Sumário
Todos deveriam estar interessados em usar seus dados para otimizar seus preços de SaaS. Afinal, encontrar o preço certo é uma das melhores oportunidades para crescimento de receita em nossa indústria.
Mas e se eu dissesse que você precisa começar a coleta de dados do zero, anos após o lançamento? E se eu o pedisse para parar de trabalhar com seus dados antigos e se comprometer com seis meses de coleta de dados cuidadosamente controlada em prol da otimização de preços?
Muitos recuariam diante dessa noção. Se você tem um painel e dados, por que não pode usar essas informações para experimentos de otimização de preços?
A resposta curta é que se usarmos dados antigos para otimização de preços, qualquer insight que encontremos é provavelmente ruído.
Para obter um sinal confiável para nossa otimização de preços, precisamos coletar dados de forma estruturada. Se planejarmos nossa coleta de dados com cuidado, nosso experimento evita desperdiçar recursos em resultados inconclusivos.
Este artigo (terceira parte de nossa série de Otimização de Preços) explicará em detalhes por que experimentos são fundamentais para encontrar o melhor preço, e que dados você precisa para executar experimentos corretamente.
Otimização de Preços em SaaS: Por Que Você Não Deve Usar Dados Antigos
Precificar um produto SaaS é difícil, especialmente quando sua empresa está apenas começando.
A boa notícia é que depois de algumas vendas iniciais, você pode começar a coletar dados para executar experimentos e coletar dados acionáveis.
Vejamos um exemplo. Abaixo está um MRR gráfico de um cliente real do Baremetrics em seus primeiros dois anos:
Podemos usar esses dados para reunir insights sobre uma relação entre nosso preço e taxas de inscrição. Spoiler: algo vai dar errado!
Este proprietário de negócio lança a um preço baixo, $25/mês, depois aumenta o preço duas vezes: primeiro para $39/mês, depois finalmente para $45/mês.
Talvez a estratégia que este proprietário de negócio seguiu fosse aumentar o preço até que algo ruim acontecesse.
Seja qual for a estratégia, para que nos ajude a otimizar nossa receita, precisamos de um KPI pelo qual julgar qual preço é melhor. Para nossos propósitos, para encontrar o melhor preço, observaremos o que aconteceu com taxas de inscrição quando aumentamos o preço.
Baremetrics oferece ferramentas poderosas de relatório que facilitam o rastreamento de métricas e KPIs importantes. Obtenha sua avaliação gratuita aqui.
Comparando Taxas de Inscrição
Como comparamos as taxas de inscrição entre esses pontos de preço? Podemos assumir que se aumentarmos o preço, haverá menos inscrições, mas quanto?
Vamos tentar inserir os dados em um modelo estatístico simples para estimar as taxas mensais de inscrição. Para os curiosos, este é um modelo de Poisson que discutiremos mais em posts futuros.
Este modelo usa dados na forma de contagens de inscrições por mês. Por enquanto, tudo que precisamos saber é que pontos de dados são inseridos no modelo, e uma estimativa para taxas de inscrição sai.
O acima mostra estimativas para as taxas de inscrição em cada ponto de preço. As barras de erro mostram incerteza sobre a estimativa (intervalos de confiança de 95%).
O que isso nos diz?
- O modelo tem confiança de que as inscrições em $25/mês (azul) são maiores do que as outras."
- Além disso, há sobreposição entre o roxo e o verde, que é a maneira do modelo nos dizer que não tem certeza de que as inscrições sejam realmente diferentes entre esses preços.
Qual Preço Gera Mais Receita?
Agora que comparamos as taxas de inscrição, podemos explorar o que isso implica para a receita.
Para obter estimativas de receita, multiplicamos as taxas de inscrição pela vida útil esperada de um cliente. Neste conjunto de dados, são 49,8 meses (para ver mais sobre como chegamos a esse número, confira nosso artigo anterior sobre retenção de clientes!)
Depois multiplicamos isso pelo preço:
Receita Esperada = Taxa de Inscrição × Vida Útil Esperada × Preço
Esta equação nos dá uma estimativa para a receita total que esperamos ganhar para cada mês para cada ponto de preço.
Agora, vamos transformar os resultados da regressão de Poisson usando a fórmula. Isso nos permite comparar esses grupos pela sua receita total, conforme mostrado no gráfico abaixo:
Observe que agora, até mesmo o grupo de preço mais baixo (em azul) se sobrepõe ao de preço mais alto!
Barras de erro que se sobrepõem significam que nosso modelo não sabe qual preço gera mais receita, podem até ser iguais!
Simplificando, passamos dois anos coletando dados sobre nossos preços, e ainda não sabemos qual é melhor para receita.
O que deu errado aqui?
