方案愈多，成長愈快？

摘要

如果你是變現分析師，新方案上線一點也不令人興奮。它意味著要重跑獲利分析、重建方案組合、更新預測，還會讓儀表板上的歷史可比性斷掉。

每次聽到團隊在 Stripe 裡開了新的 product_id 或 price_id，或是推出了新方案，我就知道那代表什麼：接下來幾週，我基本上得把所有東西重做一遍。你知道有些公司最後會累積超過 100 個 product ID（有效或失效）嗎？除了維護 product ID 與 price ID 的分類體系之外，我還得確保方案對應保持一致，分析與報表才會準確。

看了幾年公司成長，也看著方案數量隨 ARR 與客戶數一起長大之後，我發展出一個假設：方案目錄愈多元，成長就愈快。

這個[祕密]假設來自我目前支援的 26 個應用程式，就統計意義而言完全不具代表性。我也找不到任何相關研究或分析，因此很高興能和 ChartMogul 合作——它是 SaaS 與訂閱制領域最大的分析平台之一——用他們的資料來證實或推翻這個想法。然後，神奇的事發生了！✨

以下是我對 8,000 多家公司資料的分析，包含 ChartMogul 團隊提供的歷史成長率與方案資料。資料集經過匿名化，涵蓋範圍很廣，從成熟的企業級 SaaS 到小而高速成長的應用程式都有。目標是檢驗高速成長的公司是否傾向維持更多元的方案目錄。我會看方案數量和成長之間的關係，以及方案愈多是否伴隨更快的成長，或方案愈少是否伴隨更慢的成長。這篇文章會走過資料、方法，以及我們學到的東西。

定價方案：選擇愈多，麻煩愈多

在進入洞察之前，我們先談談方案。

今天的定價方案選項多到數不清——月繳、年繳、季繳、週繳、終身買斷等等。有些公司只提供單一方案，也有公司維持 20 個、50 個甚至更多。定價可以是簡單的單一費率，也可以隨席位數、活躍用戶數、交易量、營收或其他用量指標而變動：

處理方案資料並不容易

對多數 SaaS 企業來說，一致地管理方案是件苦差事。方案通常建立在 Stripe、Adyen、Apple App Store 或 Google Play 這類計費或平台系統裡，而它們處理付款、儲存訂閱資料與匯出資料的方式各不相同。

如果你提供多種付款管道（例如 iOS 與 Android 應用程式），就必須把差異很大的資料來源合併成一份連貫的報表。那份報表得對 ARR、「活躍」客戶、流失等定義保持一致，同時還要能依方案、計費週期、價格與其他屬性做區隔。

這幾乎一定需要一層精密而有彈性的方案對應機制，例如把 Apple 的 product_id 對應到 Stripe 的 price_id，並把 price_564738589 或 IDS_5668 轉換成 pro_49.99_7d_trial 或 lite_69.99 這類看得懂的值。

如果你在使用智慧型 AI 系統，還得提供方案脈絡，例如哪些方案在哪些地區有效、用戶看到的是哪些價格、折扣如何以及何時套用、每個方案屬於哪些漏斗等等。

總的來說，要報表化像方案組合這樣簡單又基本的東西，其實一點都不容易。它需要基礎設施與持續維護。作為分析師，我再怎麼強調也不夠：用專為處理訂閱資料複雜度而設計的工具，會讓這件事輕鬆非常多。當你增加方案時，盡可能讓方案分類與設定保持乾淨、一致，你的分析與報表才會準確。

開始之前：定義、資料與方法

定義與指標

• 方案組合：公司提供的有效定價方案集合，以及客戶在這些方案上的分布。
• 方案期別：方案的計費週期（月、年、3 個月、6 個月等）。
• 客戶：目前訂閱某個方案的有效付費客戶。
• 年資：在 ChartMogul 中觀察到的公司年齡，具體來說就是 ChartMogul 擁有該公司資料的年數。
• ARR：年化營收，依 ChartMogul 的計算。
• 每年 ARR 成長（推導）：ARR 成長 ÷ 年資。
• 客戶成長（推導）：每月淨新增客戶數。
• 成長分數（推導）：以組織為單位、結合 ARR 與客戶成長的分數，權重偏向 ARR（60/40），以避免出現客戶成長很高但 ARR 為零的情況。

