How we develop pricing and packaging at Fin

Ценообразование — одна из тех вещей, что снаружи выглядят простыми (хочется надеяться), но изнутри оказываются совсем не такими.

В Fin ценообразование и упаковка (P&P) — это не финальный штрих. Это исследовательская задача, прогнозный вызов, коммерческое решение и, в конечном счёте, стратегическое заявление, требующее глубокой кросс-функциональной работы. Мы должны балансировать между потребностями и желаниями наших клиентов, ценностью, которую даёт наш продукт, и более широким видением, к которому мы движемся.

Наш подход к разработке P&P со временем эволюционировал, но это по-прежнему живая система.

Процесс

Работа по ценообразованию и упаковке обычно запускается, когда мы выпускаем что-то новое, что нужно монетизировать — например, Fin, нашего AI-агента. Дальше мы проходим последовательность исследований, анализа и принятия решений. Работа в основном распределяется между product, research и data science.

Шаг 1: фундаментальное исследование

Мы начинаем с разговоров с покупателями, чтобы понять мир, в котором они живут. Как они определяют ценность? Как выглядит ROI? Какие модели ценообразования они ожидают в этой категории? Что кажется интуитивным, а что — странным? Это глубокая качественная работа.

Она лежит в основе двух важнейших решений, которые мы принимаем: модели ценообразования и метрики ценообразования.

Модель ценообразования — это общая структура: value-based, usage-based, access-based, фиксированная плата и так далее. Для Fin мы выбрали value-based модель: вы платите только тогда, когда Fin приносит ценность. Наши исследования чётко показали, что покупатели не хотят платить за использование — они хотят платить за результаты. Метрика ценообразования — это единица ценности внутри модели, единица, к которой мы привязываем цену. Для Fin метрика ценообразования — это «outcomes» (исходы). Outcome определяется как успешная обработка Fin клиентского запроса.

Детали действительно имеют значение. Небольшое изменение в определении метрики может полностью изменить то, как клиенты воспринимают ценность.

Наша цель — выйти на такую модель и метрику, которые лучше всего соответствуют целям, потребностям и ожиданиям покупателей. Это требует большой интерпретационной работы. Мы не можем ожидать, что покупатели знают правильную модель ценообразования для наших продуктов; они делятся тем, как оценивают ценность, а мы выводим наилучшую подходящую модель и метрику.

На каждом этапе мы привлекаем мнения от руководства, финансов, GTM и инженерии. Не всегда формально, но достаточно, чтобы обеспечить согласованность перед движением дальше. Решения по ценообразованию пронизывают весь бизнес — их нельзя принимать в изоляции.

Шаг 2: готовность платить

После того как у нас есть модель и метрика, мы переходим к ценовой точке. Здесь мы запускаем количественное исследование готовности платить (willingness-to-pay, WTP).

Мы используем модель и метрику как основу, на которой строим вопросы о WTP.

Пример вопроса в опросе: вы будете платить только тогда, когда Fin даёт outcome (→ модель). Outcome засчитывается, когда AI-агент решает запрос клиента без дальнейшей помощи (→ метрика). Готовы ли вы платить $X за outcome для Fin?

Фундаментальное качественное исследование так важно как первый шаг. Оно помогает решить, о чём вообще спрашивать, прежде чем начинать спрашивать, сколько люди готовы платить. Без качественной подготовки рискуешь построить очень убедительный ответ на неправильный вопрос.

Цель — не найти идеальную цену. Её не существует. Цель — заземлить наши обсуждения в реальности рынка.

Мы используем такие методы, как Gabor-Granger и Van Westendorp, чтобы понять WTP. Эти исследования дают результаты примерно такого вида (иллюстративные данные):

Этот график показывает, какой процент рынка готов купить продукт при разных ценовых точках. Кривая спроса показывает, что 69% покупателей были готовы платить за продукт по $0,86 за outcome, тогда как только 39% были готовы платить по $1,42.

Пунктирная линия обозначает ценовую точку, при которой выручка бизнеса была бы максимальной (умножением охвата на сумму в долларах).

Это позволяет обсуждать непростые вопросы вроде:

Каков правильный баланс между ростом и выручкой? Насколько чувствителен спрос к изменениям цены? При какой цене мы начинаем терять рынок? Если бы мы хотели увеличить охват, дало бы снижение цен на $X значимый эффект?

Данные помогают нам балансировать между потребностями клиентов и бизнеса.

Здесь решения по ценовой точке становятся более осязаемыми, но именно здесь ценовая точка ещё не фиксируется.

Шаг 3: моделирование

К этому моменту у нас есть:

Модель. Метрика. Сильный сигнал по готовности платить.

Теперь мы переводим это в нечто, что работает в реальном мире, чтобы выйти на финальную ценовую точку. Здесь подключаются data science и финансы.

Мы берём данные WTP и накладываем на них реалии бизнеса: ожидания по марже, различия между сегментами, поведение при скидках, трение при покупке, ёмкость отдела продаж, цены конкурентов и другие коммерческие ограничения. Этот процесс требует обширного моделирования.

