# SaaS 客户分析：做出真正决策的框架

> 面向 SaaS 创始人的客户分析框架，涵盖细分、行为、支付意愿、留存驱动因素，以及让分析真正可执行的数据基础设施。
- **Author**: Ayush Agarwal
- **Published**: 2026-06-13
- **Category**: Growth, SaaS, Analytics
- **URL**: https://dodopayments.com/blogs/zh/customer-analysis-framework-saas

---

SaaS 客户分析是一门将原始注册、使用情况和收入数据转化为决策的学科：决定服务谁、如何服务，以及如何为这种关系定价。2026 年，随着 AI 让搭建仪表板的成本降至前所未有的低点，限制因素已不再是生成图表，而是提出正确的问题。做好客户分析，它就是其他所有增长动作的基础；做不好，它只会产出没人愿意看第二眼的虚荣仪表板。

本指南提供了一套 SaaS 客户分析框架，旨在产出可执行的答案，而不只是图表。内容涵盖每个 SaaS 都应分析的细分、行为、支付意愿和留存维度，以及让这项工作成为可能的数据基础设施。

## 客户分析究竟能回答什么

客户分析旨在回答具体的业务问题：

- **我们最好的客户是谁？**（收入、留存、扩展）
- **我们最好的客户有哪些共同点？**（行业、规模、使用场景、行为）
- **我们在哪里流失客户？**（哪些细分群体会流失，哪些功能会推动取消）
- **客户愿意为什么付费？**（定价能力信号、功能限制决策）
- **我们应该把增长预算投入到哪里？**（能带来高质量客户的获客渠道）

如果一个客户仪表板无法帮助回答其中至少三个问题，它就没有发挥应有的价值。

## 维度 1：细分

细分是将客户群体划分为有意义的群组。常见维度包括：

### 1. 企业特征

- 公司规模（员工数、收入）
- 行业垂直领域
- 地理位置
- 职能（工程、销售、财务）

### 2. 行为

- 活跃与非活跃
- 重度用户与一般用户
- 功能采用模式
- 登录频率

### 3. 收入

- ACV 层级（SMB、中型市场、企业）
- 方案（Starter、Pro、Enterprise）
- 客户年限（新客户、成熟客户、长期客户）
- 扩展状态（持平、扩展、降级）

### 4. 获客

- 渠道（自然流量、付费、合作伙伴、推荐）
- 转化路径（试用、演示、销售驱动）
- 转化所需时间

最有用的细分会交叉结合两个或三个维度。例如："通过自然搜索获客，并在 14 天内采用了功能 X 的中型市场 SaaS 客户。"这是一个足够具体、可以据此做出决策的细分。"所有付费客户"则不是。

## 维度 2：行为

客户行为分析，是了解客户在产品中实际做什么，而不是他们声称自己在做什么。

### 关键行为指标

- **激活率**：在 N 天内达到既定激活事件的新注册用户占比
- **功能采用率**：使用各项主要功能的账户占比
- **参与频率**：每位用户每周的会话数或事件数
- **使用深度**：每次会话的事件数、已连接的集成数量、上传的数据量

这些指标的形态会告诉你产品是否兑现了其承诺。一个 80% 的注册用户从未激活的 SaaS，无论产品其他部分做得多好，都存在根本性的引导问题。

### 队列分析

按获客月份（或周）对客户分组，并持续追踪他们的行为。比较不同队列，以识别趋势：

- 新队列的激活速度比旧队列更快还是更慢？
- 功能 X 的采用率是否在各个队列中不断提升？
- 第 30 天留存是否逐个队列改善？

队列分析可以将"产品正在改善"的信号，与"我们只是幸运地获得了一个大客户"的信号区分开来。

## 维度 3：支付意愿

支付意愿分析旨在了解客户认为你的产品有多大价值，以及这种价值如何映射到定价上。大多数 SaaS 定价偏低，是因为创始人离产品太近，无法客观评估其价值。

### 定价能力信号

- **调研中的低价格敏感度**：客户表示价格不是决策因素
- **稳定的付费转化**：在定价实验中，试用转付费率保持稳定
- **频繁扩展**：客户主动升级到更高层级
- **目标细分中的高 NPS**：热情的用户能够接受更高价格

