Pekerjaan penetapan harga tidak lagi terbatas pada spreadsheet, tinjauan keuangan, dan email peluncuran. Perubahan pada tingkatan atau paket muncul dalam kehidupan sehari-hari produk sebagai tiket dukungan, keberatan penjualan, atau lonjakan pembatalan yang tenang. Tim merasakannya di bagian yang berantakan, di mana nama paket tidak sesuai dengan harapan pengguna, atau di mana fitur baru berada di balik paywall sebelum ada yang membuktikan bahwa itu sesuai dengan alur kerja nyata. Itulah mengapa penetapan harga telah menjadi masalah produk, dan mengapa eksperimen menjadi bahasa yang menjaganya tetap jujur.
Jyoti Yadav, Senior Data Science Manager di Atlassian yang bekerja pada Loom, membangun di dalam realitas itu. Prinsip operasinya sederhana: perlakukan setiap perubahan besar sebagai janji yang dapat diuji kepada pengguna, dan buat buktinya cukup jelas sehingga produk, teknik, pemasaran, dan penjualan dapat berkomitmen tanpa menebak.
Ketika Pengujian Harus Membawa Peluncuran
Pergeseran yang sama menuju bukti terlihat di berbagai industri, karena tim telah belajar betapa mahalnya salah dengan percaya diri. Di antara pengecer dan merek yang menjalankan eksperimen berbasis analitik, 46% ide tidak impas atau gagal membuktikan hipotesis awal, yang merupakan pengingat tegas bahwa intuisi bukanlah rencana peluncuran. Disiplinnya praktis, bukan akademis. Dalam penelitian yang sama, 68% mengatakan eksperimen secara bermakna mengubah keputusan tentang apa yang harus diluncurkan, apa yang harus diperbaiki, dan apa yang harus dihentikan lebih awal.
Yadav mempelajari logika itu dalam pengaturan di mana risiko operasional terlihat. Saat bekerja pada peluncuran nasional "All Day Breakfast" McDonald's melalui platform Test and Learn, dia menggunakan SQL canggih dan pipeline ETL otomatis untuk memproses data point of sale skala besar dan membandingkan toko uji dengan toko kontrol yang dicocokkan dengan hati-hati. Pertanyaannya bukan hanya permintaan. Itu adalah aliran dapur, kendala pemasok, dan apakah item sarapan akan memperlambat kecepatan layanan untuk makan siang dan makan malam. Analisis tersebut berkontribusi pada peningkatan 5,7% dalam penjualan toko yang sama di Q4 2015 dan mendukung pergeseran yang menghasilkan $1,2 miliar dalam pendapatan pada kuartal itu, melampaui ekspektasi, sementara organisasi melatih ulang staf untuk mengoperasikan menu ganda dalam skala besar. Itu adalah perubahan nasional dengan gesekan nyata, dan data harus bertahan dari gesekan itu.
"Eksperimen hanya penting jika melindungi peluncuran," kata Yadav. "Jika pengukuran mengabaikan bagaimana pekerjaan sebenarnya dilakukan, Anda mengirimkan cerita, bukan hasil."
Penetapan Harga Dan Paket Dalam Produk Berlangganan
Setelah Anda melihat bagaimana peluncuran rusak di dunia nyata, Anda berhenti memperlakukan perubahan berlangganan sebagai keputusan komersial murni. Dalam B2B SaaS, pembaruan harga dan paket sekarang rutin daripada langka, dengan 94% perusahaan memperbarui harga dan paket setidaknya sekali setahun dan hampir 40% melakukannya sesering sekali per kuartal. Kecepatan itu membuat tata kelola di sekitar eksperimen tidak dapat dihindari. Ketika tim menyesuaikan tingkatan sesering itu, biaya pengukuran yang tidak jelas bukanlah teoretis. Itu menjadi churn, diskon, dan kebingungan internal yang bertambah setiap kuartal.
Yadav menerapkan irama itu selama perombakan harga dan paket end-to-end Loom setelah akuisisi Atlassian. Dia memimpin tim enam ilmuwan data dan membangun sintesis meta data dua tahunan untuk menyatukan analisis, menyelaraskan pemangku kepentingan, dan mendorong perubahan roadmap dengan pandangan bersama tentang risiko dan keuntungan. Pekerjaan tersebut memerlukan penyeimbangan nilai fitur AI baru, termasuk premi 33% untuk Business plus AI, terhadap kompleksitas retensi dan bundling, kemudian menerjemahkan trade-off tersebut ke dalam tingkatan harga seperti Business di $12,50 per bulan dan paket Enterprise yang bisa mencapai $10k per tahun. Peluncuran juga harus menghormati bagaimana Loom sudah digunakan dalam skala besar, termasuk 49M video yang dibuat dengan Loom AI, karena keputusan paket mendarat secara berbeda ketika penggunaan sudah menjadi kebiasaan. Kekakuan yang sama mendasari pekerjaannya di luar Loom sebagai anggota dewan editorial dan peer reviewer di SARC Journal of Technology Perception dan Journal of Economics Intelligence And Technology, di mana dia mengevaluasi penelitian terapan dan pengambilan keputusan berbasis data dalam skala besar. Tugas itu bukan untuk "menetapkan harga." Itu untuk membuat perubahan dapat dipertahankan di seluruh fungsi.
