为什么移动应用赚钱越来越困难？

　　毫无疑问，移动互联网如今已经进入到了产业的成熟期，成熟期意味着大幅增长的时代已经过去，这背后是用户基数和用户时长逐渐见顶。
　　根据CNNIC数据，截至2020年12月，我国手机网民规模为9。86亿人，占整体网民规模比例达99。7；
　　而根据极光大数据，2021年Q1中国人均单日APP使用时长为5。3小时，同比下降1。4小时。
　　所以，对于行业内的移动开发者而言，单纯追求用户极速增长的跑马圈地时代已经过去，如何对用户进一步精细化运营，提升单个用户的变现价值，是当下能够继续保持增速的关键。
　　今天我们就来聊一聊移动应用变现的话题。
　　一、移动互联网变现方式变迁背后的逻辑
　　我们先来看一看互联网的变现方式有哪些？
　　总体而言，变现方式分成前向付费和后向付费两类，前向付费即向C端用户收费，它主要包括内购、买断、订阅这几种类型；后向付费即向B端商家进行收费，它主要包括广告、电商等；
　　那么问题来了从整体来看，前向收费和后向收费哪一个在互联网领域更加流行呢？
　　答案是后向收费，广告就是一种典型的后向收费方式，而广告毫无疑问是当今互联网第一大商业模式。
　　根据2021年Q2的财报，谷歌广告收入占其总收入的81。5、Facebook广告收入更是占其总收入的98。3；
　　同时我们可以看到一个趋势，越来越多的移动应用在变现方式上都在从前向收费向后向收费转变，比如阅读行业，如今以番茄小说为代表的免费阅读模式已经超越传统的付费阅读成为行业主流。
　　那么，为什么免费的广告变现模式在移动互联网领域变得越来越流行呢？
　　这背后的原因主要基于两点
　　首先，收费是增长的天敌，免费在很大程度上减少了用户的获取成本，一切付费在某种意义上都是指数级超量增长的天敌，WhatsApp在诞生之初向注册用户收费1美元，但很快他们就发现这是一个愚蠢的行为，因为很显然，付费限制了用户的增长；
　　其次，今天的移动互联网的竞争已经变成数据的竞争，而向用户免费向企业收费的策略能在最大程度上吸引用户从而完成数据的积累，数据越丰富，算法就越智能，体验就越好，最终形成一个正向循环。
　　正是基于以上两个原因，基于免费内容的广告变现成为业界越来越受欢迎的变现方式。
　　然而，对于特定内容和特定用户，内购付费依然有其存在的重要意义，依然是一种不可忽视的变现手段，具体应该如何理解呢？
　　我们分别从内容属性和用户属性两个角度来分析
　　先看内容属性，本质上，互联网上的内容总体可以分成两类高唤醒内容和低唤醒内容。
　　高唤醒内容对用户有着强烈的吸引力，能出发强烈情感共鸣，比如热门剧集、热门游戏、热门网络小说、热门课程等。
　　这类内容的特点就是它在用户心智中占据了垄断地位，几乎很难找到代替的内容，因此用户愿意为这些内容付费；
　　另一类内容为低唤醒内容，如大部分的短视频、新闻资讯、社交资讯等。
　　用户对这些内容也很热衷，但他们没有心智上的垄断性，即某条短视频、某条新闻如果不给他看，用户也不会很难受，他自然会去刷其他的短视频和其他新闻，因此用户对这类低唤醒内容的付费意愿就很低；
　　再看用户属性，今天的互联网用户已经出现了非常明显的分化，在移动互联网诞生之前，PC时代的网民大部分没有付费的意识，即习惯了互联网的免费属性并认为免费是天经地义的。
　　然而今天这一状况有了很好的改善，移动网民的付费意愿和之前相比正在加强，这背后主要基于三点
　　第一、新一代网民中出现了一大批在需求层面有更高要求的群体，他们的对效率要求更高、品位更好、更不愿意将就。
　　第二，整体国民收入的提高也为付费习惯的培养提供了经济基础，没错，这一代网民毫无疑问在经济上比第一代要更加充裕。
　　第三，移动支付工具的广泛普及，让在线付费过程变得便捷和无缝，付费不再是一个需要线下或者网银的复杂操作行为；
