Решения «на чуйке» и никаких метрик. 5 мифов о B2B-продактах

Всем привет! Меня зовут Марина Кузмичева, я lead product manager платформы автоматизации маркетинга Mindbox. Работаю в команде CDP (платформа клиентских данных) — это наш ключевой продукт, на котором базируются все остальные.

На собеседованиях и в профильных чатах часто слышу, что, в отличие от коллег из B2C, продакты в B2B ненастоящие: не проводят исследования, не анализируют метрики, а просто пилят заказные фичи.

Решила развеять мифы о B2B-продактах: в статье расскажу, как мы кастдевим клиентов, тестируем гипотезы и оцениваем эффект от фичей. А для тех, кто заскучал в B2C и подумывает сменить карьерный трек, в конце есть чек-лист, как вырасти в крутого B2B-продакта.

Некоторые клиенты B2B-сервисов, в первую очередь крупные, ждут, что продукт будут дорабатывать под их требования. Иногда это действительно происходит, особенно если речь про стартапы или вендоров, которым бóльшую часть выручки приносят два-три больших клиента.

Отсюда возникает миф, что вся разработка в B2B заказная: не нужно погружаться в задачи клиентов, инвестировать в проверку гипотез — можно просто пилить фичи за деньги.

То есть без продакта как будто можно обойтись — достаточно проджекта и аналитика. Первый организует работу команды, второй собирает и описывает требования клиента, а затем передает в разработку.

Как на самом деле. Заказная разработка в B2B — скорее исключение из правил. У массового сервиса с подписной моделью в принципе не может быть заказной разработки. С ней не получится масштабироваться: слишком сложно поддерживать разные версии продукта. По подписке работают и «1С-Битрикс», и iiko, и amoCRM — собственно, все или почти все участники рейтинга российских SaaS-компаний.

Например, мы в Mindbox не дорабатываем продукт по любому запросу — сначала вникаем в потребности бизнеса. Когда у нас просят новую фичу, мы пытаемся понять, для чего она нужна, какова ее возможная ценность для клиента и для нас. Для этого проводим интервью с пользователями — это существенная часть работы: в среднем у продактов в Mindbox на это уходит до 25% рабочего времени.

Объясню на примере реального кейса из фешн-индустрии. Один онлайн-магазин хотел варьировать скидку на товары в корзине в зависимости от их стоимости. Цель — предлагать наиболее привлекательную скидку, чтобы как можно больше клиентов оплатили отложенный товар. Мы предположили, что фича будет потенциально полезна и другим компаниям из той же индустрии, с похожим средним чеком. Таких оказалось много — значит, усилия по разработке окупятся, можно приступать.

Часто оказывается, что запрашиваемая фича вообще не нужна — задачу можно решить инструментами, которые уже есть. Например, одному из наших клиентов нужно было отфильтровать получателей рассылки по городу проживания. Параметры для фильтра собраны в древовидный список — приходилось прокручивать их, искать нужный. При этом список грузился долго.

От других компаний подобного запроса не поступало, поэтому мы начали копать, в чем причина неудобства. Оказалось, у клиента не была настроена иерархия в списке: страна → округ → область → город. Благодаря ей настраивать параметры удобно и без поиска.

Поиск мог сделать фильтрацию чуть удобнее, но значимо не повлиял бы на бизнес. Со временем мы планировали сделать новый вариант страницы, в том числе добавить поиск, — это часть большого проекта по редизайну. Сейчас нам эта функция стоила бы одну-две недели ресурса разработчика. Поэтому мы решили не браться за нее и подсказали клиенту, как структурировать список для удобства.

У B2B-продукта по определению меньше пользователей, чем у B2C. Отсюда делают вывод, будто данных у нас недостаточно и продуктовые решения принимаются «на чуйке».

Как на самом деле. В B2B действительно меньше пользователей, но у большого продукта их не десятки и даже не сотни. Так, по состоянию на август 2024 года с Mindbox работают 1130 компаний — это 16 тысяч пользователей-маркетологов. И все они создают акции и рассылки, сегментируют клиентскую базу, проводят AB-тесты и смотрят маркетинговые отчеты. То есть данных для продакта достаточно — нужно только их собрать.

Каждая продуктовая команда ищет инструменты для сбора данных под свои задачи. Например, недавно команда стажеров обновляла страницу логов, которые помогают отслеживать действия пользователей в Mindbox. Сначала провели интервью с клиентами, чтобы понять, как часто и зачем они используют страницу. Обнаружили два основных сценария:

— перейти из конкретной рассылки или акции, чтобы узнать, кто ее редактировал;

— зайти напрямую, чтобы выгрузить логи в свое хранилище.

Из этого родилась гипотеза, что фильтрами на странице логов пользуются нечасто и некоторые из них можно удалить. Чтобы проверить ее, встроили на сайт невидимый пиксель: он показывал, когда клиент пользовался тем или иным фильтром. С помощью пикселя выяснили, какие фильтры на странице используют редко, а какие никогда, — первые спрятали, вторые удалили.

Без предварительного интервью пиксель не дал бы нам полную информацию: мы бы не понимали пользовательские сценарии. То есть видели бы, что клиент применяет фильтры, но не знали бы, настраивает он их вручную или переходит на преднастроенный фильтр с других страниц. Соответственно, не понимали бы, как строится клиентский путь и как его поддержать на новой странице.

