งานด้านการกำหนดราคาไม่ได้จำกัดอยู่แค่สプレดชีต การตรวจสอบทางการเงิน และอีเมลเปิดตัวอีกต่อไป การเปลี่ยนแปลงระดับหรือแพ็คเกจจะปรากฏในชีวิตประจำวันของผลิตภัณฑ์ในรูปแบบของตั๋วสนับสนุน ข้อโต้แย้งจากฝ่ายขาย หรือการยกเลิกที่เพิ่มขึ้นอย่างเงียบๆ ทีมงานรู้สึกได้ในจุดที่ยุ่งเหยิง ที่ชื่อแผนไม่ตรงกับสิ่งที่ผู้ใช้คาดหวัง หรือที่ฟีเจอร์ใหม่ถูกวางไว้หลัง paywall ก่อนที่ใครจะพิสูจน์ว่ามันเหมาะกับเวิร์กโฟลว์จริง นั่นคือเหตุผลที่การกำหนดราคากลายเป็นปัญหาของผลิตภัณฑ์ และทำไมการทดลองจึงกลายเป็นภาษาที่รักษาความซื่อสัตย์
Jyoti Yadav ผู้จัดการอาวุโสด้านวิทยาศาสตร์ข้อมูลที่ Atlassian ทำงานกับ Loom สร้างสรรค์ภายในความเป็นจริงนั้น หลักการดำเนินงานของเธอเรียบง่าย: ปฏิบัติต่อการเปลี่ยนแปลงสำคัญทุกครั้งเป็นคำมั่นสัญญาที่ทดสอบได้กับผู้ใช้ และทำให้หลักฐานอ่านง่ายพอที่ผลิตภัณฑ์ วิศวกรรม การตลาด และฝ่ายขายสามารถมุ่งมั่นโดยไม่ต้องเดา
เมื่อการทดสอบต้องรองรับการเปิดตัว
การเปลี่ยนไปสู่การพิสูจน์เดียวกันนี้มองเห็นได้ทั่วอุตสาหกรรม เพราะทีมงานได้เรียนรู้ว่าการผิดอย่างมั่นใจมีค่าใช้จ่ายแพงเพียงใด ในกลุ่มผู้ค้าปลีกและแบรนด์ที่ดำเนินการทดลองที่ขับเคลื่อนด้วยการวิเคราะห์ 46% ของไอเดียไม่คุ้มทุนหรือไม่สามารถพิสูจน์สมมติฐานเริ่มต้นได้ ซึ่งเป็นการเตือนอย่างชัดเจนว่าสัญชาตญาณไม่ใช่แผนการเปิดตัว วินัยนี้เป็นเชิงปฏิบัติ ไม่ใช่วิชาการ ในการวิจัยเดียวกัน 68% กล่าวว่าการทดลองเปลี่ยนแปลงการตัดสินใจอย่างมีความหมายเกี่ยวกับสิ่งที่ควรเปิดตัว สิ่งที่ควรปรับปรุง และสิ่งที่ควรยุติตั้งแต่เนิ่นๆ
Yadav เรียนรู้ตรรกะนั้นในสภาพแวดล้อมที่ความเสี่ยงในการดำเนินงานมองเห็นได้ ขณะทำงานในการเปิดตัว "All Day Breakfast" ระดับประเทศของ McDonald's ผ่านแพลตฟอร์ม Test and Learn เธอใช้ SQL ขั้นสูงและไปป์ไลน์ ETL อัตโนมัติเพื่อประมวลผลข้อมูลจุดขายขนาดใหญ่และเปรียบเทียบร้านทดสอบกับร้านควบคุมที่จับคู่อย่างระมัดระวัง คำถามไม่ได้เป็นเพียงความต้องการ แต่เป็นการไหลของครัว ข้อจำกัดของซัพพลายเออร์ และว่ารายการอาหารเช้าจะทำให้ความเร็วของบริการสำหรับอาหารกลางวันและเย็นช้าลงหรือไม่ การวิเคราะห์มีส่วนทำให้ยอดขายในร้านเดียวกันเพิ่มขึ้น 5.7% ในไตรมาสที่ 4 ปี 2015 และสนับสนุนการเปลี่ยนแปลงที่สร้างรายได้ 1.2 พันล้านดอลลาร์ในไตรมาสนั้น เกินความคาดหวัง ขณะที่องค์กรฝึกอบรมพนักงานใหม่เพื่อดำเนินการเมนูคู่ในระดับใหญ่ มันเป็นการเปลี่ยนแปลงระดับชาติที่มีแรงเสียดทานจริง และข้อมูลต้องอยู่รอดจากแรงเสียดทานนั้น
