মোবাইল মার্কেটারদের জন্য, কাস্টমার এনগেজমেন্ট প্ল্যাটফর্মের জটিল প্রাইসিং মডেল বোঝা একটি চ্যালেঞ্জ হতে পারে। আপনি কি অতিরিক্ত অর্থ প্রদান এড়িয়ে আপনার অ্যাপের জন্য নিখুঁত প্রাইসিং মডেল নির্ধারণ করতে চান? এই আর্টিকেলে, আমরা আপনাকে বিদ্যমান পদ্ধতিগুলোর সুবিধা এবং অসুবিধাগুলোর মধ্যে দিয়ে গাইড করব।
কাস্টমার এনগেজমেন্ট প্ল্যাটফর্মগুলো প্রয়োজনীয় পরিস্থিতিগুলোর উপর ভিত্তি করে তাদের প্রাইসিং স্তর গঠন করে, যেখানে অ্যাপের পরিপক্কতা এবং তারা যে কাজগুলো সমাধান করতে চায় তা বিবেচনা করা হয়। অন্যতম প্রধান মানদণ্ড হলো অ্যাপের বৃদ্ধির পর্যায়, যা ব্যবহারকারী বা ডিভাইসের সংখ্যার মাধ্যমে পরিমাপ করা যেতে পারে। চলুন বিস্তারিত জেনে নেওয়া যাক।
MAU-এর উপর ভিত্তি করে প্রাইসিং মডেল
অনেক কাস্টমার এনগেজমেন্ট প্ল্যাটফর্ম চার্জিং পদ্ধতি হিসেবে MAU (মান্থলি অ্যাক্টিভ ইউজার) সংখ্যা ব্যবহার করে।
মোবাইল মার্কেটে, MAU বলতে এক মাসের মধ্যে একটি অ্যাপের সাথে যুক্ত হওয়া ইউনিক ব্যবহারকারীর সংখ্যাকে বোঝায়। এনগেজমেন্ট কী গঠন করে তার সংজ্ঞা ভিন্ন হতে পারে, তবে এটি সাধারণত অর্থপূর্ণ ব্যবহারকারীর কার্যকলাপ যেমন অ্যাপ খোলা, লগ ইন করা, কেনাকাটা করা, একটি সেশন সম্পাদন করা বা একটি পেজ দেখার উপর কেন্দ্র করে।
তবে, যখন কাস্টমার এনগেজমেন্ট প্ল্যাটফর্মের কথা আসে, তারা প্রায়শই MAU-এর নিজস্ব ব্যাখ্যা প্রয়োগ করে, যা স্ট্যান্ডার্ড মার্কেট সংজ্ঞা থেকে ভিন্ন হতে পারে বা অতিরিক্ত প্যারামিটার অন্তর্ভুক্ত করতে পারে। এটি লুকানো ফ্যাক্টর এবং জটিলতার দিকে নিয়ে যায় যা ব্যবসাগুলোকে সচেতন থাকতে হবে। চলুন এই ব্যাখ্যাগুলোর গভীরে গিয়ে প্রাইসিং-এর উপর তাদের প্রভাবগুলো আরও ভালোভাবে বোঝা যাক।
১. MAU + ডেটা পয়েন্টের উপর ভিত্তি করে প্রাইসিং মডেল (আসলে, ডেটা পয়েন্টের উপর)
ব্যবহৃত হয়: Braze, CleverTap দ্বারা।
এই পদ্ধতির মধ্যে, প্রাইসিং স্তরগুলো MAU সংখ্যার উপর ভিত্তি করে তৈরি এবং প্রতিটি MAU-এর জন্য ‘ডেটা পয়েন্ট’-এর একটি পূর্ব-নির্ধারিত সীমা অন্তর্ভুক্ত করে।
ডেটা পয়েন্টগুলো ব্যবহারকারীর প্রোফাইলে লগ করা তথ্যের সাথে সম্পর্কিত এবং এতে অ্যাপের মধ্যে বিভিন্ন ব্যবহারকারীর কার্যকলাপ অন্তর্ভুক্ত থাকে: পেজ ভিউ, লিঙ্কে ক্লিক এবং কেনাকাটা — পাশাপাশি ব্যবহারকারীর প্রোফাইলে পরিবর্তন বা অন্য সেগমেন্টে স্থানান্তর।
