nomad+22%
VitalisSalud y bienestar
Cómo Vitalis encontró los ingresos ocultos en su base de suscriptores
+19%
ARPU de suscripción · medido frente a un holdout aleatorio
En resumen
Vitalis vende suscripciones de bienestar a una gran base de consumidores, donde se asumía que la mayor parte del growth de ingresos requería nuevos miembros. Markin identificó las oportunidades de upgrade, add-on y reactivación que ya existían en la base y las ejecutó 1:1, elevando el ARPU de suscripción un 19 % en las cohortes tratadas frente a un holdout aleatorizado.
Resultados
Cada decisión lleva un control group+19%
ARPU de suscripción en cohortes tratadas
vs holdout aleatorio, ventana de medición completa
+27%
Upgrades de planes
miembros que pasan a un nivel superior sin descuento
3×
Experimentaciones enviadas al mes
en comparación con el calendario de campañas anterior
Rango anonimizado en despliegues de Markin en grandes bases B2C, leído durante una ventana de medición completa. No es un benchmark de la industria ni un pronóstico para tu base.
De un vistazo
- Sector
- Suscripciones de salud y bienestar
- Mercados
- Europa y LatAm
- Base
- Millones de miembros con planes recurrentes
- Acciones en vivo
- Upgrade, cross-sell de add-on, reactivación, dunning recovery
- Stack
- Warehouse, eventos de producto, Braze, app, Stripe
- Primer uplift medido
- Semana 7
El desafío
Vitalis tenía un negocio de suscripciones saludable y un plan de growth que dependía casi por completo de la adquisición de nuevos miembros. Se asumía que cada euro incremental provendría de fuera de la base, mientras que la propia base se gestionaba con un puñado de emails de lifecycle que no habían cambiado en un año.
La pregunta sobre los ingresos que nadie podía responder era más pequeña y específica: qué miembro está listo para un nivel superior, cuál solo necesita un complemento y cuál está a punto de cancelar por una razón que un descuento no solucionará. Responder esto por miembro, cada semana, a través de millones de suscriptores, estaba más allá de la capacidad analítica del equipo.
Los empujes de upgrade masivos empeoraron el problema: generaron ingresos que habrían llegado de todos modos y acostumbraron a los miembros a esperar promociones.
Lo que hizo Markin
Data and context, intelligence, action01 / Datos y contexto
La suscripción, tal como se utiliza realmente
Markin lee el historial de planes, los eventos de uso y engagement, los resultados de pago y los contactos de soporte donde ya residen, por lo que cada miembro tiene una imagen en vivo del valor recibido frente al valor pagado.
02 / Inteligencia
Oportunidades que el calendario nunca descubrió
La capa de inteligencia dimensiona cada oportunidad en la base , tier upgrade, add-on, reactivación, dunning recovery, y separa a los miembros que convertirían de todos modos de aquellos en los que una acción es verdaderamente incremental.
03 / Acción
Una decisión por miembro, lanzada in situ
Las acciones aprobadas se ejecutan a través de Braze, la app y el flujo de facturación, cada una contra un holdout aleatorizado. Las ofertas que solo canibalizan los ingresos existentes se retiran automáticamente.
Experimentos ejecutados
Hypothesis to measured lift| Hipótesis | Segment | Acción | Canal | Uplift medido |
|---|---|---|---|---|
| Los usuarios intensivos del nivel de entrada hacen upgrade sin descuento | Miembros que superan el uso del nivel de entrada durante dos meses consecutivos | Tier upgrade enmarcado en el valor ya consumido, precio completo | En la aplicación + correo electrónico | +27 % de upgrades |
| Un único complemento relevante supera a un paquete | Miembros con un patrón de uso consistente en una sola categoría | Un complemento que coincide con esa categoría, sin paquete | In-app | +14 % de tasa de adjuntos |
| La mayoría del churn involuntario es un problema de pago, no un problema de valor | Renovaciones fallidas en las primeras 48 horas | Tiempo de reintento específico de la tarjeta más una ruta de actualización de un solo toque | Push + correo electrónico | +21 % de renovaciones recuperadas |
| Los miembros inactivos regresan por un caso de uso, no por una reducción de precio | Miembros cancelados con alto engagement histórico | Reactivación construida alrededor de su programa más utilizado | Correo electrónico + push | +12 % de reactivación |
Cómo se implementó
Semana 0
Base conectada
Datos de plan, uso, facturación y engagement conectados en modo solo lectura. Cohortes históricas reproducidas para dimensionar la oportunidad in-base.
Semana 3
Primeras acciones en vivo
Upgrade y dunning recovery ejecutándose con holdouts, implementados a través de la pila existente.
Semana 7
Primer uplift legible
El ARPU de suscripción registra un +19 % en las cohortes tratadas. Dos promociones generales se retiran por no ser incrementales.
Semana 12
Crecimiento always-on en la base de clientes
Los procesos de upgrade, add-on, reactivación y dunning ejecutándose de forma continua, con nuevas hipótesis introduciéndose semanalmente.
En sus palabras
“Dejamos de asumir que el growth tenía que venir de nuevos miembros. La mayor parte ya estaba dentro de la base, simplemente no podíamos verla miembro por miembro.”
VP de Crecimiento, Vitalis
La stack con la que trabajó Markin
No migration, no new system of recordPreguntas que hacen los compradores sobre este caso
¿Los upgrades tuvieron el coste del churn?
No. El churn se lee en el mismo holdout que los ingresos, por lo que una acción que eleva el ARPU mientras expulsa a los miembros se detecta en la misma ventana de medición y se retira.
How was the Vitalis result measured?
Cada decision lleva asociada un holdout aleatorizado. El uplift citado es la diferencia entre la cohorte tratada y ese grupo de control durante una ventana de medición completa, no una comparación de antes y después.
¿Tuvieron que mover sus datos a Markin?
No. Markin lee del data warehouse, CDP y eventos de producto ya existentes. Nada se copia a un nuevo sistema y nada está bloqueado.
¿Qué equipo lo gestionó día a día?
El equipo de growth existente. Markin realiza el trabajo analítico, un equipo de health and wellness de ese tamaño necesitaría un pod dedicado de data science para producir, y enruta cada acción a las herramientas que ya operan.
¿Cuánto tiempo hasta el primer uplift medible?
Un primer movimiento se activa en unos 30 días y el primer resultado estadísticamente legible llega en las seis semanas siguientes. El impacto escalado suele leerse a los 90 días.
