Viral coefficient
Auch: K-factor, K, viral factor, virality coefficient, coefficient viral
Die durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.
Worum es geht
Der viral coefficient (oft als K oder K-Faktor geschrieben) misst, wie viele neue Nutzer jeder bestehende Nutzer über Einladungen, Empfehlungen oder geteilte Inhalte bringt. Er fasst Wachstum durch Mundpropaganda in einer einzigen Zahl zusammen.
Die Standardformel lautet:
K = i x c
- i = die durchschnittliche Zahl der Einladungen pro bestehendem Nutzer
- c = die Conversion Rate dieser Einladungen (Anteil, der zu neuen Nutzern wird)
Wenn zum Beispiel jeder Nutzer 10 Einladungen verschickt und 5 % konvertieren, gilt K = 10 x 0,05 = 0,5.
Warum das zählt
Die entscheidende Schwelle liegt bei 1,0:
- K < 1,0: Jede Nutzerkohorte erzeugt weniger Nachfolger als sie selbst umfasst. Das Empfehlungswachstum läuft aus und kommt irgendwann zum Stillstand. Sie brauchen weiterhin paid acquisition, um zu wachsen.
- K = 1,0: Das Wachstum trägt sich selbst, verläuft aber linear.
- K > 1,0: Jeder Nutzer erzeugt mehr als einen neuen Nutzer, was exponentielles (virales) Wachstum bis zur Sättigung ergibt.
Die meisten realen Produkte liegen unter 1,0. Das ist kein Scheitern: Selbst K = 0,5 kann die Customer Acquisition Cost deutlich senken, weil paid und organische Kanäle verstärkt werden. Ein dauerhaftes K > 1,0 ist selten und meist vorübergehend.
Wie es in der Praxis genutzt wird
- Wachstumsmodellierung: Zusammen mit der viral cycle time (wie lange ein Empfehlungsloop dauert) sagt K voraus, wie schnell sich eine Nutzerbasis aufbaut. Kurze Zykluszeiten zählen genauso viel wie ein hohes K.
- Loops diagnostizieren: Da K = i x c gilt, optimieren Teams entweder die Zahl der Einladungen (Produkt-Prompts, Sharing-Hooks) oder deren Conversion (Landing Page, Gestaltung der Incentives).
- Blended growth: Reales Wachstum mischt viral, paid und organisch. Analysten berichten häufig ein effektives K, das alle empfehlungsgetriebenen Anmeldungen einschließt.
Rechenbeispiel
Ein B2B-Tool startet mit 1.000 Nutzern. Jeder Nutzer lädt 4 Kollegen ein, 20 % nehmen an.
- K = 4 x 0,20 = 0,8
- Kohorte 1: 1.000 Nutzer laden ein und bringen 800 neue Nutzer.
- Kohorte 2: diese 800 bringen 640.
- Dann 512, 410 und so weiter.
Die Gesamtzahl der empfohlenen Nutzer konvergiert gegen etwa 1.000 x (0,8 / (1, 0,8)) = 4.000 und stoppt dann. Stiege c stattdessen auf 30 % (K = 1,2), wäre jede Kohorte größer als die vorherige und das Wachstum würde sich ohne natürliche Obergrenze aufschaukeln, bis der Markt gesättigt ist.
Typische Fehler
- K über ein zu kurzes Zeitfenster messen (Empfehlungsloops brauchen Zeit).
- Churn ignorieren, der virale Zugewinne aufzehrt.
- Einen einmaligen Ausschlag mit einem nachhaltigen K > 1,0 verwechseln.
Siehe auch
Häufige Fragen
Wie berechnet man den viral coefficient?
Der viral coefficient, geschrieben als K oder K-Faktor, wird als K = i x c berechnet, wobei i die durchschnittliche Zahl der Einladungen pro bestehendem Nutzer ist und c der Anteil dieser Einladungen, der zu neuen Nutzern konvertiert. Wenn jeder Nutzer 10 Einladungen verschickt und 5 % konvertieren, ist K = 10 x 0,05 = 0,5. Die Zahl sagt Ihnen, wie viele neue Nutzer jeder bestehende Nutzer über Empfehlungen bringt.
Was bedeutet ein viral coefficient unter 1,0 für das Wachstum?
Unter 1,0 erzeugt jede Nutzerkohorte weniger neue Nutzer als sie selbst umfasst, das Empfehlungswachstum läuft also aus und kommt irgendwann zum Stillstand. Sie brauchen weiterhin paid oder organische Akquisition, um zu wachsen. Das ist kein Scheitern: Selbst K = 0,5 senkt die Customer Acquisition Cost deutlich, weil die Kanäle verstärkt werden, für die Sie ohnehin zahlen. Die meisten realen Produkte liegen unter 1,0.
Was ist der Unterschied zwischen viral coefficient und viral cycle time?
Der viral coefficient misst, wie viele neue Nutzer jeder Nutzer bringt; die viral cycle time misst, wie lange ein Empfehlungsloop bis zum Abschluss dauert. K zeigt die Größenordnung des Aufschaukelns, die Zykluszeit die Geschwindigkeit. Ein moderates K mit kurzer Zykluszeit kann ein höheres K mit langsamem Loop überholen, deshalb brauchen Wachstumsmodelle beides.
Wo setzen Sie an, wenn Ihr viral coefficient zu niedrig ist?
Da K = i x c gilt, arbeiten Sie an einem der beiden Terme: der Zahl der verschickten Einladungen pro Nutzer oder deren Conversion Rate. i zu erhöhen heißt, Sharing-Hooks und Produkt-Prompts an den richtigen Momenten einzubauen; c zu erhöhen heißt, die Landing Page der Einladung, die Botschaft und das Incentive zu verbessern. Diese Zerlegung von K zeigt, welche Hälfte des Loops tatsächlich nicht funktioniert.
Wie viele empfohlene Nutzer bringt eine Basis von 1.000 bei einem K von 0,8?
Insgesamt etwa 4.000, dann stoppt das Wachstum. Eine Basis von 1.000 Nutzern, bei der jeder 4 Kollegen einlädt und 20 % annehmen, ergibt K = 0,8: Die erste Kohorte bringt 800 neue Nutzer, diese 800 bringen 640, dann 512, dann 410, und die Reihe konvergiert gegen etwa 1.000 x (0,8 / (1 - 0,8)) = 4.000. Steigt die Annahmequote auf 30 %, liegt K bei 1,2 und jede Kohorte wird größer als die vorherige, bis der Markt gesättigt ist.