Table des Matières
Chacun devrait s'intéresser à l'utilisation de ses données pour optimiser sa tarification SaaS. Après tout, trouver la bonne tarification est l'une des meilleures opportunités de croissance des revenus dans notre secteur.
Mais que diriez-vous si je vous disais que vous devez recommencer la collecte de données à zéro, des années après le lancement ? Que diriez-vous si je vous demandais d'arrêter de travailler avec vos anciennes données et de vous engager dans six mois de collecte de données soigneusement contrôlée en vue de l'optimisation des prix ?
Beaucoup seraient réticents à cette idée. Si vous avez un tableau de bord et des données, pourquoi ne pouvez-vous pas utiliser ces informations pour des expériences d'optimisation des prix ?
La réponse courte est que si nous utilisons d'anciennes données pour l'optimisation des prix, tous les enseignements que nous trouvons sont probablement du bruit.
Pour obtenir un signal fiable pour notre optimisation des prix, nous devons collecter les données de manière structurée. Si nous planifions soigneusement notre collecte de données, notre expérience évite de gaspiller des ressources sur des résultats non concluants.
Cet article (troisième partie de notre série Optimisation des prix) expliquera en détail pourquoi les expériences sont essentielles pour trouver le meilleur prix, et quelles données vous devez utiliser pour exécuter des expériences correctement.
Optimisation des prix en SaaS : Pourquoi vous ne devriez pas utiliser d'anciennes données
Tarifer un produit SaaS est difficile, surtout quand votre entreprise commence tout juste.
La bonne nouvelle est qu'après quelques ventes initiales, vous pouvez commencer à collecter des données pour exécuter des expériences et collecter des données exploitables.
Regardons un exemple. Ci-dessous se trouve un MRR graphique d'un vrai client Baremetrics au cours de ses deux premières années :
Nous pouvons utiliser ces données pour recueillir des enseignements sur une relation entre notre prix et les taux d'inscription. Spoiler alert : quelque chose va se mal passer !
Ce propriétaire d'entreprise lance à un prix bas, 25 $/mois, puis augmente le prix deux fois : d'abord à 39 $/mois, puis finalement à 45 $/mois.
Peut-être que la stratégie suivie par ce propriétaire d'entreprise était d'augmenter le prix jusqu'à ce que quelque chose de mauvais se produise.
Quelle que soit la stratégie, pour qu'elle nous aide à optimiser nos revenus, nous avons besoin d'un KPI par lequel juger quel prix est mieux. Pour nos besoins, pour trouver le meilleur prix, nous examinerons ce qui s'est passé avec les taux d'inscription quand nous avons augmenté le prix.
Baremetrics offre des outils de reporting puissants qui facilitent le suivi des métriques et des KPI importants. Obtenez votre essai gratuit ici.
Comparaison des taux d'inscription
Comment comparons-nous les taux d'inscription entre ces points de prix ? Nous pouvons supposer que si nous augmentons le prix, il y aura moins d'inscriptions, mais de combien ?
Essayons de brancher les données dans un modèle statistique simple pour estimer les taux d'inscription mensuels. Pour les curieux, c'est un modèle de Poisson que nous discuterons davantage dans les articles futurs.
Ce modèle utilise les données sous la forme de comptages d'inscriptions par mois. Pour l'instant, tout ce que nous avons besoin de savoir est que les points de données sont mis dans le modèle, et une estimation des taux d'inscription en sort.
Ce qui précède montre les estimations pour les taux d'inscription à chaque point de prix. Les barres d'erreur montrent l'incertitude sur l'estimation (intervalles de confiance de 95 %).
Que nous dit cela ?
- Le modèle est sûr que les inscriptions à 25 $/mois (bleu) sont plus élevées que les autres. »
- De plus, il y a un chevauchement entre le violet et le vert, ce qui est la façon du modèle de nous dire qu'il n'est pas sûr que les inscriptions soient réellement différentes entre ces prix.
Quel prix génère le plus de revenus ?
Maintenant que nous avons comparé les taux d'inscription, nous pouvons explorer ce que cela implique pour les revenus.
Pour obtenir des estimations de revenus, nous multiplions les taux d'inscription par la durée de vie attendue d'un client. Dans cet ensemble de données, c'est 49,8 mois (pour voir plus sur la façon dont nous avons obtenu ce nombre, consultez notre article précédent sur la rétention des clients!)
Ensuite, nous multiplions cela par le prix :
Revenu attendu = Taux d'inscription × Durée de vie attendue × Prix
Cette équation nous donne une estimation du revenu total que nous nous attendons à gagner pour chaque mois pour chaque point de prix.
Maintenant, transformons les résultats de la régression de Poisson en utilisant la formule. Cela nous permet de comparer ces groupes par leur revenu total, comme indiqué dans le graphique ci-dessous :
Notez que maintenant, même le groupe de prix le plus bas (en bleu) chevauche le prix le plus élevé !
Les barres d'erreur qui se chevauchent signifient que notre modèle ne sait pas quel prix génère le plus de revenus, ils pourraient même être identiques !
En résumé, nous avons passé deux ans à collecter des données sur nos prix, et nous ne savons toujours pas lequel est mieux pour les revenus.
Qu'est-ce qui s'est mal passé ici ?
