How do you increase ARPU without increasing churn?

By ranking actions on expected incremental revenue net of margin and contact cost, rather than on conversion. An upsell that converts but raises churn risk has a negative expected value once retention is priced in, and it should lose to a cheaper action or to no action at all. This only works if churn effects are read in the same holdout as the revenue effect.

Is ARPU or LTV the right target?

ARPU is the right operating metric because it can be read monthly against a control group. LTV is the right strategic metric but it is a forecast, and forecasts are easy to move by changing assumptions. Use ARPU for decisions and LTV for planning.

How many experiments should a large B2C business run?

As many as the base can support statistically, which for a multi-million customer base is far more than any team can plan. The practical constraint should be statistical power and contact economics, not the number of people available to write briefs.

What is a realistic ARPU improvement to plan for?

Plan on a haircut version of whatever your first holdout-verified cohort produces, and refuse to plan on a number that has not survived a control group. Across Markin deployments the verified range on treated cohorts is +17% to +35% ARPU against a randomised holdout, which is a range across deployments in large B2C bases rather than a forecast for any specific business.

Is Markin a replacement for Braze?

No. Braze is an engagement platform: it builds, personalises and delivers journeys, and BrazeAI Decisioning Studio chooses the best message, channel and timing inside them. Markin sits above that. It decides which commercial opportunity is worth pursuing for each customer in the first place, including opportunities that are not messages at all, such as a pricing change, an onboarding fix or a payment failure. When the answer is a message, Markin launches it through Braze.

How is Markin different from AI decisioning inside an engagement platform?

AI decisioning selects between actions a marketer already created, inside the channels that platform owns. Markin authors the hypotheses itself and is not limited to the campaign surface: marketing, product, pricing and technical health are all in scope. It then executes inside the systems already in place and reads every decision against a randomised holdout, which is how a data science team works rather than how an optimiser works.

No. A CDP unifies and distributes customer data. Markin consumes that data and decides what to do with it. Markin has no ambition to be your source of truth, and it does not require you to replace one. If a CDP or a warehouse already holds customer context, Markin reads from it.

Does Markin replace my data science or growth team?

No. Markin removes the arithmetic constraint on how many hypotheses can be tested, not the judgement about which constraints, economics and risks matter. Teams using Markin move from producing analyses to setting guardrails, interpreting results and deciding what gets scaled.

RESOURCES/Guide

Le modèle opérationnel derrière une croissance soutenue de l'ARPU

L'ARPU stagne parce que le débit de decisioning est fixe, non pas parce que les idées s'épuisent. Une équipe peut planifier, construire et lire une poignée d'expérimentations de revenus par trimestre, de sorte que la base est servie par quelques grands programmes plutôt que par une décision par client. L'augmentation du débit, et non des effectifs, est ce qui fait bouger le chiffre.

Romà Llambés, Co-fondateur, Markin

Mis à jour 4 August 2026 · 10 min de lecture

Demander une démo

Le plateau est arithmétique, pas une question de talent

La plupart des entreprises B2C atteignent le même plafond. L'acquisition fonctionne, le programme de cycle de vie fonctionne, puis l'ARPU stagne pendant six trimestres pendant que l'équipe continue de produire. La raison est rarement une mauvaise idée. C'est que chaque idée doit passer par le même tuyau étroit : quelqu'un doit la dimensionner, définir le segment, la briefer, attendre un créneau de développement, la lancer, et attendre à nouveau pour en lire les résultats.

Quatre à huit expérimentations de revenus significatives par trimestre est un plafond normal pour une équipe solide.
Chacun prend 6 à 10 semaines, de l'idée à un chiffre en lequel tout le monde a confiance.
La majeure partie de ce temps n'est pas consacrée à la réflexion. Il s'agit de récupérer des données, de créer des listes et de rapprocher des rapports.
Ainsi, la base bénéficie de quelques programmes, et tout le reste reste non testé.

Ce qui change concrètement

Le changement de modèle opérationnel est étroit et spécifique. Une seule variable bouge ; tout le reste en découle.

01
Passer des segments aux décisions
Un segment est un compromis fait parce que tu ne peux pas te permettre une décision par personne. Une fois que les décisions sont peu coûteuses, le compromis ne se justifie plus. La même base, décidée individuellement, a un plafond matériellement plus élevé que la même base divisée en cinq segments.
02
Faire de hold une option réelle
L'économie du contact est asymétrique : le coût de la prise de contact avec un client qui allait acheter de toute façon est invisible dans les rapports d'attribution et très visible dans un holdout. Un modèle opérationnel qui ne peut pas produire 'ne rien faire' dépensera de manière excessive en permanence.
03
Rendre l'échec peu coûteux
Si un test raté coûte un trimestre, les équipes ne testent que ce qu'elles s'attendent à gagner, ce qui est exactement l'ensemble des hypothèses contenant le moins d'informations. Quand l'échec ne coûte rien, les hypothèses intéressantes sont exécutées.
04
Gardez le jugement humain
Les Constraints, les seuils de marge, les limites de marque et réglementaires, ainsi que ce qui mérite d'être mis à l'échelle sont des décisions humaines. Le débit ne l'est pas.

