Чтобы ответить на вопрос «Сколько пользователей выберут платный тариф, если мы поднимем цену на 20%», нужно провести оценку эластичности спроса, основанную на данных, гипотезах и методах моделирования поведения пользователей. Ниже — пошаговое, подробное описание процесса.

1. Понять текущие условия

Прежде чем прогнозировать последствия повышения цены, необходимо зафиксировать:

• Текущую цену платного тарифа.

• Количество текущих пользователей на этом тарифе.

• Общий объем пользователей (включая бесплатных).

• Процент конверсии из бесплатных в платные.

• Среднюю выручку на одного платного пользователя (ARPU).

• Историю изменения цен, если были подобные прецеденты.

Это — база, на которой строится прогноз.

2. Что такое ценовая эластичность спроса

Ценовая эластичность показывает, как меняется спрос на продукт при изменении его цены. Формула:

E = (% изменение спроса) / (% изменение цены)

Если эластичность E:

• Меньше 1 (неэластичный спрос) — повышение цены незначительно влияет на число покупателей.

• Больше 1 (эластичный спрос) — покупатели чувствительны к изменению цены.

• Равен 1 — прямо пропорциональное изменение.

Например:
Если при росте цены на 20% число покупок упало на 10%, эластичность = 0,5 → спрос неэластичен.
Если упало на 40%, эластичность = 2 → спрос эластичен.

3. Исторические данные и A/B тесты

Самый точный способ получить ответ — провести A/B тестирование, где:

• Группа A видит старую цену (контрольная).

• Группа B видит цену, увеличенную на 20%.

Сравниваются показатели:

• Конверсии в оплату.

• Доля отказов после ознакомления с тарифом.

• Удержание (если модель подписки).

Пример:

• Группа A (1000 пользователей) — 100 покупок (10%)

• Группа B (1000 пользователей, +20% к цене) — 80 покупок (8%)

Значит, при +20% к цене, спрос упал на 20% →
Эластичность = (−20%) / (+20%) = −1

Если тестировать нельзя (ограничения по продукту, времени, рискам), используем альтернативные подходы.

4. Оценка по аналогии / рынку

Можно использовать внешние или внутренние исследования:

• Как вели себя ваши пользователи при предыдущем повышении?

• Что происходит в аналогичных продуктах или рынках?

• Есть ли исследования эластичности для подобного типа цифровых продуктов?

Для SaaS-продуктов или подписок в сегменте B2C средняя эластичность часто варьируется в диапазоне от 0,5 до 2, в зависимости от:

• Сегмента (например, студенты/бизнес).

• Альтернатив (существуют ли бесплатные аналоги).

• Лояльности и зависимости от продукта.

5. Сценарное моделирование

Если данных мало, можно использовать сценарное моделирование. Построим 3 сценария:

Исходные данные:

• Текущая цена: 100₽

• Кол-во платящих: 1000 человек

• Общая аудитория: 10 000 человек

• Конверсия: 10%

Сценарии:

Эластичность	Новая цена	Ожидаемое изменение в спросе	Новое кол-во платящих	Доход
0.5	120₽	−10%	900	108 000₽
---	---	---	---	---
1.0	120₽	−20%	800	96 000₽
---	---	---	---	---
1.5	120₽	−30%	700	84 000₽
---	---	---	---	---

Как видно, при эластичности > 1 доход падает.
При эластичности < 1 — может вырасти, несмотря на меньший объём покупателей.

6. Психология ценообразования

Цифра "20%" может психологически восприниматься по-разному:

• Если старая цена была 99₽, новая 119₽ — это всё ещё "цена до 120", возможна меньшая чувствительность.

• Если было 199₽, стало 239₽ — пользователи могут почувствовать резкий скачок.

• Если фича оправдывает рост цен (новые функции, улучшения) — снижение конверсии может быть минимальным.

Важно учитывать:

• Уровень доверия к бренду.

• Уровень вовлечённости.

• Сообщение о повышении: если заранее и честно объяснено, это снижает отток.

7. Модель churn vs revenue tradeoff

Повышая цену, можно потерять часть пользователей, но всё равно заработать больше. Важно оценить, при каком снижении объема пользователей повышение цены всё ещё выгодно.

Пример:

При цене 100₽:

• 1000 покупателей = 100 000₽
  При цене 120₽:

• Если останется ≥834 покупателей → будет выгоднее
  (т.к. 120 × 834 = 100 080₽)

То есть, даже если 16,6% пользователей уйдут, это всё ещё прибыльнее. Это и есть "порог окупаемости" повышения цены.

8. Методы машинного обучения (опционально)

Если у вас есть лог-данные с информацией о пользователях, поведении, платежах, отказах и т.д., можно построить модель вероятности отклика на изменение цены:

• Регрессия вероятности покупки от цены (логистическая регрессия).

• ElasticNet или XGBoost с параметрами пользователя и ценой как признаками.

• Модель покажет: какие сегменты уходят, а какие остаются.

9. Альтернативы и микротесты

Если прямой A/B тест невозможен, можно протестировать:

• **Новый тариф с большей ценой, но с бонусами.
  **
• **Ограниченный запуск нового ценника на небольшой аудитории.
  **
• **Протестировать в определённом регионе.
  **
• **Тест через таймер/промо: “через неделю цена повысится на 20%” → наблюдать реакцию.
  **

10. Вывод численно (примерная оценка)

Допустим, у вас:

• Текущая конверсия в оплату — 10%

• 10 000 пользователей

• Эластичность = 1.2 (по предыдущему опыту/рынку)

При росте цены на 20%, ожидаем падение спроса на 24% (1.2 × 20%)

Было:
10% × 10 000 = 1000 покупателей

Стало:
1000 × (1 − 0.24) = 760 покупателей

Ответ:
Если цена увеличится на 20%, при эластичности 1.2, число платящих пользователей может упасть примерно до 760 из 1000.

Но финальный результат зависит от поведения именно вашей аудитории и желательно подтверждать его экспериментально.