nomad+22%
VitalisSanté & bien-être
Comment Vitalis a découvert les revenus cachés dans sa base d'abonnés
+19%
ARPU d'abonnement · mesuré par rapport à un holdout randomisé
En bref
Vitalis vend des abonnements bien-être à une large base de consommateurs où la majeure partie de la growth des revenus était supposée nécessiter de nouveaux membres. Markin a mis en évidence les opportunités de mise à niveau, de module complémentaire et de réactivation déjà présentes dans la base et les a exécutées en 1:1, augmentant l'ARPU d'abonnement de 19 % sur les cohortes traitées par rapport à un holdout randomisé.
Résultats
Chaque décision comporte un groupe de contrôle+19%
ARPU d'abonnement sur les cohortes traitées
vs holdout randomisé, fenêtre de mesure complète
+27%
upgrades de plans
membres passant à un palier supérieur sans réduction
3×
expérimentations expédiées par mois
par rapport au calendrier de campagne précédent
Plage anonymisée sur l'ensemble des déploiements Markin dans de grandes bases B2C, lue sur une fenêtre de mesure complète. Il ne s'agit pas d'un benchmark sectoriel ni d'une prévision pour ta base.
En un coup d'œil
- Secteur
- Abonnements santé & bien-être
- Marchés
- Europe et LatAm
- Base
- Des millions de membres avec des plans récurrents
- Mouvements en direct
- Mise à niveau, cross-sell de module complémentaire, réactivation, recouvrement des impayés
- Pile
- Entrepôt, événements produit, Braze, application, Stripe
- Premier uplift mesuré
- Semaine 7
Le défi
Vitalis avait une activité d'abonnement saine et un plan de growth qui dépendait presque entièrement de l'acquisition de nouveaux membres. Chaque euro incrémental était censé provenir de l'extérieur de la base, tandis que la base elle-même était gérée avec une poignée d'e-mails de lifecycle qui n'avaient pas changé depuis un an.
La question de revenus à laquelle personne ne pouvait répondre était plus petite et plus spécifique : quel membre est prêt pour un palier supérieur, lequel n'a besoin que d'un module complémentaire, et lequel est sur le point d'être perdu pour une raison qu'une réduction ne corrigera pas. Y répondre pour chaque membre, chaque semaine, parmi des millions d'abonnés, dépassait la capacité d'analyse de l'équipe.
Les pushes d'upgrade généralisés ont aggravé le problème : ils ont généré des revenus qui seraient arrivés de toute façon et ont habitué les membres à attendre les promotions.
Ce que Markin a fait
Data and context, intelligence, action01 / Données et contexte
L'abonnement, tel qu'il est réellement utilisé
Markin lit l'historique des plans, les événements d'usage et d'engagement, les résultats de paiement et les contacts de support là où ils se trouvent déjà, de sorte que chaque membre a une image en temps réel de la valeur reçue par rapport à la valeur payée.
02 / Intelligence
Opportunités que le calendrier n'a jamais révélées
La couche d'intelligence évalue chaque opportunité dans la base, mise à niveau de palier, module complémentaire, réactivation, recouvrement des impayés, et sépare les membres qui se convertiraient de toute façon de ceux pour qui une action est véritablement incrémentale.
03 / Action
Une décision par membre, lancée sur place
Les actions approuvées sont exécutées via Braze, l'application et le flux de facturation, chacune contre un holdout randomisé. Les offres qui ne font que cannibaliser les revenus existants sont automatiquement retirées.
Expérimentations exécutées
Hypothesis to measured lift| Hypothèse | Segment | Action | Channel | Uplift mesuré |
|---|---|---|---|---|
| Les utilisateurs intensifs du palier d'entrée réalisent un upgrade sans réduction | Membres dépassant l'usage du palier d'entrée deux mois de suite | Mise à niveau de palier basée sur la valeur déjà consommée, au prix fort | In-app + e-mail | +27 % d'upgrades |
| Un add-on pertinent et unique est plus efficace qu'un bundle | Membres ayant un modèle d'usage constant d'une seule catégorie | Un add-on correspondant à cette catégorie, sans bundle | In-app | +14 % de taux d'attachement |
| La plupart des churn involontaires sont un problème de paiement, pas un problème de valeur | Renouvellements échoués au cours des 48 premières heures | Synchronisation des tentatives de relance spécifique à la carte et un parcours de mise à jour en un clic | Push + e-mail | +21 % de renouvellements récupérés |
| Les membres inactifs reviennent pour un cas d'usage, pas pour une baisse de prix | Membres annulés ayant un historique d'engagement élevé | Réactivation construite autour de leur programme le plus utilisé | E-mail + push | +12 % de réactivation |
Comment cela a été déployé
Semaine 0
Base connectée
Données de plan, d'usage, de facturation et d'engagement connectées en lecture seule. Cohortes historiques rejouées pour évaluer l'opportunité dans la base.
Semaine 3
Premières actions en direct
Mise à niveau et recouvrement des impayés exécutés avec des holdout, via la pile existante.
Semaine 7
Premier uplift lisible
L'ARPU d'abonnement affiche +19 % sur les cohortes traitées. Deux promotions généralisées sont retirées car non-incrémentales.
Semaine 12
growth continue dans la base de clients
Mouvements de mise à niveau, de module complémentaire, de réactivation et de recouvrement des impayés fonctionnant en continu, avec de nouvelles hypothèses introduites chaque semaine.
Selon leurs mots
“Nous avons cessé de supposer que la growth devait provenir de nouveaux membres. La majeure partie était déjà à l'intérieur de la base, nous ne pouvions simplement pas la voir membre par membre.”
VP Croissance, Vitalis
La stack avec laquelle Markin a travaillé
No migration, no new system of recordQuestions posées par les acheteurs à propos de ce cas
Les upgrades se sont-ils faits au détriment du churn ?
Non. Le churn est lu sur le même holdout que les revenus, donc une action qui augmente l'ARPU tout en poussant les membres à partir est détectée dans la même fenêtre de mesure et retirée.
How was the Vitalis result measured?
Chaque décision comporte un holdout randomisé. L'uplift cité est la différence entre la cohorte traitée et ce groupe de contrôle sur une fenêtre de mesure complète, et non une comparaison avant-après.
Ont-ils dû déplacer leurs données vers Markin ?
Non. Markin lit à partir du data warehouse, du CDP et des événements produit déjà en place. Rien n'est copié dans un nouveau système et rien n'est verrouillé.
Quelle équipe l'a géré au quotidien ?
L'équipe growth existante. Markin effectue le travail analytique, une équipe health and wellness de cette taille nécessiterait un pôle data-science dédié pour le produire, et achemine chaque action vers les outils qu'elle opère déjà.
Combien de temps avant le premier uplift mesurable ?
Une première motion est mise en ligne en environ 30 jours et le premier résultat statistiquement lisible arrive dans les six semaines suivantes. L'impact à l'échelle se lit généralement à 90 jours.
