定价工作不再局限于电子表格、财务审查和发布电邮。层级或套餐的变更会在产品的日常运作中显现,表现为支援工单、销售异议或静悄悄的取消率飙升。团队在混乱的边缘感受到这一点,比如计划名称与用户期望不符,或新功能在任何人证明它适合实际工作流程之前就被放在付费墙后面。这就是为什么定价已成为产品问题,以及为什么实验正在成为保持诚实的语言。
Jyoti Yadav,Atlassian 负责 Loom 的高级数据科学经理,在这一现实中构建。她的运营原则很简单:将每一项重大变更视为对用户的可测试承诺,并使证据足够清晰,让产品、工程、营销和销售团队能够在不猜测的情况下做出承诺。
当测试必须支撑推出时
这种转向证据的趋势在各个行业都清晰可见,因为团队已经了解到自信地犯错有多昂贵。在进行分析驱动实验的零售商和品牌中,46% 的想法无法收支平衡或未能证明最初的假设,这赤裸裸地提醒我们直觉不是推出计划。这种纪律是实用的,而非学术的。在同一研究中,68% 的人表示实验有意义地改变了关于应该推出什么、应该改进什么以及应该提前终止什么的决策。
Yadav 在运营风险显而易见的环境中学到了这一逻辑。在通过 Test and Learn 平台参与麦当劳全国"全天早餐"推出时,她使用高级 SQL 和自动化 ETL 管道处理大规模销售点数据,并将测试门店与精心匹配的对照门店进行比较。问题不仅仅是需求。还有厨房流程、供应商限制,以及早餐项目是否会降低午餐和晚餐的服务速度。该分析促成了 2015 年第四季度同店销售额增长 5.7%,并支持了该季度产生 12 亿美元收益的转变,超出预期,同时该组织重新培训员工大规模运营双菜单。这是一项具有实际摩擦的全国性变革,数据必须经受住这种摩擦。
"实验只有在保护推出时才重要,"Yadav 说。"如果测量忽略了工作实际如何完成,你交付的是故事,而不是结果。"
订阅产品中的定价与套餐
一旦你看到推出在现实世界中如何崩溃,你就不会再将订阅变更视为纯粹的商业决策。在 B2B SaaS 中,定价和套餐更新现在是常规而非罕见,94% 的公司每年至少更新一次定价和套餐,近 40% 的公司每季度更新一次。这种节奏使围绕实验的治理不可避免。当团队如此频繁地调整层级时,不明确测量的成本不是理论上的。它变成了客户流失、折扣和内部混乱,每个季度都在复合增长。
Yadav 在 Atlassian 收购后 Loom 的端到端定价和套餐全面改革期间应用了这种节奏。她领导了一个由六名数据科学家组成的团队,并建立了半年度数据元综合,以统一分析、协调利益相关者,并通过对风险和上行空间的共同看法推动路线图转向。这项工作需要平衡新 AI 功能的价值,包括 Business plus AI 33% 的溢价,与保留率和捆绑复杂性,然后将这些权衡转化为定价层级,例如 Business 每月 12.50 美元和年度可达 1 万美元的 Enterprise 计划。推出还必须尊重 Loom 已经大规模使用的方式,包括用 Loom AI 创建的 4,900 万个视频,因为当使用已经成为习惯时,套餐决策的影响是不同的。同样的严谨性支撑着她在 Loom 之外的工作,作为 SARC Journal of Technology Perception 和 Journal of Economics Intelligence And Technology 的编委会成员和同行审稿人,她在这些期刊中评估大规模的应用研究和数据驱动决策。这项工作不是"设定价格"。而是使变更在各个职能部门都站得住脚。
"套餐是战略对客户变得真实的地方,"Yadav 说。"如果你无法解释为什么存在某个层级,你最终会在支援讨论串和续约中为它辩护。"
在收费之前证明 AI 价值
随着团队向产品添加 AI 功能,过早货币化的压力可能会超过在使用中已被证明的内容。这种差距在市场上显现出来。在企业 AI 努力中,74% 的公司尚未在大规模上实现有形价值,只有 26% 的公司开发了超越试点所需的能力。这些数字并不反对 AI。它们支持对采用、工作流程契合度以及新奇与习惯之间差异诚实的测量。
Yadav 的 Loom AI 推出工作就是围绕这种区别构建的。她领导数据科学家团队进行分析和实验,推动最终建议,并支持了将年度经常性收入增加 285 万美元的推出。采用信号被视为产品证据,而非营销点缀,67% 的用户使用 AI 生成的标题,73% 的用户报告 AI 套件极其有价值。这些是改变产品团队对 AI 应该在哪里以及应该如何打包的想法的使用率类型,因为它们反映的是重复行为,而不是一次性点击。这不是抽象的练习。它已经交付。
"AI 功能像任何功能一样赚取其价格,"Yadav 说。"你观察人们重复做什么,然后决定什么值得付费。"
让全球团队保持对一个真相版本的一致
在 AI 推出和定价全面改革之后,最困难的部分往往不是分析。而是让全球团队就分析的含义达成一致。在现代工作模式中,人们每天因会议、电邮和通知而被打断 275 次,约 30% 的会议现在跨越多个时区。这对于谨慎决策来说是一个残酷的环境。当叙述随着每次会议而改变时,团队就不再信任数字,而开始为最响亮的房间进行优化。
Yadav 在 Loom 的工作直接处于这种背景下,因为该产品是协调摩擦的答案。作为 Loom 增长和 AI 辅助工作流程的一部分,该平台在 2024 年录制了 8,800 万个视频,并减少了 2.02 亿次会议的需求,这种规模使"一致性"不仅仅是文化偏好。它成为运营要求。她的方法强调可重复的综合和清晰的实验输出,以便利益相关者可以评估变更,而无需在每个时区重新争论基础知识。与 Atlassian 生态系统的整合也提高了一致性的标准,因为定价、套餐和 AI 功能期望不再存在于单一产品边界内。重点是在决策跨职能部门移动时保持一个共同的真相。
"当每个团队都有自己的版本时,数据传播效果不佳,"Yadav 说。"你的工作是使证据便携,以便决策保持一致。"
保持货币化诚实的实验
订阅经济预计在未来五年增长 67%,从 2025 年的 7,220 亿美元上升到 2030 年的 1.2 万亿美元,这提高了保护信任的定价决策的风险。与此同时,全球企业预计在 2025 年在 AI 解决方案上投资 3,070 亿美元,预计支出到 2028 年将达到 6,320 亿美元,这种速度将继续推动 AI 功能进入套餐决策,无论团队是否准备好。优势将属于标准化实验的组织,以便跨职能团队可以快速行动,而不会将客户变成测试对象。
"增长本身不是目标,"Yadav 说。"目标是在不失去对实际有效内容的清晰度的情况下增长。"
