La data drive det produktstyrte veksthjulet ditt

Produktstyrt vekst (PLG) er en vekststrategi der produktopplevelsen driver kundeverving og vekst. Et kjennetegn ved PLG er den gode sirkelen der forbruk driver økt forbruk. Dette er det første innlegget i en serie der vi viser deg hvordan moderne dataverktøy kan hjelpe deg med å perfeksjonere PLG-strategien din slik at du oppnår denne gode sirkelen. I denne artikkelen tar vi for oss hvordan du kan bygge analytisk dybde i viktige PLG-målinger.
PLG-svinghjulet
Et svinghjul er en gigantisk metallskive som er vanskelig å rotere til å begynne med, men som blir lettere å snurre etter hvert som den får fart. For bedrifter forklarer det metaforiske svinghjulet hvordan selskaper har en tendens til å vokse, ikke gjennom et enkelt gjennombrudd, men snarere gjennom en iterativ prosess med stadig flere forbedringer. Det er en passende analogi også for PLG, der produktopplevelsen blir den primære drivkraften for vekst gjennom brukerengasjement og verdi.
Når brukerne registrerer seg for å prøve produktet, resulterer en god evalueringsopplevelse i betalt aktivering. Fortsatt avkastning på investeringen for brukerne fører til adopsjon i et helt team. Vedvarende bruk over tid øker forbruket og gjør brukerne til "champions". Forkjempere skaffer nye brukere gjennom å anbefale produktet. Syklusen gjentar seg selv, og bygger momentum for hver iterasjon. Selv om den første iterasjonen av PLG-syklusen ofte krever stor innsats, reduseres denne innsatsen betydelig over tid.
Bildekilde: productled.org
Et felles rammeverk for læring
PLG blir ofte misforstått som en ren produkt- eller vekstteamoppgave, men i virkeligheten er PLG et felles rammeverk for ulike funksjoner i en organisasjon som kan samles for å drive frem vekst. Hvis for eksempel testbrukere opplever friksjon med en spesifikk funksjon, kan supportteamet hjelpe til inntil produktet har kommet i gang. I PLG bidrar alle funksjoner til vekstsløyfen.
Ved å samkjøre organisasjonen på viktige PLG-målinger kan man prioritere områder for tverrfunksjonelt samarbeid. Nedenfor tar vi for oss noen viktige PLG-mål organisert etter stadier i PLG-svinghjulet, og hvordan du kan forbedre analysene dine for å få en bedre forståelse av driverne bak disse resultatene.
Evaluatorer
Disse brukerne evaluerer produktet ditt for å ta en kjøpsbeslutning ("betalt konvertering").
Konverteringsfrekvens for gratis prøveperiode: Dette er prosentandelen av evaluatorer som blir betalende kunder. Det finnes en rekke ulike teknikker for å forstå betalte konverteringer - brukerreiseanalyse og markedsføringsattribusjon er de mest fremtredende. I de fleste organisasjoner er disse to datasettene lagret i separate verktøy. Ved å samle disse datasettene i ett verktøy kan man få viktig innsikt som kan bidra til bedre konverteringer. Ved for eksempel å spore bruken av funksjoner fordelt på brukernes markedsføringskontekst (f.eks. bruk av innhold, sosialt engasjement, deltakelse i brukerfellesskap osv.), kan du identifisere hvordan du kan skreddersy produktet til ulike brukersegmenter for å maksimere konverteringen.
Produktkvalifiserte potensielle kunder (PQL): Tradisjonelt ser B2B-bedrifter etter markedsføringskvalifiserte leads (MQL) og salgskvalifiserte leads (SQL) for å finne potensielle kunder. PQL-er er en forbedring i forhold til MQL-er eller SQL-er som er forankret i faktisk bruk av gratisversjonen av produktet ditt. Altfor ofte mangler PQL-modeller dybde ved at de er begrenset til bruk av funksjoner. Hvis du i stedet kombinerer data om funksjonsbruk med forretningsmessige beregninger som forbruk (f.eks. B2B SaaS) eller lagerengasjement (f.eks. e-handel), kan det resultere i en forbedret PQL-modell som øker konverteringen.
Nybegynnere
Dette er nye, betalte brukere som er på utkikk etter en meningsfull avkastning på investeringen (ROI).