Вот как это выглядит для Fin:

Мы начинаем с прайс-листа, выровненного со стратегией и коммерческими целями. Затем корректируем с учётом вероятных скидок, чтобы оценить реальную полученную цену (например, $0,99 в реальности может выглядеть скорее как $0,89). Дальше — использование. Мы используем бета-данные, чтобы понять, сколько outcomes клиенты в среднем генерируют и как это варьируется по сегментам, получая средний ARR на клиента. Затем объединяем данные об использовании с данными WTP, чтобы смоделировать attach rate (вероятность покупки), просчитывая диапазон сценариев от консервативных до оптимистичных. Наконец, мы передаём это в долгосрочный план вместе с финансами, чтобы оценить количество логотипов, ARR и, что важно, маржинальность. Это редко делается за один проход.

Мы итерируем, пока цифры — и история, которую они рассказывают — не сходятся воедино.

Шаг моделирования важен, потому что данные о готовности платить в какой-то мере теоретические. Они отражают намерение, а не поведение. Моделирование помогает преодолеть этот разрыв.

Цель этого шага — выйти на рекомендацию по ценовой точке вместе с прогнозами ARR и охвата. Это позволяет нам понять реальный бизнес-эффект принимаемых решений.

Параллельно со всем этим нам нужно убедиться, что любое принимаемое решение соответствует нашим принципам ценообразования и более широким бизнес-целям.

Шаг 4: согласование

Наконец, мы собираем всё в единую рекомендацию по ценообразованию и упаковке и приносим её руководству. Если её одобряют, она переходит в стадию реализации.

Эти четыре шага и составляют то, что мы понимаем под P&P-стратегией в Fin. В каком-то смысле принять решение — это самая лёгкая часть.

Операционализация сложнее: обучение отдела продаж, раскатка для клиентов, создание инструментов для демонстрации ROI и, в конечном счёте, интерпретация — а правильно ли мы всё сделали.

Эта операционная работа значительна и, вероятно, заслуживает отдельного поста.

А делаем ли мы это каждый раз?

Нет, это идеальный процесс.

На практике мы, вероятно, проходим этот полный процесс примерно в половине случаев. Ограничения по времени и ресурсам реальны, поэтому нужно быть умными в том, когда именно прогонять процесс целиком.

Строгость процесса должна отражать важность принимаемых решений. Некоторые вещи просто не настолько важны — и это нормально. Или ответ просто более очевиден.

На практике мы часто запускаем более кустарные исследования между этапами, когда что-то кажется неопределённым. Работа над ценообразованием редко линейна. Процесс держит нас в реальности, но не делает работу аккуратной.

Постоянный вызов

За последний год примерно ширина нашего продукта значительно расширилась — и это здорово. Fin умеет гораздо больше, чем раньше. Но это означает, что наша система ценообразования должна развиваться вместе с ним, а некоторые ранние принципы, на которые мы опирались (например, простота), сейчас растягиваются по-новому.

Какое-то время мы могли ценить продукты довольно модульно. У каждого продукта была своя логика, оптимизированная под конкретную ценность, которую он приносит. Это хорошо работало, когда набор продуктов был проще.

Но по мере того как мы добавляли больше продуктов, больше возможностей агентов и больше outcomes, вопрос начинает меняться с «какой правильный P&P для этого одного продукта?» на «как всё вместе укладывается в связную систему ценообразования?». Это совсем другая задача.

Мы должны признать, что ценообразование — это не то, что задаётся один раз и оставляется в покое. По мере того как продукты эволюционируют, особенно в мире, где AI стремительно меняет то, как создаётся и доставляется ценность, важно регулярно делать шаг назад и пересматривать общую картину, а не только отдельные компоненты.

Например, outcome-based pricing хорошо нам служило, особенно когда наши продукты были тесно привязаны к чётким, измеримым outcomes. Но по мере того как наши продукты становятся всё более разнообразными и по мере того как мы продолжаем строить более широкую платформу, становится менее очевидным, как чисто применить одну единственную модель ко всему.

Вызов становится меньше про замену одной модели другой и больше про постоянное поднятие головы и вопрос: какая ценовая философия лучше всего отражает ценность, которую мы доставляем сегодня? И как доставить эту философию так, чтобы она всё ещё ощущалась правильной для клиентов?

Короче говоря, финишной черты нет — ценообразование никогда не бывает «готовым». И именно так и должно быть.

Почему эта работа имеет значение

Ценообразование и упаковку обычно замечают только тогда, когда что-то идёт не так. Запутанная модель, плохая метрика или цена, ощущающаяся оторванной от ценности.

И об этом мы узнаём быстро.

Но когда всё сделано хорошо, это почти незаметно — и тихо делает огромную работу.

Это формирует то, как люди воспринимают ценность, помогает покупателям понять, за что они платят, и делает продукт легче продавать, легче покупать и легче масштабировать. Это также заставляет компанию быть честной в том, чего на самом деле стоит продукт.

Именно поэтому в Fin мы относимся к этому серьёзно.