Por um lado, não conseguimos distinguir nossos preços porque não coletamos dados suficientes. As barras de erro são tão grandes que se sobrepõem. Com mais dados, obteríamos barras de erro mais estreitas, o que nos permitiria distinguir os preços.
Considere, por exemplo, a barra de erro para $25/mês (azul). É muito maior que as outras. Se tivéssemos mais dados sobre $25/mês, a barra de erro seria menor, e poderíamos dizer com maior certeza se é diferente ou não.
Vejamos quantos dias dedicamos a cada preço:
Observe como o preço de lançamento (azul) estava online apenas por uma fração do tempo dos outros. Temos uma distribuição altamente desigual, possivelmente aleatória, de dias dedicados a cada preço.
Se planejássemos a comparação antes de coletar os dados, daríamos a cada preço um número igual de dias ativos. Melhor ainda, poderíamos selecionar apenas dois preços em vez de três, para que cada preço recebesse ainda mais dados para uma comparação de resolução mais alta.
Você pode perguntar, quantos dias devemos dedicar a cada preço? Acontece que podemos usar técnicas estatísticas relacionadas a Análise de Potência para estimar quanto dados precisamos coletar para responder nossa pergunta de forma confiável.
Dessa forma, podemos avaliar se temos os recursos para realizar um experimento bem-sucedido—mais sobre isso em um post futuro.
Em qualquer caso, o resultado de analisar esses dados antigos é decepcionante—dois anos de coleta de dados e nada a mostrar por isso.
Podemos tentar uma maneira de salvá-lo. Na ausência de qualquer bom sinal em receita, notamos que o plano de $25/mês parece ter uma receita mais alta porque a quantidade média é maior do que as outras, e a maior parte do espaço coberto pelas barras de erro está acima das outras opções.
Talvez pudéssemos planejar usar o plano de $25 por mês enquanto planejamos nosso próximo experimento. Mas mesmo assim, assumindo que os resultados fossem melhores, estaríamos justificados em nossa escolha? A resposta acaba sendo não, e aqui está o porquê.
A Melhor Maneira de Ver Seus Dados
Use Baremetrics para medir MRR, LTV e outras métricas críticas de negócios que impulsionam sua análise. Quer tentar você mesmo?
Fatores Adicionais para Estar Ciente
Falta de dados não era nosso único problema. Para ver o que mais está errado, vamos olhar os dados de uma perspectiva diferente. Aqui estão os dados como uma série temporal:
O gráfico acima mostra inscrições como uma série temporal. A linha indica uma média móvel de 20 dias para revelar a tendência. Cada cor mostra onde cada preço estava ativo.
Observe quanto variabilidade as inscrições têm, mesmo quando o preço permanece constante. As inscrições caem e sobem de uma forma que não parece ter nada a ver com os preços que escolhemos. O que está acontecendo?
Vemos uma tendência entre inscrições e preço? Não. Por quê?
Acontece que o preço não é o único fator que muda as taxas de inscrição de nossos clientes. Existem todos os tipos de fatores que podem estar mudando as taxas de inscrição que não têm nada a ver com preço. Mas não coletamos dados sobre nenhum deles.
As taxas de inscrição podem ser afetadas por mudanças nas condições de mercado, diferentes equipes de vendas, ou a chegada de um concorrente, ou algo que nunca pensamos.
Como não acompanhamos isso, nossos resultados estão distorcidos. Não sabemos quais mudanças devemos atribuir ao preço e quais a algo mais.
A verdade é que não podemos saber todos os fatores possíveis que afetam nosso conjunto de dados.
Tudo que sabemos é que nossos dados sobre inscrições foram distorcidos por fatores que não conhecíamos. Neste ponto estamos presos. Não podemos obter insights sobre a relação causal entre preço e a disposição de nossos clientes em se inscrever. Não há maneira de consertar isso depois que os dados são coletados.
Conclusão
Experimentos são demorados e podem parecer um incômodo. Mas quando feitos corretamente, são a melhor maneira de ganhar insights valiosos nessas circunstâncias. Se não fizermos um experimento, acabaremos minerando ruído de nossos dados.
Se você está intimidado pelos desafios que enfrentamos aqui, não se preocupe!
Nossos próximos artigos discutirão os métodos que usamos para contornar esses problemas. Discutiremos ideias sobre o planejamento de experimentos que realmente ofereçam insights acionáveis.
Nossos posts da série incluirão perguntas sobre:
- Quais preços devo escolher para testar?
- Quantos dados preciso?
- Como posso terminar meu experimento em um prazo razoável?
- Como seria um experimento na prática?
- E se eu não tiver recursos para fazer um experimento?
Fique ligado para mais e envie quaisquer perguntas que você possa ter para david@baremetrics.com. Feliz experimentando!
