在规模达 4,200 亿美元的软件即服务 (SaaS) 行业中，企业的增长往往取决于其衡量、预测和理解未来收入波动的能力——以及应对变化的敏捷度。

SaaS 收入预测能清晰呈现企业收入的获取与流失的情况。若预测得当，其包含的详细信息将为公司各层面的实际决策提供依据，涵盖员工人数统计、定价策略调整等领域。以下为构建 SaaS 收入模型的清晰框架：该框架经得起严格检验，并能随企业发展动态适配。

本文内容

• 什么是 SaaS 收入预测？
  
• 哪些指标对准确的 SaaS 收入预测最为重要？
  
• 如何构建和设计 SaaS 收入预测？
  
• 假设和市场因素应如何影响您的预测？
  
• SaaS 企业在预测收入时面临哪些挑战？
  
• 您应该如何根据 SaaS 收入预测采取行动？
  

什么是 SaaS 收入预测？

SaaS 收入预测是基于数据构建经常性收入走向视图的过程。借助完善的预测流程，SaaS 供应商能够制定合理决策、及早发现问题，并确保团队始终朝着目标推进。

订阅制业务的收入存在波动性，而预测可帮助企业建模并追踪这些波动，避免对未来趋势盲目猜测。通过有根据的预测结果，企业能够提前应对变化，必要时及时调整方向。当客户流失率持续上升时，模型会显示下一季度的潜在损失。当业务扩张势头强劲时，模型能明确可实现的增长规模。

SaaS 的数据密集特性提供了丰富且详细的信号，为精准预测奠定基础。若能合理运用这些数据，预测结果将同时成为企业运营的指导依据。

哪些指标对准确的 SaaS 收入预测最为重要？

要实现精准预测，首先需获取合适的输入数据。SaaS 收入本质上具有动态性，建立在经常性付款、客户留存、业务扩张、缩减及流失等因素之上。因此，SaaS 收入模型必须清晰捕获这些动态变化。

以下是最重要的指标。

每月经常性收入 (MRR)

每月经常性收入用于追踪每月订阅收入，是 SaaS 收入预测的基准指标，计算方式为客户数量乘以平均每位客户月收入。此外，每月经常性收入还包含其他计算类型，追踪新增收入减去流失收入。

每年经常性收入 (ARR)

每年经常性收入模型把增长放在更长的时间跨度里来看，能呈现更完整的画面，因此通常作为向董事会汇报的核心依据。

流失率

流失率指客户取消订阅或降级服务导致的损失，分为客户流失率（即有多少客户离开）和收入流失率（即这些客户带走了多少经常性收入）。流失会迅速累积，因此对其进行预测至关重要。

收入扩张与缩减

收入扩张指通过追加销售、新套餐等方式，从现有用户处获得更多收入。收入缩减则相反，指现有用户降级导致收入减少。单独追踪这两项指标，有助于明确净收入变化的驱动因素。

净收入留存率 (NRR)

净收入留存率综合考虑流失率、缩减和扩张，反映从现有客户处获得的收入规模。若净收入留存率值超过 100%，意味着即使不新增用户，企业仍能实现发展。

客户终身价值 (LTV) 和客户获取成本 (CAC)

客户终身价值与客户获取成本可能不会直接体现在收入预测中，但会影响增长假设的制定。若客户终身价值远高于客户获取成本，可合理设定更快的扩张速度。若没有，预测需要调整节奏。

使用指标（基于按用量定价）

若收入依赖用量（如按 API 调用、席位或千兆字节计费），收入预测需基于用户行为数据。用量趋势、季节性波动及产品参与度均需作为独立输入变量纳入模型。

如何构建和设计 SaaS 收入预测？

可靠的预测需呈现企业收入的获取、留存、增长方式及发展轨迹。以下是构建可行的 SaaS 收入预测模型的步骤。

以数据为模型基础

采用每月经常性收入、流失趋势、用量费率等真实有用的数据，数据来源可包括计费系统、客户关系管理 (CRM) 平台及产品分析工具。必要时可集成各系统，确保预测数据的提取过程简洁且一致。

反映企业收入流转情况

预测时可灵活组合不同模型，使其与收入来源相适配。以销售为核心的 B2B SaaS 企业，与以用量为驱动的基础设施工具类企业，其预测模型必然不同，也无需强行使用同一模式。