資料樣本概覽

• 總樣本：8,193 個組織。
• 至少有一個經常性方案的組織：6,875 個。

經過標準化並剔除資料缺漏或不完整的組織後，最終樣本包含 4,279 家公司，ARR 分布如下：

以下是這些公司的方案組合：

整體來看，54% 的公司提供 10 個或更少的方案，46% 提供 11 個以上。

我沒有直接把方案組合放進模型，但在解讀成長時它仍然重要。有效方案的數量通常會隨著公司成熟、客戶區隔變細、變現手法變得更進階而增加。除了訂閱方案，團隊也能透過加購項目、一次性交易，以及免費增值產品中的廣告來擴大變現。我的分析僅限於方案組合，聚焦在提供了多少個經常性方案、它們的期別，以及它們的分布。

方法論

定義成長的方式有很多種。我從 ARR 成長開始，先算出每家公司的每年 ARR 成長，再依 ARR 成長把公司分成 5 個區隔（使用 k-means）。

接著，我對客戶數做了同樣的分析，因為在 SaaS 裡，營收成長不必然代表客戶成長。 ChartMogul 的資料集很廣，涵蓋各種類型與規模的 SaaS 公司，因此我們同時看得到「兔子」和「大象」，還有一整座動物園（就 Christoph Janz 提出的打造 1 億美元事業的五種方法這個意義而言）。為了處理這一點，我另外建立了每月新客戶數這個成長指標。一如預期，客戶成長看起來和 ARR 成長不一樣：

在我們的樣本中，47% 的公司每年 ARR 成長超過 +27 萬美元，但只有 17% 每月新增超過 10 位客戶。這意味著資料集可能偏向服務大型客戶（「鯨魚」）的公司，或者ARR 成長有相當比例來自擴張收入——而擴張收入往往和提供更多方案相關！

為了建立在規模與年齡差異極大的公司之間也能比較的成長訊號，我同時使用每年 ARR 成長（ARR 成長除以年資）與每月訂戶成長（付費訂戶淨變化除以資料集中觀察到的月數）。接著我把兩者合成單一分數，權重偏向 ARR（60/40）。這給了我們一個簡單的「速度」指標：不是某一個月發生了什麼，而是觀察期間的平均成長率。

接著，我把公司分成 5 個群集：

• 早期爆發（「火力全開！」）：爆炸性成長，每年 ARR 成長超過 +33 萬美元，每月新增 6,000 至 7,000 位客戶。
• 高速成長、走在正軌（「贏下市場」）：強勁成長，每年 ARR 約 +27 萬美元，每月新增 1,000 位以上客戶。
• 成熟但仍在加速（「抱好」／「什麼都別動」）：穩定複利，平均每年 ARR 成長 +16.5 萬美元。
• 停滯的老將（「這行不通」）：動能低落，每年 ARR 成長大約低於 +1,500 美元，且每月新增客戶少於 10 位。
• 衰退中（「轉型簡報即將登場」）：處於收縮的公司，ARR 成長為零或為負。

注意事項： 分組是依合併成長分數（每年 ARR 成長 + 每月訂戶成長）的門檻來指派。其中有一個覆寫規則：如果 ARR 成長與訂戶成長都不為正，該公司無論合併分數多少都會被標為「衰退中」。「早期爆發」則保留給不只分數高、同時也相對年輕的公司，因為在公司生命早期就快速複利，和迭代十年之後才快速複利，意義大不相同。

分析方案資料學到了什麼

1. 方案愈多，通常反映更高、更快的成長。
2. 擴大方案供給與更高的營收、更大的客戶成長呈正相關。推出更多方案的公司往往創造出更多定價與包裝的路徑，這同時有助於變現與獲客。
3. 也有例外。早期爆發的公司往往不論方案策略如何，都展現最快的成長。
4. 增加方案可能不只影響成長的幅度，也影響公司擴張的速度。