"การทดลองมีความสำคัญก็ต่อเมื่อมันปกป้องการเปิดตัว" Yadav กล่าว "หากการวัดละเลยวิธีการทำงานจริง คุณจะส่งมอบเรื่องราว ไม่ใช่ผลลัพธ์"
การกำหนดราคาและแพ็คเกจในผลิตภัณฑ์แบบสมาชิก
เมื่อคุณเห็นว่าการเปิดตัวพังในโลกแห่งความเป็นจริงอย่างไร คุณจะหยุดปฏิบัติต่อการเปลี่ยนแปลงการสมัครสมาชิกเป็นการตัดสินใจเชิงพาณิชย์เพียงอย่างเดียว ใน B2B SaaS การอัปเดตการกำหนดราคาและแพ็คเกจกลายเป็นเรื่องปกติมากกว่าหายาก โดย 94% ของบริษัทอัปเดตการกำหนดราคาและแพ็คเกจอย่างน้อยปีละครั้ง และเกือบ 40% ทำบ่อยถึงไตรมาสละครั้ง จังหวะนี้ทำให้การกำกับดูแลเกี่ยวกับการทดลองหลีกเลี่ยงไม่ได้ เมื่อทีมปรับระดับบ่อยเช่นนั้น ต้นทุนของการวัดที่ไม่ชัดเจนไม่ใช่ทฤษฎี มันกลายเป็น churn การลดราคา และความสับสนภายในที่ทวีคูณทุกไตรมาส
Yadav ประยุกต์ใช้จังหวะนั้นระหว่างการปรับปรุงการกำหนดราคาและแพ็คเกจแบบ end to end ของ Loom หลังจากการเข้าซื้อกิจการของ Atlassian เธอนำทีมนักวิทยาศาสตร์ข้อมูลหกคนและสร้างการสังเคราะห์เมตาข้อมูลรายปีสองครั้งเพื่อรวมการวิเคราะห์ จัดแนวผู้มีส่วนได้ส่วนเสีย และขับเคลื่อนการเปลี่ยนแผนงานด้วยมุมมองร่วมกันของความเสี่ยงและผลประโยชน์ งานต้องการสมดุลระหว่างคุณค่าของฟีเจอร์ AI ใหม่ รวมถึงเบี้ยประกันภัย 33% สำหรับ Business plus AI กับการรักษาลูกค้าและความซับซ้อนในการรวมกลุ่ม จากนั้นแปลการแลกเปลี่ยนเหล่านั้นเป็นระดับราคาเช่น Business ที่ $12.50 ต่อเดือนและแผน Enterprise ที่อาจสูงถึง $10k ต่อปี การเปิดตัวยังต้องเคารพวิธีที่ Loom ถูกใช้ในระดับใหญ่แล้ว รวมถึงวิดีโอ 49 ล้านรายการที่สร้างด้วย Loom AI เพราะการตัดสินใจเรื่องแพ็คเกจส่งผลแตกต่างกันเมื่อการใช้งานเป็นนิสัยแล้ว ความเข้มงวดเดียวกันนี้เป็นรากฐานของงานของเธอนอกเหนือจาก Loom ในฐานะสมาชิกคณะบรรณาธิการและผู้ตรวจสอบเพื่อนร่วมงานที่ SARC Journal of Technology Perception และ Journal of Economics Intelligence And Technology ที่เธอประเมินการวิจัยประยุกต์และการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลในระดับใหญ่ งานไม่ได้เป็น "กำหนดราคา" แต่เป็นการทำให้การเปลี่ยนแปลงสามารถป้องกันได้ทั่วทั้งหน้าที่
