Работа над ценообразованием больше не ограничивается электронными таблицами, финансовым анализом и письмом о запуске. Изменение уровней или пакетов проявляется в повседневной жизни продукта в виде заявки в поддержку, возражения отдела продаж или незаметного всплеска отмен. Команды ощущают это в неясных моментах, когда название плана не соответствует ожиданиям пользователя или когда новая функция оказывается за платным доступом до того, как кто-либо доказал, что она соответствует реальным рабочим процессам. Вот почему ценообразование стало проблемой продукта, и почему экспериментирование становится языком, который сохраняет его честность.
Джйоти Ядав, старший менеджер по Data Science в Atlassian, работающая над Loom, строит внутри этой реальности. Ее рабочий принцип прост: относитесь к каждому крупному изменению как к проверяемому обещанию пользователям и делайте доказательства достаточно понятными, чтобы продукт, инженерия, маркетинг и продажи могли принять решение без догадок.
Когда тест должен обеспечить развертывание
Этот же сдвиг в сторону доказательств виден во всех отраслях, потому что команды узнали, насколько дорого обходится уверенная ошибка. Среди ритейлеров и брендов, проводящих экспериментирование на основе аналитики, 46% идей не окупаются или не могут доказать первоначальную гипотезу, что является прямым напоминанием о том, что интуиция — это не план развертывания. Дисциплина практична, а не академична. В том же исследовании 68% утверждают, что экспериментирование значительно меняет решения о том, что следует развернуть, что следует доработать, а что следует прекратить на ранней стадии.
Ядав усвоила эту логику в условиях, где операционные риски были видны. Работая над общенациональным развертыванием «Завтрака весь день» McDonald's через платформу Test and Learn, она использовала продвинутый SQL и автоматизированные ETL-конвейеры для обработки крупномасштабных данных о продажах в точках продаж и сравнения тестовых магазинов с тщательно подобранными контрольными магазинами. Вопрос заключался не только в спросе. Это был поток на кухне, ограничения поставщиков и то, замедлят ли завтраки скорость обслуживания обеда и ужина. Анализ способствовал увеличению продаж в одних и тех же магазинах на 5,7% в IV квартале 2015 года и поддержал изменение, которое принесло 1,2 миллиарда $ прибыли в этом квартале, превзойдя ожидания, в то время как организация переподготовила персонал для работы с двойным меню в масштабе. Это было общенациональное изменение с реальным трением, и данные должны были пережить это трение.
«Эксперименты имеют значение, только если они защищают развертывание», — говорит Ядав. «Если измерение игнорирует то, как на самом деле выполняется работа, вы отправляете историю, а не результат».
Ценообразование и упаковка в подписочных продуктах
Как только вы увидите, как развертывание ломается в реальном мире, вы перестанете относиться к изменениям подписки как к чисто коммерческому решению. В B2B SaaS обновления ценообразования и упаковки теперь являются обычным делом, а не редкостью: 94% компаний обновляют ценообразование и упаковку как минимум раз в год, а почти 40% делают это так часто, как раз в квартал. Этот темп делает управление экспериментами неизбежным. Когда команды корректируют уровни так часто, стоимость неясного измерения не теоретическая. Это становится оттоком, скидками и внутренней путаницей, которая усугубляется каждый квартал.
Ядав применила этот ритм во время комплексного пересмотра ценообразования и упаковки Loom после приобретения Atlassian. Она руководила командой из шести специалистов по Data Science и создала полугодовой метасинтез данных для объединения анализов, согласования заинтересованных сторон и управления поворотами дорожной карты с общим видением рисков и преимуществ. Работа требовала балансирования ценности новых функций ИИ, включая 33%-ную надбавку за Business plus AI, с учетом сложности удержания и объединения, а затем перевода этих компромиссов в уровни ценообразования, такие как Business по 12,50 $ в месяц и корпоративные планы, которые могут достигать 10 000 $ в год. Запуск также должен был учитывать, как Loom уже использовался в масштабе, включая 49 миллионов видео, созданных с помощью Loom AI, потому что решения об упаковке воспринимаются по-разному, когда использование уже стало привычным. Та же строгость лежит в основе ее работы за пределами Loom в качестве члена редакционной коллегии и рецензента в SARC Journal of Technology Perception и Journal of Economics Intelligence And Technology, где она оценивает прикладные исследования и принятие решений на основе данных в масштабе. Задача заключалась не в том, чтобы «установить цену». Задача заключалась в том, чтобы сделать изменение обоснованным для всех функций.
