Praca nad cenami nie ogranicza się już do arkusza kalkulacyjnego, przeglądu finansowego i e-maila z ogłoszeniem. Zmiana w warstwach lub pakietach pojawia się w codziennym życiu produktu jako zgłoszenie do pomocy technicznej, zastrzeżenie handlowe lub cichy wzrost anulowań. Zespoły odczuwają to w chaotycznych obszarach, gdzie nazwa planu nie odpowiada oczekiwaniom użytkownika lub gdzie nowa funkcja trafia za paywall, zanim ktokolwiek udowodni, że pasuje do rzeczywistych przepływów pracy. Dlatego ceny stały się problemem produktowym, a eksperymentowanie staje się językiem, który zachowuje uczciwość.
Jyoti Yadav, Starsza Menedżerka Data Science w Atlassian pracująca nad Loom, buduje w tej rzeczywistości. Jej zasada działania jest prosta: traktuj każdą istotną zmianę jako testowalną obietnicę dla użytkowników i uczyń dowody na tyle czytelnymi, aby zespoły produktowe, inżynieryjne, marketingowe i sprzedażowe mogły się zaangażować bez zgadywania.
Gdy Test Musi Przeprowadzić Wdrożenie
To samo przejście w stronę dowodów jest widoczne w różnych branżach, ponieważ zespoły nauczyły się, jak kosztowne jest pewne mylenie się. Wśród detalistów i marek prowadzących eksperymentowanie oparte na analityce, 46% pomysłów nie zwraca się lub nie potwierdza początkowej hipotezy, co jest ostrym przypomnieniem, że intuicja nie jest planem wdrożenia. Dyscyplina jest praktyczna, a nie akademicka. W tych samych badaniach 68% twierdzi, że eksperymentowanie znacząco zmienia decyzje o tym, co powinno zostać wdrożone, co powinno zostać udoskonalone, a co powinno zostać wcześnie zakończone.
Yadav nauczyła się tej logiki w otoczeniu, gdzie ryzyka operacyjne były widoczne. Pracując nad ogólnokrajowym wdrożeniem „All Day Breakfast" w McDonald's za pośrednictwem platformy Test and Learn, wykorzystała zaawansowany SQL i zautomatyzowane potoki ETL do przetwarzania danych z punktów sprzedaży na dużą skalę i porównywania sklepów testowych z dokładnie dopasowanymi sklepami kontrolnymi. Pytanie dotyczyło nie tylko popytu. Chodziło o przepływ w kuchni, ograniczenia dostawców i to, czy produkty śniadaniowe spowolnią szybkość obsługi podczas obiadu i kolacji. Analiza przyczyniła się do wzrostu sprzedaży w tych samych sklepach o 5,7% w czwartym kwartale 2015 roku i wspierała zmianę, która wygenerowała 1,2 miliarda dolarów zysków w tym kwartale, przekraczając oczekiwania, podczas gdy organizacja przeszkoliła personel do obsługi podwójnych menu na dużą skalę. To była ogólnokrajowa zmiana z prawdziwymi tarciami, a dane musiały przetrwać te tarcia.
„Eksperymenty mają znaczenie tylko wtedy, gdy chronią wdrożenie", mówi Yadav. „Jeśli pomiar ignoruje sposób, w jaki praca jest faktycznie wykonywana, dostarczasz historię, a nie wynik".
Ceny I Pakiety W Produktach Subskrypcyjnych
Gdy zobaczysz, jak wdrożenie załamuje się w rzeczywistym świecie, przestajesz traktować zmiany subskrypcyjne jako czysto komercyjną decyzję. W B2B SaaS aktualizacje cen i pakietów są teraz rutynowe, a nie rzadkie, przy czym 94% firm aktualizuje ceny i pakiety co najmniej raz w roku, a prawie 40% robi to nawet raz na kwartał. To tempo sprawia, że zarządzanie eksperymentami staje się nieuniknione. Gdy zespoły dostosowują warstwy tak często, koszt niejasnego pomiaru nie jest teoretyczny. Staje się odpływem klientów, rabatami i wewnętrznym zamieszaniem, które narasta z każdym kwartałem.
Yadav zastosowała to tempo podczas kompleksowej przebudowy cen i pakietów Loom po przejęciu przez Atlassian. Kierowała zespołem sześciu naukowców zajmujących się danymi i zbudowała półroczną metasyntezę danych w celu ujednolicenia analiz, dostosowania interesariuszy i kierowania zmianami w mapie drogowej ze wspólnym spojrzeniem na ryzyko i potencjał. Praca wymagała zrównoważenia wartości nowych funkcji AI, w tym 33% premii za Business plus AI, w kontekście retencji i złożoności pakietów, a następnie przetłumaczenia tych kompromisów na warstwy cenowe, takie jak Business za 12,50 USD miesięcznie i plany Enterprise, które mogą osiągnąć 10 000 USD rocznie. Uruchomienie musiało również uwzględniać sposób, w jaki Loom był już używany na dużą skalę, w tym 49 milionów filmów stworzonych za pomocą Loom AI, ponieważ decyzje dotyczące pakietów wyglądają inaczej, gdy użytkowanie jest już nawykiem. Ta sama dokładność stanowi podstawę jej pracy poza Loom jako członkini rady redakcyjnej i recenzenta w SARC Journal of Technology Perception oraz Journal of Economics Intelligence And Technology, gdzie ocenia badania stosowane i podejmowanie decyzji opartych na danych na dużą skalę. Zadaniem nie było „ustalenie ceny". Zadaniem było uczynienie zmiany możliwą do obrony w różnych funkcjach.
