Anda tidak boleh harga, pasaran, atau penghantaran dengan baik sehingga anda tahu siapa yang paling menghargai anda. Kebanyakan syarikat tidak bertaruh pada $ 2–10M ARR kerana produk atau pemasaran. Mereka bertaruh kerana mereka membina “semua orang yang mungkin membeli,” bukannya seseorang yang jelas kristal. Bahagian yang rumit di sini adalah bahawa kebanyakan proses tradisional adalah buang-buang masa. Saya telah melihat pasukan menghabiskan bulan-bulan di sini dengan sangat sedikit untuk menunjukkan untuk itu. Apa itu Persona dan Mengapa Ia Penting? Titik tukar tunggal terbesar dalam kebanyakan syarikat berlaku apabila mereka memahami kumpulan-kumpulan ini, mengumpul data, menggunakannya dengan betul, dan kemudian menyesuaikan strategi mereka mengikutnya. Katakanlah anda menjual produk yang menggali lubang. apa jenis lubang yang pelanggan anda sebenarnya mahu? Ini bergantung kepada sama ada pelanggan anda adalah: Kanak-kanak berumur 5 tahun di pantai hobi tukang kebun Seorang pekerja pembinaan Penyiasat Minyak Walau bagaimanapun, mengapa mereka mahu lubang digali dan apa lubang itu mesti kelihatan sangat berbeza. Oleh itu, nilai yang mereka letakkan pada lubang juga sangat berbeza. Seorang kanak-kanak berusia 5 tahun di pantai mungkin hanya mahu satu lubang dan tidak mempunyai apa-apa wang untuk membayar anda. Sudah tentu, lubang-lubang ini perlu kelihatan berbeza, tetapi itu semacam perkara keseluruhan. persoalan orang pusat Terdapat banyak metodologi yang berbeza untuk menentukan personas pengguna anda. Dalam pengalaman saya, yang paling berguna sejauh ini adalah mengumpulkan pengguna mengikut masalah yang mendasari yang mereka datang kepada produk anda untuk menyelesaikan. Ini merupakan indikator terbaik kedua-dua potensi retensi mereka dan keinginan untuk membayar. Di Codecademy, kami mempunyai empat orang utama: Hobi: Orang-orang yang mendapati koding menarik tetapi tidak memerlukannya untuk apa-apa keperluan tertentu. Pelajar: Orang yang belajar untuk tugas sekolah. Upskillers kerjaya: Orang yang menambah koding kepada kemahiran kerja sedia ada mereka, jadi seorang penganalisis kewangan yang mahu pindah dari Excel ke Python + SQL. Switchers kerjaya: Orang-orang yang mahu menjadi jurutera sepenuh masa atau saintis data. Selepas kami mula mengumpul data ini dan menggunakannya, kami melihat beberapa trend yang tidak mengejutkan. “Hobbyists” tidak benar-benar perlu belajar mengatur; ia secara harfiah hobi. “Siswa” mempunyai keperluan, tetapi belajar untuk program tidak membuka sebarang pendapatan segera, jadi mereka mengekalkan produk percuma tetapi tidak mempunyai keinginan yang tinggi untuk membayar. Mereka biasanya tidak membeli produk yang dibayar.Jika mereka melakukannya, mereka tidak menahan diri. Walau bagaimanapun, “Career Upskillers” dan “Career Switchers” mempunyai masalah sebenar yang boleh kita selesaikan. Jika mereka memperoleh kemahiran baru, mereka boleh membuat lebih banyak wang agak cepat, jadi tidak menghairankan, mereka mempunyai LTV tertinggi. Apabila kami menggunakan maklumat segmentasi ini dalam data kami, kami melihat sesuatu seperti imej di bawah. personas terbaik kami mempunyai kadar retensi yang berbeza dan LTV. Bagaimana untuk membina orang anda Seperti semua perunding yang baik, saya datang dengan rangka kerja yang menarik dan kompleks untuk anda menyelesaikan ini: Pastikan pendiri anda menebak. Dalam pengalaman saya, kebanyakan rangka kerja penyelidikan yang panjang dan mahal di sini adalah buang-buang masa. Pengasas mestilah berada dalam ruang masalah anda cukup lama dan bercakap dengan pengguna yang cukup bahawa mereka mungkin boleh memisahkan orang dengan kira-kira 30 minit pemikiran. Jika tidak, anda mempunyai masalah lain. Anda lebih baik daripada membentuk beberapa kategori kasar dan mengisi butiran semasa anda bercakap dengan pengguna semasa penyelidikan pengguna biasa. Seperti kebanyakan perkara dalam permainan startup, kelajuan adalah segalanya. Menggunakan data ini untuk membuat lebih banyak wang Untuk data ini berguna, anda perlu melakukan perkara berikut: mengumpulkannya Mengintegrasikannya ke dalam analisis anda supaya anda boleh melihat perbezaan Mengubah pengalaman awal untuk memaksimumkan kadar pengaktifan. Gunakan pelajaran keseluruhan untuk memacu pembangunan produk & pemasaran. Cara yang paling mudah untuk melakukannya ialah dengan kajian onboarding. Saya tidak pernah melihat apa-apa penurunan bahan dalam keterlibatan peringkat awal daripada kemasukan, dan jika anda menggunakan data ini untuk menyesuaikan pengalaman peringkat awal, yang anda perlu, anda mungkin akan meningkatkan pengaktifan. Mari kita lihat beberapa contoh. Mereka meminta motivasi teras di hadapan, kerana mereka tidak boleh menyimpulkan ini daripada data kursus. Duolingo yang meminta maklumat organisasi anda, mungkin kerana mereka mempunyai pergerakan PLG yang berbeza dalam menjual kepada pengguna ini Idea Airtable mengumpul peranan pengguna, mungkin kerana kedua-dua mereka menyesuaikan pengalaman peringkat awal dan produk mereka digunakan pada peringkat pasukan terutamanya. Jadi, apa yang anda lakukan dengan maklumat ini? Seperti yang dinyatakan di atas, playbook asas kelihatan seperti ini: Peta individu anda dengan pengasas anda. lakukan dengan cepat. Setkan sesuatu semasa onboarding yang membolehkan anda untuk segmentasikan mereka. Gunakan data segmen ini dalam semua metrik utama anda. Pilih orang ideal anda Pastikan kedua-dua pemasaran dan produk mengoptimumkan untuk ini di atas yang lain. Bahagian yang paling sukar ini sejauh ini adalah mempunyai disiplin untuk memberi tumpuan kepada persona terbaik dalam pemasaran dan pembangunan produk anda. Ini tidak boleh dipandang berlebihan. Semakin besar pasukan anda dan / atau semakin lama anda telah melakukan ini, semakin banyak rintangan akan ada untuk berhenti melakukan perkara-perkara jenis kerja dan mula cuba mencari perkara-perkara yang benar-benar berfungsi. Nasib baik di luar sana.
