Introducing Optimizely Opal
an all-new AI platform. See how it works
Publicerad oktober 14, 2022

Låt data driva ditt svänghjul för produktledd tillväxt

Jordie Hannel
av Jordie Hannel
5 min read time

Product-Led Growth (PLG) är en tillväxtstrategi där upplevelsen av produkten driver kundanskaffning och tillväxt. Ett kännetecken för PLG är den goda cirkeln där konsumtion driver ökad konsumtion. Detta är det första inlägget i en serie där vi visar hur moderna dataverktyg kan hjälpa dig att förbättra din PLG-strategi för att uppnå denna positiva cykel. I den här artikeln går vi igenom hur man bygger upp ett analytiskt djup i viktiga PLG-mätvärden.

PLG-svänghjulet

Ett svänghjul är en gigantisk metallskiva som är svår att rotera till en början, men som blir lättare att snurra när den får fart. För företag förklarar det metaforiska sv änghjulet hur företag tenderar att växa inte genom ett enda genombrott utan snarare genom en iterativ process av sammansatta förbättringar. Det är en passande analogi även för PLG, där produktupplevelsen blir den främsta drivkraften för tillväxt genom användarengagemang och värde.

När användare registrerar sig för att prova produkten resulterar en bra upplevelse i en betald aktivering. Fortsatt avkastning på investeringen för användarna driver på införandet i ett helt team. Fortsatt användning över tid driver upp konsumtionen och förvandlar dina användare till mästare. Mästare lockar till sig nya användare genom att förespråka dem. Cykeln upprepar sig och bygger momentum med varje iteration. Även om den första iterationen av PLG-loopen ofta kräver stora ansträngningar, minskar ansträngningen avsevärt med tiden.

Bildkälla: productled.org

Ett gemensamt ramverk för lärande

PLG missförstås ofta som en angelägenhet för produkt- eller tillväxtteamet, men i själva verket är PLG ett gemensamt ramverk för olika funktioner i en organisation som ska samverka för att driva tillväxt. Om testanvändare till exempel upplever friktion med en specifik funktion kan supportteamet hjälpa till tills produkten kommer ikapp. I PLG bidrar varje funktion till tillväxtloopen.

Genom att anpassa organisationen till viktiga PLG-mått kan man prioritera områden för tvärfunktionellt samarbete. Nedan går vi igenom några viktiga PLG-mätetal som är organiserade efter stadier i PLG-svänghjulet och hur du kan förbättra dina analyser för att bättre förstå drivkrafterna bakom dessa resultat.

Utvärderare

Dessa användare utvärderar din produkt för att fatta ett köpbeslut ("betald konvertering").

Konverteringsgrad för gratis provperiod: Detta är den procentandel av utvärderarna som blir betalande kunder. Det finns en mängd olika tekniker för att förstå betalda konverteringar - analys av användarresor och marknadsföringsattribution är de mest framträdande. I de flesta organisationer är dessa två uppsättningar data åtskilda i separata verktyg. Att samla dessa datauppsättningar i ett verktyg kan ge viktiga insikter för att förbättra konverteringen. Genom att till exempel spåra funktionsanvändning uppdelad efter användarnas marknadsföringskontext (t.ex. innehållsproduktion, socialt engagemang, deltagande i användargrupper etc.) kan du identifiera hur du kan skräddarsy produkten för olika användarsegment för att maximera konverteringen.

Produktkvalificerade leads (PQL): Traditionellt sett söker B2B-företag efter potentiella kunder bland kvalificerade marknadsföringsleads (MQL) och kvalificerade försäljningsleads (SQL). PQLs är en förbättring jämfört med MQLs eller SQLs som är rotad i faktisk användning av din produkts gratisversion. Alltför ofta saknar PQL-modeller djup genom att vara begränsade till enbart funktionsanvändning. Om du istället kombinerar data om funktionsanvändning med affärsmått som konsumtion (t.ex. B2B SaaS) eller lagerengagemang (t.ex. e-handel) kan det resultera i en förbättrad PQL-modell, vilket ökar konverteringen.

Nybörjare

Det här är nya betalande användare som letar efter en meningsfull avkastning på investeringen (ROI).

Tid till värde (Time to Value, TTV): Detta är tiden från den första registreringen till "aha"-ögonblicket. Nyckeln till att få detta rätt är din definition av värdehändelse( r ) för dina användare, vilket är mätbara användarbeteenden som fungerar som en proxy för "aha"-ögonblicket. Ofta är de mest användbara värdehändelserna för komplexa för att kunna representeras i ett analysverktyg. Tänk till exempel på den här värdehändelsen för ett projekthanteringsverktyg: en användare skapade 5 projekt, som vart och ett hade 10 eller fler uppgifter tillagda, och 80 % av uppgifterna slutfördes inom en tvåveckorssprint. Även om detta ligger utanför de flesta analysprogramvarors funktioner, kommer ett verktyg som kan uttrycka sådana komplexa analytiska scenarier att mäta TTV mer exakt.

Adoptionsgrad för produkter och funktioner: Det kan vara till hjälp att förstå hur stor andel av de betalande användarna som utnyttjar specifika funktioner i din produkt, eftersom detta kan vägleda din prioritering av vad som ska förbättras eller byggas härnäst. Det är inte bara funktioner med hög adoptionsgrad som är av intresse, utan även funktioner med låg adoptionsgrad. Att förklara varför en funktion har låg adoption kan dock ibland vara ett fullständigt mysterium. Att analysera data om användarresor tillsammans med andra affärsmått kan bidra till att ge svaret. Till exempel kan problem med bortfall av användare i en e-handelstjänst vara ett tecken på dålig lagerhållning eller prissättning, kanske i specifika shoppingkategorier, så ditt analysverktyg bör kunna kamma igenom dessa dataset för att hitta det specifika problemet.

Stamkunder

De här användarna får värde från produkten regelbundet och kan ha implementerat den djupare i organisationens processer.

Bruttointäktsretention (GRR): Detta är de intäkter som behålls från befintliga kunder under en viss tidsperiod och spårar effekterna av kundbortfall på din topline. Nyckeln här är att identifiera risken för kundbortfall tidigt så att kundteam kan prioritera dessa konton. För att göra detta krävs att man identifierar trender i olika kontaktpunkter med kunderna, främst supportaktivitetsdata, t.ex. från Zendesk, och produktanvändningsdata. Att undersöka trender mellan olika kontaktpunkter är ett ganska komplext arbete i de flesta analysverktyg.

Mästare

Det här är det perfekta stadiet för en användare att nå. Champions är så dedikerade användare att de förespråkar produkten och tar in nya användare, och på så sätt får PLG-svänghjulet att snurra.

Betyg för kundnöjdhet (CSAT): För att mäta CSAT gör du en undersökning bland dina användare och beräknar hur stor andel av de svarande som är nöjda enligt det tröskelvärde som du har satt upp. Ibland innehåller kundundersökningar tillräckligt med detaljer för att identifiera specifika styrke- eller friktionsområden, på samma sätt som diskussioner i community- eller användarforum. Men när dessa detaljer inte finns tillgängliga, vilket är ganska vanligt, är det bra att korrelera CSAT-poäng med produktupplevelse, supportärenden, visningar av dokumentation i appen etc.

Viralitet: Från Zoom till TikTok är det inget mysterium hur hänvisningar och inbjudningar kan leda till exponentiell adoption av en produkt som är redo för det. Nyckeln till att låsa upp viral tillväxt är att förstå vilka aspekter av produktupplevelsen som omvandlade en användare till en mästare. Att analysera produktanvändningen är till hjälp, men det är lika viktigt att spåra och förstå aktiviteten i sociala medier, användarforum och andra gemenskaper, som alla sprider varumärkesmedvetenhet om ditt varumärke. Återigen är ett holistiskt sätt med flera kanaler nyckeln.

Slutsatser

Det produktledda svänghjulet för tillväxt kan vara ett effektivt ramverk för tillväxt. Genom att anpassa sig till PLG-mätvärden kan olika funktioner samarbeta effektivt genom att spåra och reagera på ledande indikatorer på tillväxt. Genom att implementera data från dessa relaterade funktionella områden kan du dessutom förbättra dina analyser och hitta svar på nästa nivå som ger snabbare tillväxt.

Optimizely Warehouse-native Analytics är ett nästa generations produktanalysverktyg som hjälper team att generera insikter från alla sina datakällor. På så sätt kan du förstå användarbeteenden i sitt fulla sammanhang och ta reda på hur du kan hålla ditt PLG-svänghjul snurrande.

  • Analys
  • Last modified: 2025-04-26 00:16:50