প্রতিটি MAU-এর জন্য ডেটা পয়েন্টের একটি সীমা রয়েছে, এই বিষয়টি প্রায়শই স্পষ্টভাবে উল্লেখ করা হয় না, তাই সর্বদা প্রোভাইডারের ডকুমেন্টেশন অন্বেষণ করা এবং বিলিং-এ স্বচ্ছতা খোঁজা একটি ভালো ধারণা।
সাশ্রয়ী: এমন অ্যাপগুলোর জন্য যা মূলত এনগেজমেন্ট ক্যাম্পেইনের চেয়ে অ্যানালিটিক্যাল উদ্দেশ্যে কাস্টমার এনগেজমেন্ট প্ল্যাটফর্ম ব্যবহার করে।
বিপরীতে, উচ্চ ব্যবহারকারী এনগেজমেন্ট এবং ঘন ঘন মার্কেটিং পরীক্ষা (A/B/n টেস্টিং, ট্যাগ/সেগমেন্ট পরীক্ষা) সহ অ্যাপগুলোর জন্য ডেটা পয়েন্ট ব্যবহার সঠিকভাবে অনুমান করা চ্যালেঞ্জিং হতে পারে।
উদাহরণ: ধরা যাক, আপনার নির্বাচিত প্ল্যানে, একটি MAU-এর জন্য আপনার ৭০০ ডেটা পয়েন্ট বরাদ্দ আছে। এই ডেটা পয়েন্টগুলো নিম্নরূপ বিতরণ করা যেতে পারে:
- ১০০টি ব্যবহারকারী অ্যাট্রিবিউট যা প্রতি মাসে পরিবর্তিত হয়;
- ৫০টি ইভেন্ট, প্রতিটি ইভেন্টের জন্য ১০টি অ্যাট্রিবিউট সহ, মোট ৫০০ ডেটা পয়েন্ট।
বর্তমানে, এই বরাদ্দ আপনার প্রয়োজনের জন্য যথেষ্ট হতে পারে। কিন্তু যদি এক মাস পরে আপনি নতুন ইভেন্ট সংগ্রহ শুরু করার সিদ্ধান্ত নেন এবং আপনি আর সীমার মধ্যে ফিট না হন? সব মিলিয়ে, এই পদ্ধতির সাথে, আপনি অপারেশনে নিতে পারেন এমন ডেটার পরিমাণে সীমাবদ্ধ।
| 🤔 MAU + ডেটা পয়েন্টের উপর ভিত্তি করে প্রাইসিং মডেলের সীমাবদ্ধতা | ||
|---|---|---|
| ডেটা পয়েন্ট ব্যবহার এবং চূড়ান্ত খরচের জন্য কম পূর্বাভাসযোগ্যতা: ডেটা পয়েন্টের সীমা কখন আপনার প্রয়োজনের জন্য আর যথেষ্ট হবে না তা পূর্বাভাস দেওয়া চ্যালেঞ্জিং – এটি অপ্রত্যাশিতভাবে এবং হঠাৎ ঘটতে পারে। এই চ্যালেঞ্জ মোকাবেলা করার জন্য, আপনাকে দীর্ঘমেয়াদে কাস্টম ইভেন্ট এবং ব্যবহারকারী অ্যাট্রিবিউটের সমস্ত পরিবর্তন পূর্বাভাস দিতে হবে। |
২. MTU (মান্থলি ট্র্যাকড ইউজার)-এর উপর ভিত্তি করে প্রাইসিং মডেল
ব্যবহৃত হয়: MoEngage, Mixpanel, Amplitude, mParticle দ্বারা।
MTU-এর উপর ভিত্তি করে প্রাইসিং মডেল হলো একটি ক্যালেন্ডার মাসের মধ্যে এক বা একাধিক যোগ্যতা অর্জনকারী ইভেন্ট সম্পাদনকারী ব্যবহারকারীর সংখ্যার উপর ভিত্তি করে বিলিং গণনা করার একটি উপায়।
