变现方式更进阶，在售方案的数量通常会增加。除了订阅方案，团队还可以通过增值模块、一次性交易，以及免费增值产品里的广告来扩展变现。本文的分析只涉及方案组合，关注的是提供了多少经常性方案、它们的时长以及分布情况。
方法论
定义增长的方式有很多。我先从 ARR 增长入手，为每家公司计算每年 ARR 增长，再按 ARR 增长用 k-means 把公司聚成 5 组。
接着我对客户数量做了同样的分析，因为在 SaaS 里，营收增长并不必然意味着客户增长。 ChartMogul 的数据集覆盖面很广，包含各种类型和规模的 SaaS 公司，所以我们既有“兔子”也有“大象”，还有一整个动物园（这里借用的是 Christoph Janz 关于打造 1 亿美元业务的五种方式的说法）。为此我还构建了一个每月新增客户数的增长指标。果然，客户增长的样貌和 ARR 增长不一样：
在我们的样本里，47% 的公司每年 ARR 增长超过 27 万美元，但只有 17% 每月新增客户超过 10 个。这说明要么数据集偏向服务大客户（“鲸鱼”）的公司，要么相当一部分 ARR 增长来自扩张收入——而扩张收入往往与提供更多方案相关！
为了构建在规模和年龄差异极大的公司之间也能比较的增长信号，我同时用了每年 ARR 增长（ARR 增长除以以年计的在册年限）和每月订阅用户增长（付费订阅用户的净变化除以数据集中观测到的月份数）。然后我把两者合成一个得分，权重向 ARR 倾斜（60/40）。这样我们就得到了一个简单的“增长速度”指标：它衡量的不是某个特定月份发生了什么，而是观测窗口内的平均增长速率。
接着我把公司分成 5 个聚类：
- 早期爆发（“火了！”）：爆炸式增长，每年 ARR 增长超过 33 万美元，每月新增客户 6,000 至 7,000 名。
- 稳步快速增长（“正在赢得市场”）：增长强劲，每年 ARR 增长约 27 万美元，每月新增客户 1,000 名以上。
- 成熟但仍在加速（“持有” / “什么都别动”）：稳定复利，年均 ARR 增长 16.5 万美元。
- 停滞的在位者（“这行不通”）：动能不足，每年 ARR 增长大约不到 1,500 美元，每月新增客户不到 10 名。
- 下滑（“转型 PPT 已在路上”）：处于收缩状态的公司，ARR 增长为零或为负。
几点说明：分档依据的是综合增长得分（每年 ARR 增长 + 每月订阅用户增长）的阈值。只有一条例外规则：如果 ARR 增长和订阅用户增长都不为正，无论综合得分如何，这家公司都会被标为“下滑”。“早期爆发”只留给那些不仅得分高、而且相对年轻的公司——毕竟在公司生命的早期快速复利，和在十年迭代之后快速复利，是两件很不一样的事。
分析方案数据后我们学到了什么
- 方案更多，往往对应更高、更快的增长。
- 扩充方案与更高的营收、更大的客户增长正相关。推出更多方案的公司，往往也创造了更多定价与打包的路径，既能支撑变现，也能支撑获客。
- 也有例外。早期爆发的公司往往不论方案策略如何都增长最快。
- 增加方案可能不只影响增长的幅度，还会影响公司扩张的速度。
我们一条条来看。
1. ARR 越大，公司提供的方案越多
但要记住，相关不等于因果。高 ARR 的机构倾向于提供更多方案，并不必然意味着增加方案就能带来更多营收。方案的复杂度也可能只是增长的结果：随着公司扩张，它们会为客户分层引入档位，做企业级打包、区域定价和捆绑组合。换句话说，方案数量可能是动能的产物。要更有信心地认为方案数量是驱动因素，我们需要比较方案数量不同的公司之间的增长模式。
2. 在所有发展阶段，方案更多都与更高的增长相关