D'une part, nous n'avons pas pu distinguer nos prix parce que nous n'avons pas collecté suffisamment de données. Les barres d'erreur sont si grandes qu'elles se chevauchent. Avec plus de données, nous obtiendrions des barres d'erreur plus serrées, ce qui nous permettrait de distinguer les prix.
Prenez par exemple la barre d'erreur pour 25 $/mois (bleu). Elle est beaucoup plus grande que les autres. Si nous avions plus de données sur 25 $/mois, la barre d'erreur serait plus petite, et nous pourrions dire avec plus de certitude si elle est différente ou non.
Regardons combien de jours nous avons consacrés à chaque prix :
Remarquez comment le prix de lancement (bleu) était en ligne pendant seulement une fraction du temps des autres. Nous avons une distribution très inégale, possible aléatoire de jours accordés à chaque prix.
Si nous avions planifié la comparaison avant de collecter les données, nous aurions donné à chaque prix un nombre égal de jours actifs. Mieux encore, nous pourrions ne sélectionner que deux prix au lieu de trois, de sorte que chaque prix recevrait encore plus de données pour une comparaison à plus haute résolution.
Vous vous demandez peut-être, combien de jours devrions-nous consacrer à chaque prix ? Il s'avère que nous pouvons utiliser des techniques statistiques liées à Analyse de puissance pour estimer la quantité de données que nous devons collecter pour répondre à notre question de manière fiable.
De cette façon, nous pouvons évaluer si nous avons les ressources nécessaires pour mener une expérience réussie—plus de détails à ce sujet dans un prochain article.
En tout cas, le résultat de l'analyse de ces anciennes données est décevant—deux ans de collecte de données, et rien à montrer pour cela.
Nous pourrions chercher un moyen de la sauver. En l'absence de tout bon signal sur les revenus, nous remarquons que le plan à 25 $/mois semble avoir des revenus plus élevés parce que le montant moyen est plus élevé que les autres, et la majeure partie de l'espace couvert par les barres d'erreur se situe au-dessus des autres options.
Peut-être pourrions-nous prévoir d'utiliser le plan à 25 $ par mois pendant que nous planifions notre prochaine expérience. Mais même dans ce cas, en supposant que les résultats étaient meilleurs, serions-nous justifiés dans notre choix ? La réponse s'avère être non, et voici pourquoi.
La meilleure façon de voir vos données
Utilisez Baremetrics pour mesurer le TRM, la VCV et d'autres métriques métier critiques qui alimentent votre analyse. Vous voulez l'essayer vous-même ?
Facteurs supplémentaires à connaître
Le manque de données n'était pas notre seul problème. Pour voir ce qui d'autre ne va pas, regardons les données sous un angle différent. Voici les données sous forme de série chronologique :
Le graphique ci-dessus montre les inscriptions en tant que série chronologique. La ligne indique une moyenne mobile sur 20 jours pour révéler la tendance. Chaque couleur indique où chaque prix était actif.
Remarquez la grande variabilité des inscriptions, même lorsque le prix reste constant. Les inscriptions baissent et montent d'une manière qui ne semble avoir aucun rapport avec les prix que nous avons choisis. Que se passe-t-il ?
Voyons-nous une tendance entre les inscriptions et le prix ? Non. Pourquoi ?
Il s'avère que le prix n'est pas le seul facteur qui change les taux d'inscription de nos clients. Il y a toutes sortes de facteurs qui pourraient changer les taux d'inscription et qui n'ont rien à voir avec le prix. Mais nous n'avons collecté de données sur aucun d'entre eux.
Les taux d'inscription pourraient être affectés par l'évolution des conditions du marché, des équipes commerciales différentes, ou l'arrivée d'un concurrent, ou quelque chose à laquelle nous n'avions jamais pensé.
Puisque nous n'avons pas suivi cela, nos résultats sont déformés. Nous ne savons pas quels changements nous devons attribuer au prix et lesquels à quelque chose d'autre.
La vérité est que nous ne pouvons pas connaître tous les facteurs possibles qui affectent notre ensemble de données.
Tout ce que nous savons, c'est que nos données sur les inscriptions ont été déformées par des facteurs que nous ne connaissions pas. À ce stade, nous sommes bloqués. Nous ne pouvons pas obtenir d'informations sur la relation causale entre le prix et la volonté de nos clients de s'inscrire. Il n'y a aucun moyen de corriger cela après la collecte des données.
Conclusion
Les expériences sont chronophages et peuvent sembler une corvée. Mais lorsqu'elles sont bien menées, elles sont la meilleure façon d'obtenir des informations précieuses dans ces circonstances. Si nous ne menons pas d'expérience, nous finirons par extraire du bruit de nos données.
Si vous êtes intimidé par les défis auxquels nous avons fait face ici, ne vous inquiétez pas !
Nos prochains articles discuteront des méthodes que nous utilisons pour contourner ces problèmes. Nous discuterons d'idées sur la planification d'expériences qui offrent vraiment des informations exploitables.
Nos articles de la série comprendront des questions sur :
- Quels prix dois-je choisir pour tester ?
- De combien de données ai-je besoin ?
- Comment puis-je terminer mon expérience dans un délai raisonnable ?
- À quoi ressemblerait une expérience en pratique ?
- Que faire si je n'ai pas les ressources pour mener une expérience ?
Restez à l'écoute pour plus d'informations et envoyez toute question que vous pourriez avoir à david@baremetrics.com. Bonne expérimentation !
