Análise e testeComércio eletrônico e varejo

Dominar a conversão do Freemium significa levar a sério a análise de produtos

Esteja você falando em Rollercoaster Tycoon ou Dropbox, ofertas freemium continue sendo uma maneira comum de atrair novos usuários para produtos de software corporativos e de consumo. Uma vez integrados à plataforma gratuita, alguns usuários acabarão por se converter para planos pagos, enquanto muitos outros permanecerão no nível gratuito, com conteúdo com quaisquer recursos que possam acessar. Estudos sobre os tópicos de conversão freemium e retenção de clientes é abundante, e as empresas são continuamente desafiadas a fazer até mesmo melhorias incrementais na conversão freemium. Aqueles que podem colher recompensas significativas. O melhor uso da análise de produtos os ajudará a chegar lá.

O uso de recursos conta a história

O volume de dados que chegam de usuários de software é impressionante. Cada recurso usado durante cada sessão nos diz algo, e a soma desses aprendizados ajuda as equipes de produto a entender a jornada de cada cliente, aproveitando a análise de produto conectada a o data warehouse na nuvem. Na verdade, o volume de dados nunca foi realmente o problema. Dar às equipes de produto acesso aos dados e permitir que façam perguntas e colham percepções acionáveis ​​- isso é outra história. 

Enquanto os profissionais de marketing estão usando plataformas de análise de campanha estabelecidas e o BI tradicional está disponível para examinar um punhado de métricas históricas, as equipes de produto muitas vezes não podem explorar prontamente os dados para fazer (e responder) as perguntas da jornada do cliente que desejam buscar. Quais recursos são mais usados? Quando o uso de recursos tende a diminuir antes do desligamento? Como os usuários reagem às mudanças na seleção de recursos nas camadas gratuitas e pagas? Com a análise de produto, as equipes podem fazer melhores perguntas, construir melhores hipóteses, testar os resultados e implementar rapidamente mudanças no produto e no roteiro.

Isso proporciona uma compreensão muito mais sofisticada da base de usuários, permitindo que as equipes de produtos examinem os segmentos por uso de recursos, há quanto tempo os usuários têm o software ou com que frequência o usam, popularidade de recursos e muito mais. Por exemplo, você pode descobrir que o uso de um determinado recurso é uma indexação excessiva entre os usuários do nível gratuito. Portanto, mova o recurso para um nível pago e meça o efeito nas atualizações para o nível pago e na taxa de rotatividade gratuita. Uma ferramenta tradicional de BI sozinha seria insuficiente para uma análise rápida de tal mudança

Um caso de blues de nível gratuito

O objetivo do nível gratuito é conduzir testes que levem a uma eventual atualização. Os usuários que não fazem upgrade para um plano pago permanecem um centro de custo ou simplesmente se desligam. Nenhum deles gera receita de assinatura. A análise de produto pode ter um impacto positivo em ambos os resultados. Para usuários que se desligaram, por exemplo, as equipes de produto podem avaliar como os produtos foram usados ​​(até o nível do recurso) de forma diferente entre os usuários que se desligaram rapidamente e aqueles que se envolveram em alguma atividade durante um período de tempo.

Para evitar o abandono rápido, os usuários precisam ver o valor imediato do produto, mesmo no nível gratuito. Se os recursos não estão sendo usados, pode ser uma indicação de que a curva de aprendizado nas ferramentas é muito alta para alguns usuários, diminuindo as chances de eles se converterem para um nível pago. A análise de produto pode ajudar as equipes a avaliar o uso de recursos e criar melhores experiências de produto com maior probabilidade de levar à conversão.

Sem a análise do produto, seria difícil (se não impossível) para as equipes de produto entender por que os usuários estão desistindo. O BI tradicional não diria a eles muito mais do que quantos usuários se desligaram e certamente não explicaria como e o porquê do que está acontecendo nos bastidores.

Os usuários que permanecem no nível gratuito e continuam a usar recursos limitados apresentam um desafio diferente. É claro que os usuários experimentam o valor do produto. A questão é como aproveitar sua afinidade existente e movê-los para uma camada paga. Dentro desse grupo, a análise de produto pode ajudar a identificar segmentos distintos, variando de usuários pouco frequentes (não uma prioridade alta) a usuários que estão empurrando os limites de seu acesso gratuito (um bom segmento para focar primeiro). Uma equipe de produto pode testar como esses usuários reagem a limites adicionais em seu acesso gratuito, ou a equipe pode tentar uma estratégia de comunicação diferente para destacar os benefícios da camada paga. Com qualquer uma das abordagens, a análise do produto permite que as equipes sigam a jornada do cliente e reproduzam o que está funcionando em um conjunto mais amplo de usuários.

Agregando valor em toda a jornada do cliente

À medida que o produto se torna melhor para os usuários, segmentos e personas ideais se tornam mais aparentes, fornecendo informações para campanhas que podem atrair clientes semelhantes. À medida que os clientes usam o software ao longo do tempo, os analistas de produto podem continuar a colher conhecimento dos dados do usuário, mapeando a jornada do cliente até o desligamento. Compreender o que precipita a agitação dos clientes - quais recursos eles usaram e não usaram, como o uso mudou com o tempo - é uma informação valiosa.

Conforme as personas em risco são identificadas, teste para ver como as diferentes oportunidades de envolvimento têm sucesso em manter os usuários a bordo e trazê-los para planos pagos. Dessa forma, a análise está no centro do sucesso do produto, solicitando melhorias de recursos que levam a mais clientes, ajudando a manter os clientes existentes por mais tempo e construindo um roteiro de produto melhor para todos os usuários, atuais e futuros. Com a análise de produto vinculada ao data warehouse em nuvem, as equipes de produto possuem as ferramentas para aproveitar ao máximo os dados para fazer qualquer pergunta, formar uma hipótese e testar como os usuários respondem.

Jeremy Levy

Jeremy Levy cofundou indicativo com o amigo e pioneiro da mídia social Andrew Weinrich depois de descobrir a necessidade de dados de qualidade do cliente enquanto administrava o MeetMoi, um aplicativo de namoro baseado em localização que eles venderam para o Match.com. A dupla também fundou o Xtify, uma ferramenta de notificação móvel vendida para a IBM.

Artigos Relacionados

Voltar ao topo botão
Fechar

Adblock detectado

Martech Zone é capaz de fornecer a você esse conteúdo sem nenhum custo porque monetizamos nosso site por meio de receita de anúncios, links de afiliados e patrocínios. Agradeceríamos se você removesse seu bloqueador de anúncios ao visualizar nosso site.