　　当然，必须要指出的是，愿意付费的用户在比例上无论在移动互联网的哪一个细分赛道上都属于相对少数，庞大的主流人群依然习惯通过看广告获取免费的移动使用体验。
　　所以，正是基于内容的分化和用户的分化，广告和内购付费两种变现方式基本构成了今天移动应用的主要变现方式。
　　二、移动应用开发者在变现上面临的挑战两个单一
　　OK，上面我们从内容层面和用户层面分析了广告和内购付费两种变现方式存在的内在理由。
　　接下来我们一起来看一看今天的移动应用开发者在具体变现问题上遇到的问题和挑战，我总结了成两个单一，即变现方式单一、数据维度单一。
　　首先，先来看变现方式单一。
　　通常一个应用的变现方式是由它的产品定位决定的，因此很多应用通常只有一种变现方式，或者一种单一的方式占据了最主要的收入来源，比如只依赖广告或主要依赖广告，另一些则只依赖内购或主要依赖内购。
　　注意：这两种变现方式要变现效率开发者需要做的动作是存在明显差异的
　　内购型应用会关注自己的产品内容、增值服务、其他权益等的丰富性，从而提升内购付费率和整体内购收入；
　　广告型应用更多会关注广告场景、广告样式的设计，在保证用户体验的前提下，尽可能去提升广告曝光和点击，提升广告整体收益。
　　而通常对于一个具体的应用开发者而言，它的核心能力通常只擅长其中一项，这样导致的结果就是很多开发者在主要变现模式上都已经做到了90分，甚至更高，但在次要变现模式上却只做到了10分、20分。
　　如果它继续投入巨大精力去做已经达到90分的变现方式，必然导致边际收益递减，因为它的天花板有限，做到极致也只有最后10分的提升空间。
　　这是一个非常现实的问题，比如一个应用如果只广告变现，很显然，广告的ARPU值一般只有内购用户的ARPU值的几分之一。
　　这种一刀切的变现方式就忽视了那些愿意付费用户的价值，同时在体验上这些愿意付费的高价值用户也不一定会满意；
　　同样，一个应用如果主要靠内购进行变现，尽管内购的ARPU值更高，但内购用户在整体用户中的比例是很低的，通常不超过10，这意味着，剩下90用户的广告价值就没有被充分挖掘。
　　比如，我所知道的一些主内购变现的开发者，他们对内购的方法论非常精通，对应用的付费卡点、充值门槛、购买刺激点都经历了多轮的设计优化和实验验证。
　　但是在商业化广告的探索上则处于比较初期的阶段，毕竟广告和内购的内在逻辑是存在明显差异的。
　　这就导致他们对于自己不熟悉的广告模式认识不够，甚至可能最基础的广告样式还没有开发齐全，制约了应用的整体变现潜力。
　　其次，再来看数据维度单一。
　　互联网产品的变现归根到底是数据层面的变现，无论是广告还是内购，背后都依赖基于数据构建的用户画像能力，而这恰恰是大多数移动应用开发者所缺乏的，通常垂直的移动应用只专注于一个领域，因此它和用户的交互是相对单一的。
　　比如一款阅读产品只能获取用户的阅读兴趣和行为数据，一款美化类工具产品只能获取用户美颜偏好的行为和数据，一款天气类产品能获取到的有价值的数据就更少了。
　　所以一款应用仅仅依靠自身的数据从而构建一个立体的用户画像在今天几乎是一个不可能完成的任务。
　　而更为关键的是，一个垂直应用对于新用户的画像几乎是一无所知，然而，对新用户的运营和策略是必须在用户进入应用的那一刻就要开始的，否则用户就流失了。
　　比如一个新用户进来，如何知道他是更愿意付费还是更愿意看有广告的免费内容呢？
　　这是一个极其重要的判断，它决定了后续的运营策略，也决定了用户是否会流失。
　　通常面对这种数据缺失的情况，应用开发者只能采取两种办法
　　第一种办法是设置一定时间作为观察期，即给与用户付费和不付费两个选择，通过具体的行为数据进行判断。
　　这种方法的弊端是非常明显的，首先观察期通常采取的是随机策略，必然不是最优的变现方式，因此存在观察期损耗，同时对于观察期误判的用户，流失的概率会非常大。
