کار قیمتگذاری دیگر محدود به یک صفحهگسترده، بررسی مالی و ایمیل راهاندازی نیست. تغییر در تیرها یا بستهبندی در زندگی روزمره یک محصول به صورت تیکت پشتیبانی، اعتراض فروش یا افزایش ساکت در لغوها ظاهر میشود. تیمها آن را در لبههای درهم احساس میکنند، جایی که نام طرح با آنچه کاربر انتظار دارد مطابقت ندارد، یا جایی که یک ویژگی جدید پشت دیوار پرداخت قرار میگیرد قبل از اینکه کسی ثابت کند که با جریانهای کاری واقعی مطابقت دارد. به همین دلیل است که قیمتگذاری به یک مشکل محصول تبدیل شده است، و چرا آزمایش به زبانی تبدیل میشود که آن را صادقانه نگه میدارد.
Jyoti Yadav، مدیر ارشد علوم داده در Atlassian که روی Loom کار میکند، در آن واقعیت ساخته میشود. اصل عملیاتی او ساده است: هر تغییر عمده را به عنوان یک وعده قابل آزمایش به کاربران در نظر بگیرید، و شواهد را به اندازه کافی خوانا کنید که محصول، مهندسی، بازاریابی و فروش بتوانند بدون حدس و گمان متعهد شوند.
زمانی که یک آزمون باید رول اور را انجام دهد
همان تغییر به سمت اثبات در صنایع مختلف قابل مشاهده است، زیرا تیمها یاد گرفتهاند که اشتباه با اطمینان چقدر هزینهبر است. در میان خردهفروشان و برندهایی که آزمایش مبتنی بر تحلیل تکنیکال را اجرا میکنند، 46٪ از ایدهها سر به سر نمیشوند یا نمیتوانند فرضیه اولیه را اثبات کنند، که یادآوری تند است که شهود یک برنامه رول اور نیست. این نظم عملی است، نه آکادمیک. در همان تحقیق، 68٪ میگویند که آزمایش به طور معناداری تصمیمات را در مورد آنچه باید عرضه شود، آنچه باید اصلاح شود، و آنچه باید زودتر متوقف شود، تغییر میدهد.
Yadav آن منطق را در محیطی یاد گرفت که ریسکهای عملیاتی قابل مشاهده بودند. در حین کار بر روی رول اور ملی "صبحانه تمام روز" مکدونالد از طریق پلتفرم Test and Learn، او از SQL پیشرفته و پایپلاینهای ETL خودکار برای پردازش دادههای فروش در مقیاس بزرگ و مقایسه فروشگاههای آزمایشی در برابر فروشگاههای کنترل با دقت تطبیق داده شده استفاده کرد. سؤال فقط تقاضا نبود. این جریان آشپزخانه، محدودیتهای تامینکننده، و اینکه آیا اقلام صبحانه سرعت سرویس برای ناهار و شام را کند میکند بود. این تجزیه و تحلیل به افزایش 5.7٪ در فروش یکسان فروشگاه در سهماهه چهارم 2015 کمک کرد و از تغییری حمایت کرد که 1.2 میلیارد دلار درآمد در آن سهماهه ایجاد کرد، که از انتظارات فراتر رفت، در حالی که سازمان کارکنان را برای اجرای منوهای دوگانه در مقیاس بزرگ بازآموزی داد. این یک تغییر ملی با اصطکاک واقعی بود، و دادهها باید از آن اصطکاک جان سالم به در میبردند.
"آزمایشها فقط در صورتی اهمیت دارند که از رول اور محافظت کنند،" Yadav میگوید. "اگر اندازهگیری نادیده میگیرد که چگونه کار واقعاً انجام میشود، شما یک داستان ارسال میکنید، نه یک نتیجه."