"แพ็คเกจคือที่ที่กลยุทธ์กลายเป็นความจริงสำหรับลูกค้า" Yadav กล่าว "หากคุณไม่สามารถอธิบายได้ว่าทำไมระดับถึงมีอยู่ คุณจะต้องปกป้องมันในเธรดสนับสนุนและการต่ออายุ"
การพิสูจน์คุณค่า AI ก่อนที่คุณจะเรียกเก็บเงิน
เมื่อทีมเพิ่มความสามารถ AI ให้กับผลิตภัณฑ์ แรงกดดันในการสร้างรายได้ตั้งแต่เนิ่นๆ สามารถแซงหน้าสิ่งที่ได้รับการพิสูจน์ในการใช้งาน ช่องว่างนั้นปรากฏในตลาด ในความพยายามด้าน AI ขององค์กร 74% ของบริษัทยังไม่บรรลุคุณค่าที่จับต้องได้ในระดับใหญ่ และเพียง 26% เท่านั้นที่พัฒนาความสามารถที่จำเป็นเพื่อก้าวข้ามนำร่อง ตัวเลขเหล่านั้นไม่ได้โต้แย้งกับ AI พวกเขาโต้แย้งเพื่อการวัดที่ซื่อสัตย์เกี่ยวกับการยอมรับ ความเหมาะสมของเวิร์กโฟลว์ และความแตกต่างระหว่างความแปลกใหม่และนิสัย
งานเปิดตัว Loom AI ของ Yadav ถูกสร้างขึ้นรอบความแตกต่างนั้น เธอนำทีมนักวิทยาศาสตร์ข้อมูลผ่านการวิเคราะห์และการทดลอง ขับเคลื่อนคำแนะนำสุดท้าย และสนับสนุนการเปิดตัวที่เพิ่มรายได้ประจำปี $2.85M ต่อปี สัญญาณการยอมรับถูกปฏิบัติเป็นหลักฐานผลิตภัณฑ์ ไม่ใช่การตกแต่งทางการตลาด โดย 67% ของผู้ใช้ใช้ชื่อเรื่องที่สร้างด้วย AI และ 73% รายงานว่าชุด AI มีคุณค่ามาก นี่คืออัตราการใช้งานประเภทที่เปลี่ยนวิธีที่ทีมผลิตภัณฑ์คิดเกี่ยวกับที่ AI ควรอยู่และควรถูกแพ็คเกจอย่างไร เพราะพวกเขาพูดถึงพฤติกรรมซ้ำ ไม่ใช่การคลิกครั้งเดียว นี่ไม่ใช่แบบฝึกหัดแบบนามธรรม มันถูกส่งมอบ
"ฟีเจอร์ AI สร้างราคาด้วยวิธีเดียวกับฟีเจอร์อื่นๆ" Yadav กล่าว "คุณดูว่าผู้คนทำอะไรซ้ำๆ จากนั้นคุณจึงตัดสินใจว่าอะไรคุ้มค่าที่จะจ่าย"
การรักษาทีมทั่วโลกให้สอดคล้องกันในความจริงเวอร์ชันเดียว
