定價工作不再僅限於試算表、財務審查和發布郵件。方案等級或套餐的變更會在產品的日常運作中顯現，可能是支援工單、銷售異議，或是悄然攀升的取消率。團隊能在混亂的邊緣感受到這些影響,例如方案名稱與使用者期望不符,或是新功能在任何人證明它適合實際工作流程之前就被設置在付費牆後。這就是為什麼定價已成為產品問題,以及為什麼實驗正在成為保持誠實的語言。
Jyoti Yadav,Atlassian 的 Loom 高級資料科學經理,在這個現實中構建產品。她的運作原則很簡單:將每項重大變更視為對使用者可測試的承諾,並使證據足夠清晰,讓產品、工程、行銷和銷售團隊無需猜測即可做出承諾。
當測試必須承載推出時
這種轉向證據的趨勢在各個行業中都清晰可見,因為團隊已經了解到自信地犯錯有多麼昂貴。在進行分析驅動實驗的零售商和品牌中,46% 的想法無法達到收支平衡或未能證明最初的假設,這直白地提醒我們直覺不是推出計畫。這種紀律是實用的,而非學術性的。在同一項研究中,68% 的受訪者表示實驗顯著改變了關於應該推出什麼、應該改進什麼以及應該提前終止什麼的決策。
Yadav 在營運風險可見的環境中學習到這個邏輯。在通過 Test and Learn 平台參與麥當勞全國「全日早餐」推出期間,她使用進階 SQL 和自動化 ETL 流程來處理大規模銷售點資料,並將測試門店與精心匹配的對照門店進行比較。問題不僅僅是需求,還有廚房流程、供應商限制,以及早餐品項是否會降低午餐和晚餐的服務速度。該分析促成了 2015 年第四季度同店銷售額增加了 5.7%,並支援了該季度產生 12 億美元收益的轉變,超出預期,同時組織重新培訓員工以大規模操作雙重菜單。這是一項具有實際摩擦的全國性變革,資料必須經受住這種摩擦。
「實驗只有在保護推出時才重要,」Yadav 說。「如果測量忽略了工作的實際進行方式,你推出的是一個故事,而不是結果。」
訂閱產品中的定價與套餐
一旦你看到推出在現實世界中如何崩潰,你就不會再將訂閱變更視為純粹的商業決策。在 B2B SaaS 中,定價和套餐更新現在是常規而非罕見,94% 的公司每年至少更新一次定價和套餐,近 40% 的公司每季度更新一次。這種節奏使得圍繞實驗的治理不可避免。當團隊如此頻繁地調整方案等級時,不明確測量的成本就不是理論性的。它會變成客戶流失、折扣和每季度加劇的內部混亂。
Yadav 在 Atlassian 收購後 Loom 的端到端定價和套餐改革期間應用了這種節奏。她領導了一個由六名資料科學家組成的團隊,並建立了半年一次的資料元綜合,以統一分析、協調利益相關者,並以共同的風險和優勢視角推動路線圖調整。這項工作需要平衡新 AI 功能的價值,包括 Business plus AI 33% 的溢價,以及保留率和捆綁複雜性,然後將這些權衡轉化為定價等級,例如每月 12.50 美元的 Business 方案和每年可達 10,000 美元的 Enterprise 方案。推出還必須尊重 Loom 已經大規模使用的方式,包括使用 Loom AI 創建的 4,900 萬個影片,因為當使用已經成為習慣時,套餐決策會產生不同的影響。同樣的嚴謹性支撐著她在 Loom 之外的工作,作為SARC Journal of Technology Perception 和Journal of Economics Intelligence And Technology的編輯委員會成員和同行評審員,她評估大規模的應用研究和資料驅動決策。這項工作不是「設定價格」,而是使變更在各個職能部門中站得住腳。
「套餐是策略對客戶變得真實的地方,」Yadav 說。「如果你無法解釋為什麼存在某個等級,你最終會在支援討論串和續約中為其辯護。」
在收費之前證明 AI 價值
當團隊將 AI 功能加入產品時,提早變現的壓力可能會超過在使用中已被證明的內容。這種差距在市場中顯現。在企業 AI 工作中,74% 的公司尚未大規模實現有形價值,只有 26% 的公司開發了超越試點所需的能力。這些數字並不反對 AI,它們主張對採用、工作流程適配以及新穎性與習慣之間的差異進行誠實的測量。
Yadav 的 Loom AI 推出工作就是圍繞這種區別建立的。她領導資料科學家團隊進行分析和實驗,推動最終建議,並支援推出,使年度經常性收入每年增加了 285 萬美元。採用信號被視為產品證據,而非行銷點綴,67% 的使用者使用 AI 生成的標題,73% 的使用者報告 AI 套件極具價值。這些使用率會改變產品團隊對 AI 應該放在哪裡以及如何打包的看法,因為它們反映的是重複行為,而不是一次性點擊。這不是抽象的練習,它已經推出。
「AI 功能以與任何功能相同的方式賺取其價格,」Yadav 說。「你觀察人們重複做什麼,然後決定什麼值得付費。」
讓全球團隊對單一事實版本保持一致
在 AI 推出和定價改革之後,最困難的部分往往不是分析,而是讓全球團隊就分析的意義達成一致。在現代工作模式中,人們每天被會議、郵件和通知打斷 275 次,約 30% 的會議現在跨越多個時區。這對於謹慎決策來說是一個殘酷的環境。當敘述隨著每次會議而改變時,團隊會停止信任數字,並開始為最大聲的會議室進行最佳化。
Yadav 在 Loom 的工作直接處於這種背景中,因為該產品是對協調摩擦的回答。作為 Loom 的成長和 AI 輔助工作流程的一部分,該平台在 2024 年錄製了 8,800 萬個影片,並減少了 2.02 億次會議的需求,這種規模使「一致性」不僅僅是一種文化偏好,它成為一項營運要求。她的方法強調可重複的綜合和清晰的實驗輸出,以便利益相關者可以評估變更,而無需在每個時區重新討論基礎知識。與 Atlassian 生態系統的整合也提高了一致性的標準,因為定價、套餐和 AI 功能期望不再存在於單一產品邊界內。重點是即使決策在各個職能部門之間移動,也要保持一個共享的事實。
「當每個團隊都有自己的版本時,資料傳播得不好,」Yadav 說。「你的工作是使證據具有可移植性,以便決策保持一致。」
讓變現保持誠實的實驗
預計訂閱經濟在未來五年內將增長 67%,從 2025 年的 7,220 億美元增加到 2030 年的 1.2 兆美元,這提高了保護信任的定價決策的風險。同時,預計全球企業將在 2025 年在 AI 解決方案上投資 3,070 億美元,預計到 2028 年支出將達到 6,320 億美元,這種速度將繼續推動 AI 功能進入套餐決策,無論團隊是否準備好。優勢將屬於那些標準化實驗的組織,以便跨職能團隊可以快速行動,而不會將客戶變成測試對象。
「成長本身不是目標,」Yadav 說。「目標是在不失去對實際有效內容的清晰度的情況下成長。」