Le modèle planifié par rapport au modèle continu

Dimension	Croissance programmée	Croissance continue
Unité de planification	Le trimestre, et une feuille de route des programmes	Le client, et une décision par fenêtre
Qui rédige les hypothèses	Analystes et gestionnaires de croissance, entre autres tâches	Le système, en continu, classé par valeur attendue
Hypothèses testées par trimestre	4 à 8	Des centaines, en parallèle
Ce sur quoi on peut formuler une hypothèse	Principalement des campagnes et des offres	Marketing, produit, tarification et santé technique
Coût de la 500e hypothèse	Un autre analyste, un autre trimestre	Effectivement zéro
Part des décisions avec un groupe de contrôle	Les programmes phares, quand il y a du temps	Chaque décision, par défaut
À quoi l'équipe consacre son temps	Produire des analyses	Définir les garde-fous et décider ce qui passe à l'échelle

Évaluer honnêtement l'opportunité

Les calculs d'ARPU sont séduisants car ils s'appliquent à l'ensemble de la base chaque mois. C'est aussi pourquoi il est facile d'en surestimer l'impact.

Toute projection devrait être réduite avant d'être présentée : BCG constate que 20 % à 40 % de l'augmentation mesurée des Next Best Action ne survit pas à un test de contrôle randomisé, de sorte que le chiffre de planification devrait être inférieur au chiffre rapporté.
Recherche indépendanteBCG, incrementality in personalisation programmes (2026)

Mesure ton propre débit cette semaine

Cinq chiffres. Si tu ne peux pas les produire rapidement, c'est en soi une découverte.

Combien d'hypothèses de revenus ont été testées le trimestre dernier, de bout en bout, avec un bilan ?
Quel était le temps médian entre l'idée et un résultat fiable ?
Quelle part d'entre eux avait un holdout randomisé ?
Combien concernaient autre chose qu'un message ou une offre ?
Combien de programmes actuellement en cours n'ont jamais été vérifiés par rapport à un contrôle ?

Quand ce modèle n'est pas la bonne priorité

Le Product-market fit n'est pas établi. L'optimisation continue d'une proposition encore mouvante gaspille la mesure.
L'entreprise fonctionne avec une poignée de comptes à forte valeur. La décision par client est conçue pour les grandes bases.
La marge est négative au niveau unitaire. L'augmentation du revenu par utilisateur accentue le problème au lieu de le réduire.
Les données sur les résultats arrivent des mois en retard. Le débit ne peut pas dépasser la vitesse de feedback.

Markin est une équipe growth-science autonome pour les grandes entreprises B2C. Il investigue pourquoi les revenus par client sont bloqués, formule ses propres hypothèses à travers le marketing, le produit, la tarification et la santé technique, choisit la Next Best Action pour chaque client, la lance via les systèmes que l'entreprise utilise déjà, et prouve chacune d'entre elles par rapport à un holdout randomisé.

Les outils de decisioning choisissent parmi les actions que ton équipe a déjà mises en place. Markin décide ce qu'il faut construire.

Questions que les gens se posent

Comment augmenter l'ARPU sans augmenter le désabonnement ?: En classant les actions sur le revenu incrémental attendu net de la marge et du coût de contact, plutôt que sur la conversion. Un upsell qui convertit mais augmente le risque de churn a une valeur attendue négative une fois la rétention prise en compte, et il devrait perdre face à une action moins chère ou à aucune action du tout. Cela ne fonctionne que si les effets de churn sont lus dans le même holdout que l'effet de revenu.
L'ARPU ou la LTV est-il la bonne cible ?: L'ARPU est la bonne métrique opérationnelle car il peut être lu mensuellement par rapport à un groupe de contrôle. Le LTV est la bonne métrique stratégique mais c'est une prévision, et les prévisions sont faciles à modifier en changeant les hypothèses. Utilise l'ARPU pour les décisions et le LTV pour la planification.
Combien d'expérimentations une grande entreprise B2C devrait-elle mener ?: Autant que la base peut en supporter statistiquement, ce qui pour une base de plusieurs millions de clients est bien plus que ce qu'une équipe ne peut planifier. La contrainte pratique devrait être la puissance statistique et l'économie du contact, et non le nombre de personnes disponibles pour rédiger des briefs.
Quelle amélioration réaliste de l'ARPU peut-on prévoir ?: Prévois une version réduite de tout ce que ta première cohorte vérifiée par holdout produit, et refuse de prévoir un chiffre qui n'a pas survécu à un groupe de contrôle. À travers les déploiements Markin, la fourchette vérifiée sur les cohortes traitées est de +17 % à +35 % d'ARPU par rapport à un holdout randomisé, ce qui est une fourchette sur les déploiements dans de grandes bases B2C plutôt qu'une prévision pour une entreprise spécifique.

Comparer

Comment cela se présente par rapport aux catégories que tu achètes déjà.

Neutral, side by side reads on where the decision layer sits next to the tools in your stack.

Toutes les comparaisons

Continuer la lecture

D'où viennent les hypothèses

Comment le débit est réellement produit.

Comment Markin mesure l'incrémentalité

Pourquoi la réduction existe.

Calculateur de ROI et d'incrémentalité

Fais le calcul sur ta propre base.

Markin et ton équipe growth

Ce que l'équipe fait une fois que le débit n'est plus la contrainte.

Vocabulaire

Les termes sur lesquels ce guide s'appuie.

Each one is defined on its own page, precisely enough to quote.

Glossaire complet