قیمتگذاری و بستهبندی در محصولات اشتراک
هنگامی که دیدهاید که چگونه یک رول اور در دنیای واقعی شکسته میشود، دیگر تغییرات اشتراک را به عنوان یک تصمیم صرفاً تجاری در نظر نمیگیرید. در B2B SaaS، بهروزرسانیهای قیمتگذاری و بستهبندی اکنون معمول هستند نه نادر، با 94٪ از شرکتها که قیمتگذاری و بستهبندی را حداقل یک بار در سال بهروزرسانی میکنند و نزدیک به 40٪ این کار را به همان اندازه یک بار در هر سهماهه انجام میدهند. این سرعت حکمرانی را در اطراف آزمایشها اجتنابناپذیر میکند. وقتی تیمها تیرها را به این فراوانی تنظیم میکنند، هزینه اندازهگیری نامشخص نظری نیست. این به ریزش مشترک، تخفیف و سردرگمی داخلی تبدیل میشود که هر سهماهه مرکب میشود.
Yadav آن سرعت را در طول بازسازی کامل قیمتگذاری و بستهبندی Loom پس از خرید Atlassian اعمال کرد. او یک تیم شش نفره از دانشمندان داده را رهبری کرد و یک سنتز متا داده دو سالانه ساخت تا تحلیلها را یکپارچه کند، ذینفعان را هماهنگ کند، و چرخشهای نقشه راه را با دیدگاه مشترک از ریسک و سود هدایت کند. این کار نیاز به متعادل کردن ارزش ویژگیهای جدید هوش مصنوعی، از جمله حق بیمه 33٪ برای Business plus AI، در برابر نگهداری و پیچیدگی بستهبندی داشت، سپس ترجمه آن معاملات به تیرهای قیمتگذاری مانند Business در 12.50 دلار در ماه و طرحهای Enterprise که میتوانند به 10 هزار دلار سالانه برسند. راهاندازی همچنین باید احترام میگذاشت که چگونه Loom قبلاً در مقیاس استفاده میشد، از جمله 49 میلیون ویدیوی ایجاد شده با Loom AI، زیرا تصمیمات بستهبندی متفاوت است زمانی که استفاده قبلاً عادت شده است. همان دقت زیربنای کار او فراتر از Loom به عنوان عضو هیئت تحریریه و بررسیکننده همتا در SARC Journal of Technology Perception و Journal of Economics Intelligence And Technology است، جایی که او تحقیقات کاربردی و تصمیمگیری مبتنی بر داده در مقیاس را ارزیابی میکند. کار "تعیین قیمت" نبود. این بود که تغییر را در سراسر عملکردها قابل دفاع کند.
"بستهبندی جایی است که استراتژی برای مشتریان واقعی میشود،" Yadav میگوید. "اگر نتوانید توضیح دهید که چرا یک تیر وجود دارد، در نهایت باید از آن در رشتههای پشتیبانی و تمدیدها دفاع کنید."
اثبات ارزش هوش مصنوعی قبل از دریافت هزینه برای آن
همانطور که تیمها قابلیتهای هوش مصنوعی را به محصولات اضافه میکنند، فشار برای کسب درآمد زودهنگام میتواند از آنچه در استفاده اثبات شده است پیشی بگیرد. آن شکاف در بازار ظاهر میشود. در تلاشهای هوش مصنوعی سازمانی، 74٪ از شرکتها هنوز به ارزش ملموس در مقیاس دست نیافتهاند، و تنها 26٪ قابلیتهای لازم برای حرکت فراتر از پایلوتها را توسعه دادهاند. این اعداد علیه هوش مصنوعی استدلال نمیکنند. آنها برای اندازهگیری که در مورد پذیرش، مطابقت جریان کاری، و تفاوت بین تازگی و عادت صادق است استدلال میکنند.
کار راهاندازی Loom AI توسط Yadav حول این تمایز ساخته شد. او یک تیم از دانشمندان داده را از طریق تجزیه و تحلیل PNL و آزمایش رهبری کرد، توصیه نهایی را هدایت کرد، و از راهاندازی که درآمد سالانه تکرارشونده را به میزان 2.85 میلیون دلار در سال افزایش داد حمایت کرد. سیگنالهای پذیرش به عنوان شواهد محصول در نظر گرفته شدند، نه تزئین بازاریابی، با 67٪ از کاربران که از عناوین تولید شده توسط هوش مصنوعی استفاده میکنند و 73٪ گزارش میدهند که مجموعه هوش مصنوعی بسیار ارزشمند است. اینها نوع نرخ استفادهای هستند که نحوه فکر کردن یک تیم محصول را در مورد اینکه هوش مصنوعی کجا متعلق است و چگونه باید بستهبندی شود، تغییر میدهند، زیرا آنها درباره رفتار تکرار صحبت میکنند، نه یک کلیک یک بار. این یک تمرین انتزاعی نبود. این ارسال شد.