公司的增长率差异很大，背后有很多因素，大多数在这份分析里没法量化。我们能做的是按增长把公司分组（早期爆发、快速增长、成熟、停滞和下滑），再看在这些组内部，增长率与方案数量之间的关系是否依然很强：
很明显，无论公司规模或起始 ARR 如何，快速增长的公司在方案数量的平均值和中位数上都更高。 保守起见，我报告了 2 个方案数量指标——一个归一化、一个未归一化，因为分布里存在影响力很大的离群值。这个关系在大多数组里都成立，例外是早期爆发组，这也在预期之内：它们是更新的爆发型公司，在册年限更短，显然也就没有那么多时间去扩充方案目录。
3. 公司增加的方案越多，增长率越高
现在我们来看看，增加更多方案是否对应更好的增长率：
同样的规律在大多数分组里都成立。持续增加方案的公司——包括新增产品和／或新价位——往往表现出更高的增长：
结论是：增长不仅取决于早期就有一批足够丰富的方案，也取决于随时间持续推出新产品和新的定价选项。 特别有意思的是，快速增长的公司往往比停滞或下滑的公司多增加不少方案（超过 10 个）。
4. 方案更多会影响增长的速度
把增长放在在册年限和速度的语境里分析同样重要。
举个例子，A 公司在 60 个月里 ARR 总共增长 100 万美元，相当于每月约 1.66 万美元。而 B 公司可能在 6 个月里增长 30 万美元，也就是每月 5 万美元。B 公司增长更快，所以在增长速度上应该排得更高。
这就是为什么这份分析关注的是增长速度，而不只是总体增长。目的是搞清楚：提供更多方案是否不仅帮助公司达到更高的 ARR，还能更快地达到。
为此，我基于三点定义了 5 个画像（分组）：(a) ARR 增长，(b) 在册年限，(c) ARR 增长速度：
- arr_growth_total = Max ARR – Min ARR
- tenure_months ≈ (Max Date – Min Date) / 30 days
- arr_growth_per_month = arr_growth_total / tenure_months
最后一个指标是主要的聚类依据。它反映 ARR 增长的快慢，同时仍然考虑了增长的幅度。
由于样本严重偏斜、离群值很多，我这次没有用 k-means。我想在规模相同的组之间比较增长速度与方案数量，所以用百分位分组做出 5 个聚类。我按跑车主题给它们起了名字（据说 ChartMogul 团队喜欢 Formula 1）：
可以看到，在这种分组下同样的规律依然成立：方案更多的公司不只是增长更多，而且增长更快。
5. 其他有意思的发现
除了方案与增长的关系，我还发现：
- 增长高度非线性。 大多数公司集中在低速到中速增长，爆发式增长很罕见。“停滞”是最常见的失败形态。
- 最强的爆发会同时给出两个信号。 ARR 增长和订阅用户增长互相强化。只在其中一个上表现强劲，说服力就弱一些。最健康的公司往往在两个维度上都强。
- 早期爆发是个例外。 在最早的爆发阶段，公司似乎基本“免疫”于方案数量。方案策略与营收增长或客户增长都看不出明确关系，这些机构表现得就像离群值。
- 方案数量很多也可能意味着在做价格测试。 虽然方案更多可以体现试验和迭代，但这份分析只基于在售方案（不含历史或已下线的版本）。
最后的想法
这份分析我期待了很久。感谢 ChartMogul 团队支持这项工作，并分享他们的数据。
单靠扩充方案并不会创造增长。但在这份数据集里，方案目录更宽的公司往往表现出更强、更快的增长。最健康的业务能在不降低单客户收入的前提下增加订阅用户。而良好的方案结构往往正是让这件事成为可能的原因。
方案组合、定价结构、订阅用户增长和 ARR 紧密相连——增长更快的公司往往提供更多契合不同客户类型与需求的方案，从而支撑更好的客户分层和更有效的变现。