หลังจากการเปิดตัว AI และการปรับปรุงการกำหนดราคา ส่วนที่ยากที่สุดมักไม่ใช่การวิเคราะห์ แต่เป็นการทำให้ทีมทั่วโลกเห็นพ้องกันว่าการวิเคราะห์หมายความว่าอย่างไร ในรูปแบบการทำงานสมัยใหม่ ผู้คนถูกขัดจังหวะ 275 ครั้งต่อวันด้วยการประชุม อีเมล และการแจ้งเตือน และประมาณ 30% ของการประชุมครอบคลุมหลายเขตเวลา นั่นเป็นสภาพแวดล้อมที่โหดร้ายสำหรับการตัดสินใจอย่างระมัดระวัง เมื่อเรื่องเล่าเปลี่ยนไปทุกการประชุม ทีมหยุดเชื่อถือตัวเลขและเริ่มเพิ่มประสิทธิภาพสำหรับห้องที่เสียงดังที่สุด
งานของ Yadav ที่ Loom อยู่ในบริบทนั้นโดยตรง เพราะผลิตภัณฑ์เป็นคำตอบสำหรับแรงเสียดทานในการประสานงาน ในฐานะส่วนหนึ่งของการเติบโตของ Loom และเวิร์กโฟลว์ที่ช่วยเหลือด้วย AI แพลตฟอร์มบันทึกวิดีโอ 88 ล้านรายการในปี 2024 และลดความต้องการในการประชุม 202 ล้านครั้ง ซึ่งเป็นขนาดที่ทำให้ "การจัดแนว" มากกว่าความชอบทางวัฒนธรรม มันกลายเป็นข้อกำหนดในการดำเนินงาน แนวทางของเธอเน้นการสังเคราะห์ที่ทำซ้ำได้และผลลัพธ์การทดลองที่ชัดเจนเพื่อให้ผู้มีส่วนได้ส่วนเสียสามารถประเมินการเปลี่ยนแปลงโดยไม่ต้องฟ้องร้องพื้นฐานใหม่ในทุกเขตเวลา การผสานรวมกับระบบนิเวศของ Atlassian ยังยกระดับมาตรฐานความสอดคล้อง เพราะการกำหนดราคา แพ็คเกจ และความคาดหวังฟีเจอร์ AI ไม่ได้อยู่ภายในขอบเขตผลิตภัณฑ์เดียวอีกต่อไป ประเด็นคือการรักษาความจริงร่วมกันหนึ่งเดียวแม้ว่าการตัดสินใจจะเคลื่อนไปทั่วทั้งหน้าที่
"ข้อมูลไม่เดินทางได้ดีเมื่อทุกทีมมีเวอร์ชันของตัวเอง" Yadav กล่าว "งานของคุณคือทำให้หลักฐานพกพาได้ เพื่อให้การตัดสินใจสอดคล้องกัน"
การทดลองที่รักษาการสร้างรายได้ให้ซื่อสัตย์
เศรษฐกิจการสมัครสมาชิกคาดว่าจะเติบโต 67% ในอีกห้าปีข้างหน้า เพิ่มจาก $722 พันล้านในปี 2025 เป็น $1.2 ล้านล้านภายในปี 2030 ซึ่งยกระดับความเสี่ยงในการตัดสินใจเรื่องราคาที่ปกป้องความไว้วางใจ ในเวลาเดียวกัน องค์กรทั่วโลกคาดว่าจะลงทุน $307 พันล้านในโซลูชัน AI ในปี 2025 โดยค่าใช้จ่ายคาดว่าจะถึง $632 พันล้านภายในปี 2028 จังหวะที่จะคอยผลักดันฟีเจอร์ AI เข้าสู่การตัดสินใจเรื่องแพ็คเกจไม่ว่าทีมจะพร้อมหรือไม่ ข้อได้เปรียบจะเป็นขององค์กรที่กำหนดมาตรฐานการทดลองเพื่อให้ทีมข้ามสายงานสามารถเคลื่อนไหวอย่างรวดเร็วโดยไม่ทำให้ลูกค้ากลายเป็นวัตถุทดลอง
"การเติบโตไม่ใช่เป้าหมายในตัวมันเอง" Yadav กล่าว "เป้าหมายคือการเติบโตโดยไม่สูญเสียความชัดเจนเกี่ยวกับสิ่งที่ได้ผลจริงๆ"