我們一一來看。

1. ARR 愈大，公司提供的方案愈多

但別忘了，相關不等於因果。高 ARR 的組織傾向提供更多方案，並不必然代表增加方案就會提高營收。方案的複雜度也可能只是跟在成長後面：公司規模變大時，會為了客戶區隔、企業級包裝、區域定價與組合方案而推出更多層級。換句話說，方案數量可能是動能的結果。要更有信心地說方案數量是驅動因素，我們得比較方案數量不同的公司之間的成長模式。

2. 在所有公司階段，方案愈多都與更高的成長相關

公司的成長率差異很大，受許多因素影響，而大多數因素在這份分析裡無法量化。我們能做的是依成長把公司分組（早期爆發、高速成長、成熟、停滯與衰退），再檢查成長率與方案數量之間的關係在這些組內是否依然強勁：

顯然，不論公司規模或起始 ARR，高速成長公司的方案數平均值與中位數都更高。 為了謹慎，我同時呈現 2 個方案數量指標——一個標準化、一個未標準化——因為分布中有影響力很大的離群值。這個關係在大多數組別都成立，例外是早期爆發組，而這也在預期之內：這些是較新的爆發型公司，年資較短，顯然也就沒那麼多時間擴充方案目錄。

3. 公司加的方案愈多，成長率愈高

現在，我們來看增加更多方案是否反映更好的成長率：

同樣的模式在多數區隔中都成立。持續增加方案——包含新增產品和／或價格點——的公司，往往展現更高的成長：

重點是，成長不只受到早期就擁有多元方案的影響，也受到隨時間持續推出新產品與新定價選項的影響。高速成長的公司往往比停滯或衰退的公司多加相當多方案（超過 10 個），實在很有意思。

4. 方案愈多，影響成長的速度

在年資與速度的脈絡下分析成長，也同樣重要。

舉例來說，A 公司在 60 個月內 ARR 總共成長 100 萬美元，等於每月約 1.66 萬美元。但 B 公司可能在 6 個月內成長 30 萬美元，也就是每月 5 萬美元。B 公司成長得更快，因此在速度上應該排得更前面。

這就是為什麼這份分析聚焦在成長速度，而不只是整體成長。目標是了解提供更多方案，是否不只幫助公司達到更高的 ARR，還能更快達到。

為此，我依據以下三項定義了 5 種類型（區隔）：(a) ARR 成長、(b) 年資、(c) ARR 成長速度：

• arr_growth_total = Max ARR – Min ARR
• tenure_months ≈ (Max Date – Min Date) / 30 days
• arr_growth_per_month = arr_growth_total / tenure_months

最後一個指標是主要的分群依據。它反映 ARR 增加的速度，同時仍把成長幅度納入考量。

由於樣本高度偏斜、離群值很多，我沒有使用 k-means。我想在規模相同的組別之間比較成長速度與方案數量，因此改用百分位分組建立 5 個群集。我用快車主題來命名（據說 ChartMogul 團隊很喜歡 Formula 1）：

如你所見，同樣的模式在這套區隔裡也成立：方案較多的公司不只成長更多，也成長得更快。

5. 其他有趣的發現

除了方案與成長的關係之外，我還學到：

• 成長高度非線性。 多數公司集中在緩慢到中度成長，爆發性成長很罕見。「停滯」是最常見的失敗模式。
• 最強的爆發同時具備兩個訊號。 ARR 與訂戶成長會互相強化。只看到其中一個強，說服力就弱得多。最健康的公司往往在兩個面向都很強。
• 早期爆發是例外。 在最早的爆發階段，公司看起來大致「免疫」於方案數量。方案策略與營收或客戶成長都沒有明顯關係，這些組織的行為更像離群值。
• 方案數量很高也可能代表在測試價格。 雖然方案愈多可以反映實驗與迭代，但這份分析只涵蓋有效方案（不含歷史或已下架的變體）。

最後幾點想法

這份分析我期待了很久。感謝 ChartMogul 團隊支持這項工作，並分享他們的資料。

單靠擴充方案不會創造成長。但在這份資料集裡，方案目錄較廣的公司往往展現更強、更快的成長。最健康的事業能在不降低每位客戶營收的情況下增加訂戶。而良好的方案結構，往往讓這件事成為可能。

方案組合、定價結構、訂戶成長與 ARR 緊密相連——成長較快的公司往往提供更多符合不同客戶類型與需求的方案，支撐更好的區隔與更有效的變現。