প্রতিটি প্ল্যাটফর্ম তার নিজস্ব মানদণ্ড অনুযায়ী একটি যোগ্যতা অর্জনকারী ইভেন্ট সংজ্ঞায়িত করে। উল্লেখযোগ্যভাবে, সংজ্ঞায় এমন ইভেন্ট অন্তর্ভুক্ত থাকতে পারে যা ব্যবহারকারীরা নিজেরা তৈরি করে না, এবং তাই, তারা এনগেজড ব্যবহারকারীদের প্রকৃত সংখ্যা প্রতিফলিত করে না।
সাশ্রয়ী: যখন একটি প্ল্যাটফর্মের MTU সংজ্ঞা মার্কেটের MAU বোঝার সাথে মিলে যায়। এমন ক্ষেত্রে, মডেলটি ভালো পূর্বাভাসযোগ্যতা প্রদান করে।
| 🤔 MTU-এর উপর ভিত্তি করে প্রাইসিং মডেলের সীমাবদ্ধতা | ||
|---|---|---|
| কম ROI: যেহেতু MTU সংখ্যা এনগেজড ব্যবহারকারীর সংখ্যার সমান নাও হতে পারে, তাই মার্কেটিং ক্যাম্পেইনের ROI কম হতে পারে। |
MAU গণনার ব্যাখ্যার উপর ভিত্তি করে প্রাইসিং মডেলগুলোর চারপাশের সমস্ত অনিশ্চয়তা কাটিয়ে উঠতে, একটি বিকল্প বিকল্প উঠে আসে: ডিভাইস সংখ্যার উপর ভিত্তি করে একটি প্রাইসিং মডেল।
পুশ সাবস্ক্রাইবারের উপর ভিত্তি করে প্রাইসিং মডেল
ব্যবহৃত হয়: Pushwoosh, OneSignal দ্বারা।
এই প্রাইসিং মডেলটি মোট পুশ সাবস্ক্রাইবার (বৈধ পুশ টোকেন সহ ডিভাইস) সংখ্যার উপর ভিত্তি করে একটি কাস্টমার এনগেজমেন্ট প্ল্যাটফর্মের খরচ গণনা করে। ডিভাইস সংখ্যার উপর ভিত্তি করে প্রাইসিং প্ল্যানগুলো সাধারণত আনলিমিটেড ডেটা পয়েন্ট সহ আসে।
সাশ্রয়ী:
- যে অ্যাপগুলো অসংখ্য মার্কেটিং পরীক্ষা চালায় (A/B/n টেস্ট চালানো, একাধিক ট্যাগ এবং সেগমেন্ট তৈরি করা) এবং এই কার্যকলাপগুলোর ফলে অতিরিক্ত ডেটা পয়েন্টের জন্য অতিরিক্ত অর্থ প্রদান এড়াতে চায়।
- যে অ্যাপগুলোর প্রাথমিক এনগেজমেন্ট চ্যানেল পুশ নোটিফিকেশন এবং যারা নিশ্চিত করতে চায় যে তারা শুধুমাত্র পৌঁছানো যায় এমন ব্যবহারকারীদের জন্য অর্থ প্রদান করছে।
উদাহরণ: Pushwoosh-এর বেস প্ল্যানে বিনামূল্যে ১,০০০ পুশ সাবস্ক্রাইবার অন্তর্ভুক্ত রয়েছে এবং প্রতি অতিরিক্ত ১,০০০ সাবস্ক্রাইবারের জন্য প্রতি মাসে $৩ অতিরিক্ত খরচ হয়। পুশ সাবস্ক্রাইবারদের উপর ভিত্তি করে প্রাইসিং মডেল স্বচ্ছতা নিশ্চিত করে এবং ব্যবসাগুলোকে সুচিন্তিত সিদ্ধান্ত নিতে সক্ষম করে।
| ✅ সুবিধা | 🤔 সীমাবদ্ধতা |
|---|---|