„Pakietowanie to miejsce, w którym strategia staje się realna dla klientów", mówi Yadav. „Jeśli nie możesz wyjaśnić, dlaczego dana warstwa istnieje, skończysz ją bronić w wątkach pomocy technicznej i odnowieniach".
Udowodnienie Wartości AI Przed Naliczeniem Opłat
Gdy zespoły dodają możliwości AI do produktów, presja na wczesną monetyzację może wyprzedzić to, co zostało udowodnione w użyciu. Ta luka pojawia się na rynku. W przedsięwzięciach związanych z AI w przedsiębiorstwach 74% firm nie osiąga jeszcze wymiernej wartości na dużą skalę, a tylko 26% rozwinęło możliwości potrzebne do wyjścia poza pilotaże. Te liczby nie przemawiają przeciwko AI. Przemawiają za pomiarem, który jest uczciwy w kwestii adopcji, dopasowania do przepływu pracy i różnicy między nowością a nawykiem.
Praca Yadav nad uruchomieniem Loom AI została zbudowana wokół tego rozróżnienia. Prowadziła zespół naukowców zajmujących się danymi przez analizę i eksperymentowanie, kierowała ostateczną rekomendacją i wspierała uruchomienie, które zwiększyło roczne przychody powtarzalne o 2,85 miliona USD rocznie. Sygnały adopcji były traktowane jako dowód produktowy, a nie ozdoba marketingowa, przy czym 67% użytkowników korzysta z tytułów generowanych przez AI, a 73% zgłasza pakiet AI jako niezwykle wartościowy. To są takie wskaźniki użytkowania, które zmieniają sposób, w jaki zespół produktowy myśli o tym, gdzie AI należy i jak powinno być pakowane, ponieważ mówią o powtarzalnym zachowaniu, a nie o jednorazowym kliknięciu. To nie było abstrakcyjne ćwiczenie. Zostało wdrożone.
„Funkcje AI zarabiają na swoją cenę w taki sam sposób, jak każda funkcja", mówi Yadav. „Obserwujesz, co ludzie robią wielokrotnie, a następnie decydujesz, za co warto płacić".
Utrzymywanie Globalnych Zespołów Zgodnych Z Jedną Wersją Prawdy
Po uruchomieniu AI i przebudowie cen najtrudniejszą częścią często nie jest analiza. To sprawienie, aby globalne zespoły zgodziły się co do znaczenia analizy. We współczesnych wzorcach pracy ludzie są przerywani 275 razy dziennie przez spotkania, e-maile i powiadomienia, a około 30% spotkań obejmuje obecnie wiele stref czasowych. To brutalne środowisko dla ostrożnych decyzji. Gdy narracja zmienia się z każdym spotkaniem, zespoły przestają ufać liczbom i zaczynają optymalizować pod najgłośniejszy pokój.
Praca Yadav w Loom mieściła się bezpośrednio w tym kontekście, ponieważ produkt jest odpowiedzią na tarcia koordynacyjne. W ramach wzrostu Loom i przepływów pracy wspomaganych przez AI platforma osiągnęła 88 milionów nagranych filmów w 2024 roku i zmniejszyła potrzebę 202 milionów spotkań, skalę, która sprawia, że „dostosowanie" to więcej niż preferencja kulturowa. Staje się wymogiem operacyjnym. Jej podejście kładło nacisk na powtarzalną syntezę i jasne wyniki eksperymentów, aby interesariusze mogli oceniać zmiany bez ponownego rozpatrywania podstaw w każdej strefie czasowej. Integracja z ekosystemem Atlassian również podniosła poprzeczkę dla spójności, ponieważ oczekiwania dotyczące cen, pakietów i funkcji AI nie mieszczą się już w granicach jednego produktu. Chodziło o zachowanie jednej wspólnej prawdy, nawet gdy decyzje przemieszczały się między funkcjami.
„Dane nie podróżują dobrze, gdy każdy zespół ma swoją własną wersję", mówi Yadav. „Twoim zadaniem jest uczynienie dowodów przenośnymi, aby decyzja pozostała spójna".
Eksperymentowanie, Które Utrzymuje Uczciwą Monetyzację
Przewiduje się, że gospodarka subskrypcyjna wzrośnie o 67% w ciągu najbliższych pięciu lat, rosnąc z 722 miliardów dolarów w 2025 roku do 1,2 biliona dolarów do 2030 roku, co podnosi stawkę decyzji cenowych, które chronią zaufanie. Jednocześnie oczekuje się, że globalne przedsiębiorstwa zainwestują 307 miliardów dolarów w rozwiązania AI w 2025 roku, a wydatki mają osiągnąć 632 miliardy dolarów do 2028 roku, tempem, które będzie nadal popychać funkcje AI do decyzji dotyczących pakietów, niezależnie od tego, czy zespoły są gotowe, czy nie. Przewaga będzie należeć do organizacji, które standaryzują eksperymentowanie, aby zespoły międzyfunkcyjne mogły szybko się poruszać bez zamieniania klientów w obiekty testowe.
„Wzrost nie jest celem samym w sobie", mówi Yadav. „Celem jest wzrost bez utraty jasności co do tego, co faktycznie zadziałało".