«Упаковка — это то, где стратегия становится реальной для клиентов», — говорит Ядав. «Если вы не можете объяснить, почему существует уровень, вы в конечном итоге будете защищать его в темах поддержки и продлениях».
Доказательство ценности ИИ перед тем, как взимать за это плату
По мере того как команды добавляют возможности ИИ в продукты, давление на раннюю монетизацию может опережать то, что было доказано в использовании. Этот разрыв проявляется на рынке. В корпоративных инициативах ИИ 74% компаний еще не достигают ощутимой ценности в масштабе, и только 26% разработали возможности, необходимые для выхода за рамки пилотных проектов. Эти цифры не выступают против ИИ. Они выступают за измерение, которое честно относится к принятию, соответствию рабочему процессу и разнице между новизной и привычкой.
Работа Ядав по запуску Loom AI была построена вокруг этого различия. Она руководила командой специалистов по Data Science через анализ и экспериментирование, продвигала окончательную рекомендацию и поддерживала запуск, который увеличил годовой регулярный доход на 2,85 миллиона $ в год. Сигналы принятия рассматривались как доказательство продукта, а не маркетинговое украшение: 67% пользователей используют сгенерированные ИИ заголовки, а 73% сообщают о наборе ИИ как о чрезвычайно ценном. Это те виды показателей использования, которые меняют то, как команда продукта думает о том, где должен быть ИИ и как его следует упаковывать, потому что они говорят о повторяющемся поведении, а не об одноразовом клике. Это не было абстрактным упражнением. Оно было отправлено.
«Функции ИИ зарабатывают свою цену так же, как и любая функция», — говорит Ядав. «Вы наблюдаете, что люди делают повторно, а затем решаете, за что стоит платить».
Поддержание согласованности глобальных команд с одной версией истины
После запуска ИИ и пересмотра ценообразования самая сложная часть часто не анализ. Это заставить глобальные команды согласиться с тем, что означает анализ. В современных рабочих моделях людей прерывают 275 раз в день встречами, электронными письмами и уведомлениями, и около 30% встреч теперь охватывают несколько часовых поясов. Это жесткая среда для тщательных решений. Когда нарратив меняется с каждой встречей, команды перестают доверять цифрам и начинают оптимизироваться для самой громкой комнаты.
Работа Ядав в Loom находилась непосредственно в этом контексте, потому что продукт является ответом на трение координации. В рамках роста Loom и рабочих процессов с помощью ИИ платформа достигла 88 миллионов записанных видео в 2024 году и снизила необходимость в 202 миллионах встреч, масштаб, который делает «согласованность» больше, чем культурное предпочтение. Это становится операционным требованием. Ее подход подчеркивал повторяемый синтез и четкие результаты экспериментов, чтобы заинтересованные стороны могли оценивать изменения без повторного обсуждения основ в каждом часовом поясе. Интеграция с экосистемой Atlassian также повысила планку последовательности, потому что ожидания по ценообразованию, упаковке и функциям ИИ больше не живут внутри границы одного продукта. Смысл заключался в том, чтобы сохранить одну общую истину даже тогда, когда решения перемещались между функциями.
«Данные плохо переносятся, когда у каждой команды есть своя версия», — говорит Ядав. «Ваша задача — сделать доказательства портативными, чтобы решение оставалось последовательным».
Экспериментирование, которое сохраняет честность монетизации
Прогнозируется, что экономика подписки вырастет на 67% в течение следующих пяти лет, поднявшись с 722 миллиардов $ в 2025 году до 1,2 триллиона $ к 2030 году, что повышает ставки в решениях о ценообразовании, которые защищают доверие. В то же время ожидается, что глобальные предприятия инвестируют 307 миллиардов $ в решения ИИ в 2025 году, а расходы, как ожидается, достигнут 632 миллиардов $ к 2028 году, темп, который будет продолжать подталкивать функции ИИ к решениям об упаковке, готовы команды или нет. Преимущество будет принадлежать организациям, которые стандартизируют экспериментирование, чтобы межфункциональные команды могли быстро двигаться, не превращая клиентов в подопытных.
«Рост — это не самоцель», — говорит Ядав. «Цель состоит в том, чтобы расти, не теряя ясности в отношении того, что на самом деле сработало».