"Paket adalah di mana strategi menjadi nyata bagi pelanggan," kata Yadav. "Jika Anda tidak dapat menjelaskan mengapa tingkatan ada, Anda akan berakhir mempertahankannya dalam thread dukungan dan perpanjangan."
Membuktikan Nilai AI Sebelum Anda Mengenakan Biaya Untuknya
Saat tim menambahkan kemampuan AI ke produk, tekanan untuk memonetisasi lebih awal dapat melampaui apa yang telah terbukti digunakan. Kesenjangan itu muncul di pasar. Dalam upaya AI perusahaan, 74% perusahaan belum mencapai nilai nyata dalam skala besar, dan hanya 26% yang telah mengembangkan kemampuan yang diperlukan untuk bergerak melampaui pilot. Angka-angka itu tidak berargumen melawan AI. Mereka berargumen untuk pengukuran yang jujur tentang adopsi, kesesuaian alur kerja, dan perbedaan antara kebaruan dan kebiasaan.
Pekerjaan peluncuran Loom AI Yadav dibangun di sekitar perbedaan itu. Dia memimpin tim ilmuwan data melalui analisis dan eksperimen, mendorong rekomendasi akhir, dan mendukung peluncuran yang meningkatkan pendapatan berulang tahunan sebesar $2,85M per tahun. Sinyal adopsi diperlakukan sebagai bukti produk, bukan hiasan pemasaran, dengan 67% pengguna menggunakan judul yang dihasilkan AI dan 73% melaporkan suite AI sebagai sangat berharga. Itu adalah jenis tingkat penggunaan yang mengubah cara tim produk berpikir tentang di mana AI berada dan bagaimana harus dikemas, karena mereka berbicara tentang perilaku berulang, bukan klik satu kali. Ini bukan latihan abstrak. Ini diluncurkan.
"Fitur AI mendapatkan harganya dengan cara yang sama seperti fitur lainnya," kata Yadav. "Anda mengamati apa yang orang lakukan berulang kali, lalu Anda memutuskan apa yang layak dibayar."
Menjaga Tim Global Selaras Pada Satu Versi Kebenaran
Setelah peluncuran AI dan perombakan harga, bagian tersulit seringkali bukan analisisnya. Itu adalah membuat tim global setuju tentang apa arti analisis itu. Dalam pola kerja modern, orang terganggu 275 kali sehari oleh rapat, email, dan ping, dan sekitar 30% rapat sekarang mencakup beberapa zona waktu. Itu adalah lingkungan yang brutal untuk keputusan yang hati-hati. Ketika narasi bergeser dengan setiap rapat, tim berhenti mempercayai angka dan mulai mengoptimalkan untuk ruangan yang paling keras.
Pekerjaan Yadav di Loom duduk langsung dalam konteks itu, karena produk adalah jawaban untuk gesekan koordinasi. Sebagai bagian dari pertumbuhan Loom dan alur kerja berbantuan AI, platform mencapai 88M video yang direkam pada tahun 2024 dan mengurangi kebutuhan akan 202M rapat, skala yang membuat "keselarasan" lebih dari preferensi budaya. Itu menjadi persyaratan operasi. Pendekatannya menekankan sintesis yang dapat diulang dan output eksperimen yang jelas sehingga pemangku kepentingan dapat mengevaluasi perubahan tanpa memperdebatkan kembali dasar-dasarnya di setiap zona waktu. Integrasi dengan ekosistem Atlassian juga meningkatkan standar untuk konsistensi, karena penetapan harga, paket, dan ekspektasi fitur AI tidak lagi hidup di dalam batas produk tunggal. Intinya adalah untuk menjaga satu kebenaran bersama bahkan saat keputusan bergerak di seluruh fungsi.
"Data tidak berjalan dengan baik ketika setiap tim memiliki versinya sendiri," kata Yadav. "Tugas Anda adalah membuat bukti portabel, sehingga keputusan tetap konsisten."
Eksperimen Yang Menjaga Monetisasi Tetap Jujur
Ekonomi berlangganan diproyeksikan tumbuh 67% selama lima tahun ke depan, naik dari $722 miliar pada tahun 2025 menjadi $1,2 triliun pada tahun 2030, yang meningkatkan taruhan pada keputusan harga yang melindungi kepercayaan. Pada saat yang sama, perusahaan global diharapkan berinvestasi $307 miliar pada solusi AI pada tahun 2025, dengan pengeluaran diperkirakan mencapai $632 miliar pada tahun 2028, kecepatan yang akan terus mendorong fitur AI ke dalam keputusan paket apakah tim siap atau tidak. Keuntungan akan menjadi milik organisasi yang menstandarkan eksperimen sehingga tim lintas fungsi dapat bergerak cepat tanpa mengubah pelanggan menjadi subjek uji.
"Pertumbuhan bukan tujuan itu sendiri," kata Yadav. "Tujuannya adalah tumbuh tanpa kehilangan kejelasan tentang apa yang benar-benar berhasil."
