¿Qué métricas son las más importantes para su producto?

La industria de SaaS está llena de consejos sobre las métricas de productos perfectas para medir la activación, el compromiso y las interacciones de sus usuarios. Pero, ¿cómo se traducen estos conceptos en mejoras reales del producto?

Si no sabe exactamente qué preguntas quiere que se respondan, estas métricas de productos lo dejan cegado por los mismos datos que esperaba que le abrieran los ojos. Entonces, ¿cómo puede pasar de simplemente ingresar sus números en fórmulas de cortadores de galletas para responder preguntas clave sobre su producto y negocio, y proporcionar datos que puedan informar las decisiones del equipo del producto?

¿Qué son las métricas de producto?

Las métricas de productos son mediciones de datos que las empresas utilizan para evaluar el éxito de un producto y determinar cómo interactúan los clientes con él. Las métricas populares, como la tasa de abandono y la tasa de conversión, informan la estrategia del producto y ayudan a las distintas partes interesadas de la empresa a comprender el valor de un producto.

No todos los productos son iguales

En los primeros días del equipo de análisis de Intercom, nuestro seguimiento consistía principalmente en métricas financieras típicas de la empresa SaaS , como la tasa de conversión de nuestros clientes de prueba a pago y los ingresos recurrentes mensuales. Estas métricas y otras como el costo de adquisición del cliente (CAC) y el valor de vida del cliente (LTV) son esenciales para comprender la salud general de una empresa y su estrategia.

“Sin métricas adicionales que se centren en la experiencia del usuario, el equipo de análisis se perderá información crucial para las decisiones que toma el equipo de productos”

Pero se quedan cortos para los equipos de productos porque no responden todas las preguntas que son importantes para ellos, como "¿Los clientes encuentran valiosa esta función?" o "¿Qué tan fácil es usar nuestro producto?" Sin métricas adicionales que se centren en la experiencia del usuario, el equipo de análisis perderá información crucial que el equipo de producto puede usar para informar sus decisiones.

Empezamos leyendo sobre lo que habían hecho otras empresas. Descubrimos que muchos de los consejos de "mejores prácticas" sobre análisis de productos eran útiles para introducir conceptos, pero que las reglas no se aplicaban uniformemente. Mucho depende del tipo de negocio que estés ejecutando. Una aplicación SaaS B2B de $ 99 definirá el compromiso de manera muy diferente a un sitio web de comercio electrónico.

Las métricas correctas del producto comienzan con las preguntas correctas

Un valor central del equipo de análisis de Intercom es "comenzar con la pregunta correcta". Si simplemente aplicáramos marcos bien usados ​​a ciegas, estaríamos comenzando con la pregunta de otra persona, no con la nuestra. Y si las métricas que producen estos marcos no comienzan con la pregunta correcta, no influyen en cómo se construye un producto o la dirección que toma un negocio.

Estas métricas se convierten en proxies falsos que pueden verse bien en el papel, pero proporcionan una hoja de ruta falsa y no le darán una idea real sobre dónde llevar el producto a continuación o qué mejorar.

“La mayoría de la gente usa la analítica de la misma manera que un borracho usa una farola, como apoyo en lugar de iluminación”.

– David Ogilvy, fundador y ejecutivo de publicidad

Además, un solo conjunto de métricas para servir a toda la empresa se vuelve cada vez menos efectivo a medida que la empresa crece en tamaño. Los equipos tienden a divergir en cuanto a las métricas que les interesan. Aunque todos pueden compartir una misión común de alto nivel, contribuyen a la misión de diferentes maneras y, por lo tanto, su éxito debe medirse de manera diferente. El equipo de crecimiento se centra en la participación en una parte del producto; el equipo de marketing en una parte completamente diferente.

Encontrar las preguntas correctas requiere colaboración

Existen numerosas métricas útiles que el equipo de análisis puede proporcionar a los gerentes de productos para que puedan medir de manera más efectiva el éxito del producto. Aquí hay algunos ejemplos de métricas de participación utilizadas por las empresas de SaaS:

• Tiempo promedio para convertir a un usuario de una versión de prueba a un usuario de pago
• Porcentaje de usuarios que utilizaron una característica determinada del producto
• Promedio de veces que un usuario realizó una acción clave
• Promedio de acciones clave realizadas por sesión

Donde la mayoría de los equipos tropiezan es que no saben cómo encontrar las preguntas correctas para responder con sus métricas. Decidir sobre esas preguntas requiere una asociación de colaboración entre el analista y el equipo de desarrollo de productos, en lugar de la relación más tradicional entre las partes interesadas y los recursos.