"ویژگیهای هوش مصنوعی قیمت خود را به همان روشی که هر ویژگیای میکند به دست میآورند،" Yadav میگوید. "شما تماشا میکنید که مردم چه کاری را به طور مکرر انجام میدهند، سپس تصمیم میگیرید که چه چیزی ارزش پرداخت را دارد."
نگهداشتن تیمهای جهانی هماهنگ در یک نسخه از حقیقت
پس از یک راهاندازی هوش مصنوعی و بازسازی قیمتگذاری، سختترین بخش اغلب تجزیه و تحلیل نیست. این است که تیمهای جهانی را وادار کنید تا در مورد معنای تجزیه و تحلیل توافق کنند. در الگوهای کاری مدرن، افراد 275 بار در روز توسط جلسات، ایمیلها و پینگها قطع میشوند، و حدود 30٪ از جلسات اکنون چندین منطقه زمانی را در بر میگیرند. این یک محیط وحشیانه برای تصمیمات دقیق است. وقتی روایت با هر جلسه تغییر میکند، تیمها دیگر به اعداد اعتماد نمیکنند و شروع به بهینهسازی برای بلندترین اتاق میکنند.
کار Yadav در Loom مستقیماً در آن زمینه قرار داشت، زیرا محصول پاسخی به اصطکاک هماهنگی است. به عنوان بخشی از رشد Loom و جریانهای کاری کمکشده توسط هوش مصنوعی، پلتفرم به 88 میلیون ویدیوی ضبط شده در 2024 رسید و نیاز به 202 میلیون جلسه را کاهش داد، مقیاسی که "هماهنگی" را بیش از یک ترجیح فرهنگی میکند. این به یک نیاز عملیاتی تبدیل میشود. رویکرد او بر سنتز تکرارپذیر و خروجیهای آزمایش واضح تأکید داشت تا ذینفعان بتوانند تغییرات را بدون مجادله مجدد در مورد اصول اولیه در هر منطقه زمانی ارزیابی کنند. ادغام با اکوسیستم Atlassian نیز استاندارد ثبات را بالا برد، زیرا انتظارات قیمتگذاری، بستهبندی و ویژگی هوش مصنوعی دیگر در داخل یک مرز محصول واحد زندگی نمیکنند. نکته این بود که یک حقیقت مشترک را حفظ کنید حتی زمانی که تصمیمات در سراسر عملکردها حرکت میکردند.
"دادهها به خوبی حرکت نمیکنند وقتی هر تیم نسخه خود را دارد،" Yadav میگوید. "کار شما این است که شواهد را قابل حمل کنید، بنابراین تصمیم ثابت بماند."
آزمایشی که درآمدزایی را صادقانه نگه میدارد
اقتصاد اشتراک پیشبینی میشود 67٪ طی پنج سال آینده رشد کند، از 722 میلیارد دلار در 2025 به 1.2 تریلیون دلار تا 2030 افزایش یابد، که ریسک تصمیمات قیمتگذاری را که از اعتماد محافظت میکنند افزایش میدهد. در عین حال، شرکتهای جهانی انتظار میرود 307 میلیارد دلار در راهحلهای هوش مصنوعی در 2025 سرمایهگذاری کنند، با هزینهای که انتظار میرود تا 632 میلیارد دلار تا 2028 برسد، سرعتی که ویژگیهای هوش مصنوعی را به تصمیمات بستهبندی سوق میدهد چه تیمها آماده باشند یا نه. مزیت متعلق به سازمانهایی خواهد بود که آزمایش را استاندارد میکنند تا تیمهای کراس-عملکردی بتوانند به سرعت حرکت کنند بدون اینکه مشتریان را به آزمودنیهای آزمایشی تبدیل کنند.
"رشد هدف خودش نیست،" Yadav میگوید. "هدف این است که بدون از دست دادن وضوح در مورد آنچه واقعاً کار کرد رشد کنید."