Tid til verdi (TTV): Dette er tiden det tar fra første registrering til aha-opplevelsen. Nøkkelen til å få dette til er definisjonen av verdihendelser for brukerne, som er målbar brukeratferd som fungerer som en proxy for "aha"-øyeblikket. Ofte er de mest nyttige verdihendelsene for komplekse til å kunne representeres i et analyseverktøy. Se for eksempel på denne verdihendelsen for et prosjektstyringsverktøy: En bruker opprettet fem prosjekter, hvert av dem hadde ti eller flere oppgaver, og 80 % av oppgavene ble fullført i løpet av en toukers sprint. Selv om dette er utenfor kapasiteten til de fleste analyseprogrammer, vil et verktøy som er i stand til å uttrykke slike komplekse analytiske scenarier, måle TTV mer nøyaktig.
Produkt- og funksjonsadopsjonsrate: Det kan være nyttig å forstå prosentandelen av betalte brukere som benytter seg av spesifikke funksjoner i produktet ditt, siden dette kan veilede deg i prioriteringen av hva du skal forbedre eller bygge neste gang. Det er ikke bare funksjoner med høy adopsjonsrate som er interessante, men også funksjoner med lav adopsjonsrate. Det kan imidlertid være et mysterium å forklare hvorfor en funksjon har lav adopsjon. Ved å analysere brukerreisedata sammen med andre forretningsmål kan man finne svaret. For eksempel kan problemer med brukerfrafall i en e-handelstjeneste være et tegn på dårlig lagerbeholdning eller prising, kanskje i bestemte handlekategorier, så analyseverktøyet ditt bør være i stand til å finkjemme disse datasettene for å finne det spesifikke problemet.
Stamkunder
Disse brukerne får regelmessig nytte av produktet og har kanskje integrert det dypere i organisasjonens prosesser.
Bruttoinntektsretensjon (GRR): Dette er inntektene som beholdes fra eksisterende kunder i en gitt tidsperiode, og viser hvor stor innvirkning frafall har på topplinjen. Nøkkelen her er å identifisere risikoen for kundefrafall tidlig, slik at kundesuksessteamene kan prioritere disse kontoene. For å gjøre dette må man identifisere trender på tvers av ulike kundekontaktpunkter, først og fremst data om supportaktiviteter, f.eks. fra Zendesk, og produktbruksdata. Å undersøke trender på tvers av berøringspunkter er en ganske kompleks oppgave i de fleste analyseverktøy.
Mestere
Dette er det ideelle stadiet for en bruker å nå. Champions er så dedikerte brukere at de evangeliserer produktet og får med seg nye brukere, og på den måten får PLG-svinghjulet til å snurre.
Kundetilfredshetsscore (CSAT): For å måle CSAT kan du gjennomføre en brukerundersøkelse og beregne prosentandelen av respondentene som er fornøyde i henhold til den terskelen du har satt. Noen ganger inneholder kundeundersøkelser tilstrekkelig med detaljer til å identifisere spesifikke styrke- eller friksjonsområder, på samme måte som diskusjoner i brukerfora. Men når disse detaljene ikke er tilgjengelige, noe som er ganske vanlig, er det nyttig å korrelere CSAT-poengsummene med produktopplevelse, supporthenvendelser, visninger av dokumentasjon i appen osv.
Viralitet: Fra Zoom til TikTok er det ikke noe mysterium hvordan henvisninger og invitasjoner kan føre til eksponentiell adopsjon av et produkt som er klart for det. Nøkkelen til å låse opp viral vekst er å forstå hvilke aspekter ved produktopplevelsen som konverterte en bruker til en mester. Det er nyttig å analysere produktbruken, men det er like viktig å spore og forstå aktiviteten i sosiale medier, brukerfora og andre fellesskap, som alle sprer bevissthet om merkevaren din. Igjen er en helhetlig, flerkanals tilnærming nøkkelen.
Konklusjon
Det produktstyrte vekstsvinghjulet kan være et effektivt rammeverk for vekst. Ved å samkjøre PLG-målinger kan ulike funksjoner samarbeide effektivt ved å spore og reagere på ledende indikatorer på vekst. Ved å integrere data på tvers av disse relaterte funksjonsområdene kan du dessuten forbedre analysene dine for å finne svarene på neste nivå som gir raskere vekst.
Optimizely Warehouse-Native Analytics er neste generasjons produktanalyseverktøy som hjelper teamene med å generere innsikt fra alle datakildene deres. På denne måten kan du forstå brukeratferd i sin fulle kontekst og finne ut hvordan du kan holde PLG-svinghjulet i gang.
- Analyse
- Last modified: 25.04.2025 21:30:36