SaaS 收入预测通常会结合以下模型：

• 每月经常性收入积累，用于追踪长期基础增长。添加新增每月经常性收入，扣减流失，并叠加扩张和缩减的影响。

• 队列建模，适用于客户生命周期行为差异显著的企业，按客户注册队列追踪留存率与扩张情况。

• 销售主导型团队的销售管道预测。通过未成交商机（按成交概率和销售阶段加权计算）预测未来预订额。

• 用量模型，适用于按量浮动定价模式。根据产品用量趋势或季节性行为进行分析。

明确驱动因素

花时间梳理您的期望，例如，“到第 3 季度，流失率将从 6% 降至 4%”或“销售团队将在下个季度达成 25 万美元的新增每年经常性收入”。所有预期均需辅以合理依据。是否因上季度推出新客户服务方案导致流失率改善？销售预测是否与特定销售管道阶段直接相关？将假设视为团队共识性假设，尽可能明确责任归属——销售团队负责成交率、客户成功团队负责流失率、产品团队负责用量曲线。

经常调整

每月对比实际结果与预测数据。若出现流失率上升或追加销售滞后等情况，则修正预测。预测需随业务发展持续优化，通常会逐步改善。

假设和市场因素应如何影响您的预测？

每个预测都是建立在假设之上。对假设的定义越清晰、与实际输入数据的绑定越紧密，预测模型的实用价值就越高。

考量变化因素

以历史基准数据为基础，结合对未来变化的预判构建模型。

需纳入的变化因素包括：

• 定价调整或套餐变更

• 季节性波动或周期性业务放缓

• 产品上线或路线图延期

• 招聘限制对销售或客户入驻的阻碍

整合市场信号

您的客户群体是否会因融资放缓、监管政策调整等因素受到经济波动的影响？这应该会影响您考虑的情景。需根据可能出现的不同情况，构建多路径预测模型。

对杠杆进行压力测试

开展快速敏感性分析：若客户流失率上升 1%，会导致每年经常性收入损失多少？若追加销售滞后一个季度，将对您的现金流产生何种影响？

良好的预测能帮助您在任何情况下都能快速响应。

SaaS 企业在预测收入时面临哪些挑战？

即便拥有规整的数据和适配的模型，SaaS 收入预测仍存在固有阻碍。以下是团队常遇到的问题。

流失率难以捉摸

预测客户流失率的峰值时间与原因颇具难度，尤其是受季节性波动、用量下滑或客户预算调整等因素影响时。小幅增长会快速累积。

扩张难以预测

追加销售与收入缩减往往取决于难以建模的用户行为（如功能采用率、账户增长、用量上限等）。某一季度的扩张势头并非总能延续至下一季度。

数据分散

计费、客户关系管理 (CRM)、产品用量及流失信号往往未能实时同步。基于孤立数据进行预测，可能导致假设条件遗漏或收入重复统计。

复杂性倍增

按用量定价、多年期优惠、折扣及动态席位数量等因素，会导致收入呈现不同的变化节奏，进而大幅增加追踪难度。

知识孤岛效应

尽管各团队可能各司其职，但仅局限于财务部门的预测会忽略销售、客户成功及产品团队已掌握的信息。跨职能团队的意见能为您的规划提供更全面的信息。

您应该如何根据 SaaS 收入预测采取行动？

预测的价值仅在于驱动行动。要让 SaaS 预测模型真正驱动决策，人员需明确模型所说的内容、数据来源及应用方法。

从故事切入

优先呈现关键信息：

• 我们是领先、滞后还是保持稳定？

• 是哪些假设条件支撑了该预测？

• 存在哪些风险或潜在利好可能改变它？

为团队提供针对性信息。销售团队获取新增目标，客户成功团队获取流失率与扩张预测，产品团队了解与即将发布版本相关的用量假设。

运用您的知识

SaaS 预测模型可全面指导各类决策，用它们来指导招聘工作、支出水平、路线图优先级排序和储备金规划。

保持预测模型的动态更新

定期对比预测结果与实际结果。当输入数据发生变化时及时调整假设条件，并再分享一次。随业务演进更新的预测能赢得所有人的信任，并在实际决策中发挥作用。

Stripe Sigma 助力企业更便捷地挖掘数据洞察、追踪趋势、分析数据模式，深入至交易层面。点击此处了解 Stripe Sigma 的更多信息。