Para guiar esta asociación, nos inspiramos en el marco HEART de Google, que brinda consejos sobre cómo definir las métricas del producto que se derivan de los objetivos del producto (Felicidad, Compromiso, Adopción, Retención, Éxito en la tarea). Por ejemplo, aquí hay algunas preguntas que hacemos a nuestros equipos de productos para ayudarnos a comprender sus objetivos para que podamos ayudarlos a definir métricas significativas:

• Si imaginamos un cliente ideal que obtiene valor de nuestro producto, ¿qué acciones están tomando?
• ¿Cuáles son los pasos individuales que un usuario debe seguir dentro de nuestro producto para lograr un objetivo?
• ¿Esta característica está diseñada para resolver un problema que tienen todos nuestros usuarios, o solo un subconjunto de nuestros usuarios?

3 puntos de contacto para determinar sus métricas

Para ayudar a nuestros socios de productos a responder estas preguntas, utilizamos conceptos de uso de productos que, con el tiempo, se han entendido bien y acordado en toda la empresa. Estos términos pueden estar directamente relacionados con puntos clave durante el viaje de un cliente dentro de nuestro producto:

• Intención de uso : la acción o acciones que realizan los clientes que nos dicen definitivamente que tienen la intención de utilizar el producto o la función.
• Activación : el punto en el que un cliente obtiene por primera vez un valor real del producto o característica.
• Compromiso : la medida en que un cliente continúa obteniendo valor del producto o característica (cuánto, con qué frecuencia, durante cuánto tiempo).

Armados con estos conceptos simples, podemos buscar respuestas a preguntas como las planteadas anteriormente. El siguiente paso es buscar señales que sean específicas del producto o característica que correspondan a estos conceptos. Descubrimos que la colaboración abierta con personas de nuestros equipos de productos (gerentes, diseñadores, investigadores e ingenieros) produce muchas señales útiles que podemos usar para desarrollar métricas de éxito de productos impactantes.

Siempre que haga las preguntas correctas, obtendrá información valiosa sobre la que puede actuar. En resumen, comience con el problema, no con los datos.

Desarrollar las métricas clave de su producto

Al igual que nuestra filosofía de "enviar para aprender", definir las métricas de éxito del producto es solo el comienzo. Para garantizar su éxito, deben ser defendidos, comunicados e incluso criticados por una variedad de equipos. Así como la métrica mide el éxito del producto, debemos medir el éxito de la métrica.

¿Las métricas nos dan una imagen real del éxito del producto? ¿Están influyendo en cómo pensamos sobre el producto? ¿Están motivando al equipo que construye el producto? Estas son preguntas que un analista debe hacer constantemente sobre las métricas que produce, defiende e informa.

“ Usar una forma de trabajo común y consistente significa que cualquier persona en la organización puede comprender fácilmente las métricas de cualquier producto, lo que significan y por qué son importantes ”

Este enfoque colaborativo para la definición de métricas ha llevado a una relación mucho más fluida entre los equipos de análisis y productos. Del mismo modo, el uso de una forma de trabajo común y coherente significa que cualquier miembro de la organización puede comprender fácilmente las métricas de cualquier producto, lo que significan y por qué son importantes. Esto significa que los cambios en el producto pueden ser informados, o incluso liderados por, los conocimientos adquiridos al explorar los datos enmarcados por estas métricas.

Ejemplo: cómo los datos informaron el diseño de nuestra función de artículos

Un gran ejemplo de esto es nuestro producto de base de conocimiento, Artículos. Nuestros equipos de análisis y productos se asociaron en este proyecto desde la idea hasta el lanzamiento. Las métricas se decidieron al principio, utilizando el enfoque simple y bien entendido de preguntas primero descrito anteriormente. Esto significaba que las primeras versiones beta del producto ya tenían un sólido conjunto de métricas para que pudiéramos probar nuestras suposiciones.

Planteamos la hipótesis de que era importante comprender cuánto tardaba un cliente en pasar de crear artículos de forma activa (mostrando la intención de usar) a captar la atención de sus clientes sobre esos artículos (activarlos) de manera eficiente. Si los clientes pudieran ver el valor del producto rápidamente, estarían más obligados a pasar de una versión de prueba a un usuario de pago y sería menos probable que abandonen.

Las interacciones de los clientes beta con las primeras versiones del producto indicaron que les estaba tomando mucho tiempo llegar a este punto. Como resultado, el producto se simplificó para permitir una experiencia más fluida. En el lanzamiento, pudimos ver una mejora en el tiempo de activación en todos los ámbitos, y esto tuvo un efecto positivo en la conversión general de los clientes de prueba a pago.

Continuamos explorando e iterando el proceso de diseño basado en datos. Si bien siempre estamos buscando áreas para mejorar, comenzar con un enfoque basado en asociaciones nos ha puesto en una buena trayectoria para convertirnos en una organización verdaderamente informada por datos.