| _ পূর্বাভাসযোগ্য বিলিং: অ্যাপগুলোকে তাদের ডেটা পয়েন্ট ব্যবহারের পূর্বাভাস দিতে হয় না; _ পুশ নোটিফিকেশন ক্যাম্পেইনের জন্য উচ্চতর ROI: অ্যাপগুলোকে শুধুমাত্র সেই ব্যবহারকারীদের সংখ্যার জন্য বিল করা হয় যাদের কাছে পুশ নোটিফিকেশনের মাধ্যমে পৌঁছানো যায়। * সমগ্র দর্শকের কাছে অ্যাক্সেস: আপনি যে খরচ প্রদান করেন, তার বিনিময়ে আপনি সমগ্র দর্শকের কাছে অ্যাক্সেস পান এবং পরে যারা অ্যাপের সাথে ইন্টারঅ্যাক্ট করেনি তাদের পুনরায় এনগেজ করতে পারেন, কোনো অতিরিক্ত খরচ ছাড়াই। | * নেভিগেশন অসুবিধা: যেহেতু মোবাইল মার্কেটাররা MAU-এর উপর ভিত্তি করে তাদের এনগেজমেন্ট কৌশল পরিকল্পনা করতে অভ্যস্ত, তাই তাদের জন্য পুশ সাবস্ক্রাইবার সংখ্যার মতো একটি ভিন্ন মেট্রিকের উপর ভিত্তি করে প্রাইসিং স্তরগুলোতে নেভিগেট করা চ্যালেঞ্জিং হতে পারে। |
💡যদিও OneSignal এবং Pushwoosh উভয়ই একটি সাবস্ক্রাইবার-ভিত্তিক পদ্ধতি শেয়ার করে, তাদের ইন-অ্যাপ মেসেজিং প্রাইসিং কৌশলে একটি মূল পার্থক্য দেখা যায়। Pushwoosh-এর নির্দিষ্ট মূল্যের বিপরীতে, OneSignal ইন-অ্যাপ ইম্প্রেশনের জন্য চার্জ করে, যা সম্ভাব্যভাবে খরচের ওঠানামার কারণ হতে পারে। এই পার্থক্যটি বাজেটের পূর্বাভাসযোগ্যতা এবং সীমা ছাড়াই এনগেজমেন্টের গুরুত্ব তুলে ধরে।
আপনার অ্যাপের জন্য সঠিক প্রাইসিং মডেল নির্ধারণ
সুতরাং, একটি প্রাইসিং মডেল কোনো নির্দিষ্ট অ্যাপের জন্য ভালো কাজ করবে কিনা তা নির্ভর করে অ্যাপের এনগেজমেন্ট কৌশল, সেইসাথে তার মার্কেটিং কৌশল এবং আর্থিক পরিকল্পনার নির্দিষ্টতার উপর।
যে অ্যাপগুলো এনগেজমেন্ট ক্যাম্পেইনের চেয়ে অ্যানালিটিক্সের জন্য কাস্টমার এনগেজমেন্ট প্ল্যাটফর্ম বেশি ব্যবহার করে, তারা ডেটা-পয়েন্ট-ভিত্তিক মডেলের সাথে খাপ খাইয়ে নিতে পারে।
MTU-ভিত্তিক প্রাইসিং মডেল অনুমানযোগ্য বিলিং অফার করতে পারে যদি MTU সংজ্ঞায় শুধুমাত্র ব্যবহারকারীদের দ্বারা শুরু করা ইভেন্টগুলো অন্তর্ভুক্ত থাকে।
অবশেষে, যে অ্যাপগুলো মার্কেটিং কৌশল নিয়ে পরীক্ষা-নিরীক্ষা করার সময় এবং পুশ নোটিফিকেশনের মাধ্যমে ব্যবহারকারীদের টার্গেট করার সময় সাশ্রয়ী হতে চায়, তাদের জন্য পুশ সাবস্ক্রাইবারদের উপর ভিত্তি করে প্রাইসিং মডেলটি একটি সর্বোত্তম পছন্দ হিসেবে প্রমাণিত হয়।
আপনার প্রাইসিং নিয়ে বিস্তারিত আলোচনা করতে প্রস্তুত? Pushwoosh টিমের সাথে যোগাযোগ করুন:
Pushwoosh টিমের সাথে যোগাযোগ করুন
Pushwoosh-এর প্ল্যানগুলো তুলনা করুন এবং আপনার জন্য সঠিকটি বেছে নিন:
