Побудова простих моделей продукту для прийняття продуктових рішень

Побудова простих моделей продукту для прийняття продуктових рішень

Після того, як продукт досяг product-market fit і починає стрімко зростати, у більшості продуктових команд і команд зростання виникає дилема - на поліпшенні якоїсь частини продукту сфокусуватися в першу чергу, щоб отримати максимальний бізнес результат. Адже коли одночасно біжиш у всіх напрямках, то є дуже велика ймовірність витратити час на порожню і в результаті не досягти результату ніде.

І варіантів руху тут маса, можна сфокусуватися:

На залученні, де почати витрачати більше і наливати більше трафіку існуючими каналами, або освоювати нові канали залучення, або шукати більш нішеву аудиторію, ніж знизити вартість залучення.

На ВОРОНКУ та КОНВЕРСІЇ, щоб більше потенційних клієнтів доходили до заповітної купівлі/підписки.

На ПОВЕРНЕННІ користувачів у використання існуючих юс кейсів/продуктів, щоб один користувач довше залишався із сервісом.

На ЧАСТІ використання продукту, щоб вашим продуктом користувалися частіше.

На МОНЕТИЗАЦІЇ, щоб отримувати вище середній чек з одного покупки.

На зменшенні відтоку клієнтів.

Або може навіть на оптимізації ЗМІННИХ ВИТРАТІВ, які треба понести, щоб здійснити одну угоду.

Але без розуміння того, як між собою взаємопов'язані всі ці показники, ми можемо тільки гадати, що зараз дасть максимальний результат на виході.

Вихід із цієї ситуації є - можна побудувати просту модель, яка б містила всі ці показники, щоб візуалізувати та емулювати їх зміну з погляду впливу на підсумковий показник зростання, чи то дохід, прибуток чи кількість активної аудиторії.

Звичайно, будь-яка модель - це лише штучно створений об'єкт, але для прийняття схожих продуктових рішень - вкрай корисна штука.

Давайте розглянемо з прикладу простого продукту.

Припустимо, що ми з вами працюємо над мобільним додатком IOS. Ми вже зробили Soft-Launch продукту на вузьку аудиторію та зараз готуємося до основного запуску на всю аудиторію. Запуск буде проходити як повністю новий додаток.

Програма монетизується через тижневу підписку. Ціна тижневої передплати 1$, але з кожної транзакції нам треба заплатити 30% комісії. У середньому 8% користувачів купують передплату.

А також середній клієнт використовує підписку близько 8 тижнів.

Припустимо, що ми залучаємо користувачів лише з допомогою платної реклами в соц. мережах та вартість однієї установки (CPI) дорівнює 0.45 $. На першому етапі ми плануємо витратити рекламу 10000$.

Наша мета - зрозуміти, чи зможемо ми таким продуктом заробити 10000 $ зверху після вирахування витрат на маркетинг? І якщо ні, то що ми можемо змінити в продукті, щоб виконати ціль у 10К?

Всієї цієї інформації цілком достатньо, щоб скласти найпростішу модель економіки продукту. Модель можна знайти за наступним посиланням:

https://docs.google.com/spreadsheets/d/1X6s9OHBFj2reXgQV7fK3v3yGFNhDVcVkGzgjXnVXWak/edit?usp=sharing&usp=embed_facebook 

На складання моделі я витратив хвилин десять від сили. Вона проста, не враховує сотні важливих факторів, але від неї вже можна відштовхнутись, щоб спробувати знайти відповідь на запитання про 10К$.

Усі вихідні дані, які нам відомі і ми можемо якось вплинути, виділено у файлі кольором. Осередки з обчисленнями без заливки.

Разом, при поточних вихідних значеннях, ми витратимо на маркетинг 10К$, то чистий прибуток після відрахування витрат за маркетинг ми отримаємо аж -44$. Погодьтеся - це дуже далеко від 10К чистого прибутку, та що тут казати - бізнес працює в мінус. За такої економіки дуже ризиковано починати масштабуватись.

Але що ж можна зробити, щоб виправити цю ситуацію?

Маючи цю модель ми можемо попрактикуватися в так званому what-if аналізі, і змоделювати, що буде з прибутком, якщо ми змінимо один із показників. Наприклад, якщо ми зможемо знизити вартість установки з 45 центів до 40, то вже вийдемо в плюс і заробимо 1200 $ чистого прибутку після вирахування витрат на маркетинг. Чи не 10К, але вже щось.

Схожим чином ми можемо спробувати змінити інші показники і подивитися як це вплине на розмір чистого прибутку.

Якщо ми при вихідних даних почнемо продавати підписку не по 1 $ на тиждень, а по 2 $, то вже заробимо 9911 $ замість -44 $.

Але варто розуміти, що в реальному житті збільшення ціни на той же товар може суттєво вплинути на конверсію в його покупку, причому не на краще. Якщо в результаті підвищення ціни, конверсія на купівлю знизиться до 5%, то замість 9911 $ чистого прибутку, ми вже отримаємо 2444 $, що теж непогано.

Цей приклад зі збільшенням ціни показує, що не можна просто змінити один показник без розуміння того, як це вплине на інші.

Звичайно, в корені неправильно бездумно змінювати значення моделі до тих пір, поки ви не підберете потрібний вам результат. При зміні будь-якого показника необхідно одразу думати, а яким чином ви зробите це у продукті і скільки на це необхідно витратити зусилля та ресурси.

Проте без такої простої моделі продукту ми б просто ворожили, а так є корисна візуалізація, в якій можна представити абсолютно різні варіанти розвитку подій. Це дуже полегшує прийняття продуктових рішень. А зрозумівши базові взаємозв'язки між метриками можна ускладнювати подібну модель доти, доки вона не міститиме в собі всі важливі/необхідні саме вам показники.

Спробуйте скопіювати собі файл і самостійно змоделювати ситуацію, при якій ми отримаємо заповітні 10К$. Впевнений, що кожен знайде багато різних варіантів. Буду радий у коментарях обговорити=)