### 定价能力较弱的信号

- **涨价时高流失**：客户选择取消，而不是接受涨价
- **大量使用折扣**：大多数交易都以大幅折扣成交
- **集中在最低层级**：大多数客户集中在最便宜的方案
- **频繁降级**：客户随着时间推移转向更便宜的层级

### Van Westendorp 价格敏感度计

经典的支付意愿调研会询问四个问题：

1. 价格达到多少时，你会认为产品贵到不会购买？
2. 价格达到多少时，你会认为产品很贵，但仍值得考虑？
3. 价格达到多少时，你会认为产品很划算？
4. 价格低到多少时，你会开始怀疑产品的质量？

将回答绘制出来，可以为定价实验提供一个有用的范围。它并非绝对真理，但能揭示出创始人的直觉经常忽略的信号。

> 我们见过的客户分析中，最大的错误，是把"所有客户"当成一个整体。优质客户和不良客户的行为差异如此之大，对两者取平均只会产生毫无意义的数字。
>
> \- Ayush Agarwal，Dodo Payments 联合创始人兼 CPTO

## 维度 4：留存驱动因素

留存分析用于找出留下来的客户与离开的客户之间的差异。这是 SaaS 中杠杆效应最高的分析，因为留存会产生复利效应。

### 客户留存与收入留存

- **客户留存率**：各周期之间保留的客户账户占比
- **总收入留存率**：来自相同账户的留存收入占比（不包括扩展）
- **净收入留存率（NRR）**：包括扩展收入在内的留存收入占比

客户留存率为 90%、NRR 为 130% 的 SaaS 表现非常好。客户留存率为 95%、NRR 为 80% 的 SaaS 则存在一个隐藏问题（客户虽然没有离开，却在降级）。

如需进一步了解留存指标，请参阅[净收入留存率（NRR）](https://dodopayments.com/blogs/net-revenue-retention-nrr)。

### 留存预测因素

基于行为和企业特征数据进行留存回归分析：

- 前 30 天内的哪些行为可以预测 12 个月后的留存？
- 哪些细分群体的留存表现更好？
- 采用哪些功能后，留存会提升？
- 哪些客服互动可以预测取消？

最终产出的是一组可以采取行动的领先指标（针对该行为优化引导流程，将获客目标对准该细分群体，加大对该功能的投入）。

### 流失分析

对于确实流失的客户，记录流失原因：

- 主动流失（客户主动离开）：按客户说明的原因进行细分
- 被动流失（支付失败）：通过[支付重试逻辑](/blogs/payment-retry-logic)和[账户更新服务](/blogs/account-updater-service)解决这一战术性计费问题，后者可以刷新过期卡片
- 降级流失（转向更便宜的方案）：定价或价值信号
- 不活跃流失（从未使用产品）：引导信号

每种类型都需要不同的解决方案。将它们混为一谈，会掩盖真正的问题。

## 维度 5：服务成本

没有服务成本，客户分析就是不完整的。不同类型的客户会产生不同的成本：

- **自助式 SMB**：支持成本低，平均每位客户的工程成本低
- **高接触型企业客户**：支持成本高，工程成本高，而且通常需要定制工作
- **长尾国际客户**：每位客户都会带来支付、合规和税务复杂性

一个每月支付 200 美元、却每月消耗 300 美元支持成本的客户，在规模化时就是亏损客户。定价层级应与各细分群体的服务成本结构相匹配。

对于支付处理和税务合规构成显著单客成本的 SaaS，计费平台的选择会直接影响单位经济模型。像 Dodo Payments 这样的[MoR（名义商户）](https://dodopayments.com/blogs/what-is-a-merchant-of-record)，将支付、税务和合规整合到单项费用中，从而简化单客成本模型。

## 客户分析的数据基础设施

只有底层数据真实存在且可靠，客户分析才能发挥作用。

### 最小技术栈

- **应用数据库**：用户、账户和订阅的事实来源
- **产品分析工具**：行为事件追踪（Mixpanel、Amplitude、PostHog）
- **计费系统**：订阅、收入、扩展和流失数据
- **数据仓库**：整合上述数据，用于跨来源分析（BigQuery、Snowflake、ClickHouse）
- **BI 工具**：可视化和仪表板（Looker、Metabase、Mode）