　　第二种办法是根据已有的简单属性进行最粗颗粒度的分层，比如根据来源渠道、买量计划、设备类型、地域来进行付费意愿的预判。
　　但这个分层方案的缺点也是非常明显，分层的粒度比较粗，比如我们很难说iOS的用户就一定比安卓用户付费意愿更强、北京用户就一定比西安用户更愿意花钱。
　　这种方法能在一定程度上进行前置分层，但最终效果通常很难达到开发者预期。
　　所以，变现方式单一和数据维度单一是摆在开发者变现路上的两个最重要的难点。
　　三、移动应用变现的第二曲线基于充分数据的混合变现模式。
　　那么，应用开发者应该如何解决变现方式单一、数据维度单一这两个变现路上的绊脚石呢？
　　答案是基于充分数据的混合变现模式。
　　这种方式通俗地讲就是基于充分的数据构建的用户画像能力和付费意愿预判能力，对不同用户采取个性化的分层运营，即让愿意付费的用户付费，不愿意付费的用户则展示广告，从而提升用户在整个生命周期的LTV。
　　而要真正做到这一点，它的一个重要前提是精细化的分层运营，即开发者必须能准确地判断和预估这个用户的付费意愿，而这种能力通常仅仅依靠开发者自身很难获取，这时候第三方的价值就显示出来了。
　　事实上，目前业界针对这个问题是有解决方案的，比如穿山甲最近提供了一个针对应用变现的智能分层的服务，这个服务的核心能力就是准确预估用户的付费意愿。
　　注意，这个付费意愿的预估是即时的、前置的，即在新用户激活的那一刻就能给出付费意愿的结果，不需要观察期，不需要长周期的行为数据的积累。
　　那么穿山甲的智能分层是如何做到这一点的呢？
　　原因也很简单，因为它是一个平台，它背后有巨量引擎的海量数据和业界领先的智能算法。
　　一个用户的进来，对于开发者而言是一张白纸，但这个用户在穿山甲的用户画像则是非常完整而丰富的，同时智能分层服务会和开发者进行数据共建，则会进一步完善这种智能分层的准确性。
　　穿山甲的这种智能分层服务本质上是给移动开发者的精细化运营提供大脑，真正为每一个不同的需求的用户提供针对性的体验，在提升用户体验的同时实现内购广告收益的最大化。
　　以阅读行业为例，如果能实现智能分层，就可以准确地根据用户的付费意愿采取不同的产品和运营策略
　　对付费意愿强的用户，推荐更多付费优质书籍，降低广告展示，保证用户体验，提高付费概率；
　　对付费意愿弱的用户推荐更多免费的书籍，适当提高广告展示，提升广告收入。
　　我们来看一个实际的案例快看小说。
　　在变现层面，快看小说原来遇到的变现问题主要是两个
　　首先，无差别出广告会影响整体内购收入，而对所有用户无差别推荐付费书籍，不付费就不愿意阅读，则导致大量不愿意付费的新用户流失，整体留存较差。
　　其次，判断用户付费意愿的难度大，平均观察周期1个月，观察期内，阅读场景中没有广告，新激活7天内无任何广告。
　　为了解决这两个问题，快看小说接入了穿山甲的智能分层服务，在每个用户激活时预估了他的付费概率，并将用户分为低付费率用户及高付费率用户两个部分
　　对高付费率的用户保持原有策略，优先推荐付费书籍，阅读场景中不展示广告场景，但书籍的阅读需要付费解锁；
　　对低付费率的用户则优先推荐免费书籍、内容无需付费，但阅读时会穿插适当的广告。
　　这一策略最终的数据结果被证明是非常优秀的在接入智能分层并进行策略调优后，快看小说实现了整体收入和留存上的双重增长：次日留存提升了25，7日留存提升65，并且新用户整体的7日LTV提升22。
　　快看小说的这一案例是穿山甲智能分层服务为移动开发者实现内购广告收益的最大化的一个缩影。
　　在整体移动市场进入存量博弈的今天，移动开发者之间的竞争早已不再是单纯的自身能力上的竞争，而是整合能力的竞争。
　　谁能整合市场上已有的优秀能力组合成自己的综合竞争力，谁就有可能在激烈的移动竞争中率先突围。