对于早期 SaaS，数据仓库通常会被暂时跳过。可以直接集成的工具（例如计费工具 + 产品分析工具）能够覆盖基础需求。随着业务增长，队列分析和收入归因会让数据仓库变得必不可少。

### 事件分类体系

定义重要事件，并以一致的方式进行埋点：

- `account_created`
- `activation_event`（根据你的产品定义）
- `feature_x_used`
- `plan_upgraded`
- `subscription_canceled`
- `payment_failed`

事件命名不一致，是客户分析不可靠最常见的原因。一次性定义好分类体系，并确保其得到执行。

## 如何真正使用客户分析

没有决策支撑的客户分析只是装饰。能够产生成果的流程是：

```mermaid
flowchart LR
    A[问题] -->|"数据 + 分析"| B[洞察]
    B -->|"假设"| C[实验]
    C -->|"结果"| D[决策]
    D -.->|"下一个问题"| A
```

每项分析都应从一个具体问题开始，产出具体洞察，形成具体实验，并最终得出具体决策。如果一个仪表板无法推动决策，它就是虚荣仪表板。

## 常见误区

### 1. 对异质细分群体取平均

报告"平均 NRR 为 110%"，会掩盖企业客户 NRR 为 130%、SMB NRR 为 85% 的事实。这两个细分群体需要不同的策略。

### 2. 把少数高声量客户当成大多数

客户访谈很有价值，但会偏向那些愿意交流的客户。对沉默的大多数进行分析，通常能提供更准确的信号。

### 3. 将相关性与因果性混淆

"使用功能 X 的客户留存更好"描述的是相关性。究竟是功能 X 导致留存提升，还是更可能留存的客户更常使用它，这是另一个问题。在押注这一杠杆之前，应通过实验验证因果关系。

### 4. 忽略服务成本

只优化收入而不考虑服务成本，会在规模化时产生亏损客户。进行细分分析时，始终要纳入服务成本。

### 5. 在定义问题之前构建仪表板

没有明确问题支撑的仪表板，通常只会被使用一次，之后便无人理会。先从问题出发，再反向构建仪表板。

## 常见问题

### SaaS 中的客户分析是什么？

客户分析是一门利用客户行为、收入、留存和服务成本数据，来决定服务谁、如何服务以及如何定价的学科。它为获客、产品、定价和留存策略提供依据。

### 最重要的客户分析指标是什么？

不存在单一的最重要指标。最重要的框架是队列留存结合收入扩展（NRR）。两者结合，可以告诉你获取的客户是否有价值，以及他们的价值是否会随着时间推移而提升。

### 客户分析与产品分析有何不同？

产品分析关注使用事件和功能采用情况。客户分析的范围更广：它将产品行为、收入、留存、获客来源和服务成本结合起来，形成对客户群体的统一视图。

### 如何对 SaaS 客户进行细分？

至少交叉使用两个维度：企业特征（规模、行业）和行为（活跃与非活跃、重度用户与一般用户）。再加入收入层级和获客渠道，就能形成可执行的细分。"所有付费客户"很少是有用的细分。

### 客户分析需要什么数据基础设施？

最低要求是应用数据库、产品分析工具和计费系统，而且这些数据都应可查询。对于成熟的分析体系，还需要一个整合三者的数据仓库，以及一个 BI 工具。事件分类体系的一致性比工具选择更重要。

## 结语

优秀的客户分析，决定了 SaaS 创始人是能够自信决策，还是只能凭猜测行事。这项工作并不光鲜，却具有很高的杠杆效应：经过良好细分的行为、留存和支付意愿分析，会为业务中的其他增长动作提供依据。

对于将计费和税务数据作为客户分析基础输入的 SaaS，统一的[计费](https://dodopayments.com/billing)平台能让这项工作更加简单。[Dodo Payments](https://dodopayments.com)通过一次集成提供订阅、用量和税务数据。查看[定价](https://dodopayments.com/pricing)。
---
- [More Growth articles](https://dodopayments.com/blogs/category/growth)
- [All articles](https://dodopayments.com/blogs)