В некоторых случаях используем сервис для визуализации данных Grafana. Основная его функция — оценивать производительность и скорость работы платформы, но некоторые команды применяют его и для оценки продуктовых метрик. Например, так делала команда по разработке In-App — всплывающих окон в мобильном приложении. С помощью Grafana отслеживали, как часто в приложениях наших клиентов применяются In-App с просьбой подписаться на мобильные пуши.

В «Яндекс Метрике» мы используем карту кликов, чтобы визуализировать клиентский путь на странице продукта и сформулировать гипотезы для улучшения CJM. Например, раньше у нас была кнопка «Показать еще 50 элементов» — использовали ее на всех страницах с большим количеством пунктов, например при выводе получателей конкретной рассылки. Проверили — оказалось, что на эту кнопку активно кликают. Поэтому мы сделали так, чтобы новые элементы списка подгружались автоматически, когда пользователь долистывает до конца страницы. Это избавило наших клиентов от лишних действий.

Этот миф связан с предыдущим: у B2B-продуктов немного пользователей, выборка слишком маленькая, поэтому проводить AB-тесты и вообще проверять гипотезы не получится.

Как на самом деле. Действительно, проводить AB-тесты в B2B-продуктах не всегда возможно, но есть другие способы для проверки гипотез. Это можно делать через MVP благодаря тому, что есть прямой доступ к клиентам.

Так, в формате MVP мы тестировали автосегментацию на основе вычисляемых полей. Она определяет любимую товарную категорию покупателя, и он получает скидку. Mindbox рассчитывает любимую категорию исходя из того, какие товары человек чаще всего покупал или просматривал. Раньше эту работу вручную делали маркетологи вместе с бизнес-аналитиками.

Сначала сегментацию выполняли вручную для отдельных клиентов: продакт-менеджеры Mindbox по запросу группировали покупателей по предпочтениям. То есть компании получали готовые сегменты без привлечения бизнес-аналитиков.

Затем мы помогли клиентам провести AB-тесты. Например, «ВсеИнструменты.ру» сравнивали автосегментацию с отсутствием сегментации. Оказалось, открываемость и кликабельность писем выше, если использовать вычисляемые поля и делать рассылки по предпочтениям аудитории. Так мы убедились в пользе вычисляемых полей и привлекли разработку для их автоматизации.

Из-за представления, что в B2B мало пользователей, можно подумать, что у нас не хватает данных для оценки эффективности и, соответственно, масштабирования продукта. Кажется, что мы пилим фичи, отдаем их клиентам и при этом не оцениваем пользу для бизнеса.

Как на самом деле. Метрики в B2B, конечно, есть. Просто не все B2C-метрики для нас применимы. Например, мы не можем ориентироваться на количество уникальных пользователей за сутки (DAU) — у нас нет такой частоты использования. Или удержание (retention) — кроме развития продукта, на него влияют слишком много других факторов.

При этом ничто не мешает использовать в B2B такие общеизвестные метрики, как число уникальных пользователей за месяц (MAU), индекс удовлетворенности клиентов (CSAT) и рентабельность.

Главная метрика для нас в Mindbox — проникновение фичи, аналог MAU. Чтобы оценить его, для каждой фичи определяем целевой сегмент — клиентов, которым она потенциально полезна. Размер целевого сегмента позволяет понять, можно ли будет масштабировать фичу. Поясню на примере с автосегментацией, о которой я рассказывала выше.

Сначала определили размер целевого сегмента. Автосегментация полезна для больших e-commerce-компаний: при их объемах базы и товарной номенклатуры ручная сегментация становится слишком трудозатратной. На тот момент таких компаний у нас было 700, то есть чуть больше 60% всех клиентов Mindbox. Значит, у фичи хороший потенциал.

Дальше мы поставили цель — сколько клиентов будут пользоваться автосегментацией до конца года. Для этого применили инновационную модель, которая делит пользователей на пять типов: Типы пользователей и процесс принятия решений.

Сверили с моделью количество тех, кто уже пользуется автосегментацией, — таких клиентов как раз оказалось 2,5%. Исходя из этого предположили, что и следующий этап будет соответствовать модели: использовать новую фичу в ближайшие после релиза месяцы будут готовы первопроходцы, то есть 13,5%. Такую цель и поставили до конца 2024 года — 80 клиентов.

Чтобы увеличить проникновение автосегментации, уже начали писать истории успешного применения — публикуем их в «Mindbox Журнале», который читают многие пользователи. Готовим рассылки и уведомления в продукте, разрабатываем подборку механик с новой фичей. Планируем также провести мастер-класс на «Mindbox Конференции», где собираются почти все наши клиенты.

Следующий этап — измерить удовлетворенность пользователей. Для этого используем попапы, которые всплывают во время работы с платформой. Например, у нас появились новые фильтры, чтобы сегментировать клиентскую базу. Когда маркетолог нажимает на кнопку, чтобы применить фильтр, то видит попап с просьбой оценить удобство обновленной страницы.

Еще один источник обратной связи от клиентов — чат в самом продукте, где клиенты оставляют вопросы.

Ежемесячно отслеживаем количество вопросов от пользователей и хотим в перспективе его снижать. Конечно, при появлении новой фичи вопросов всегда становится больше — примерно на 10%. Главное, чтобы рост не был взрывным — на 30% и более. В таком случае стараемся быстро доработать фичу.

Анализируем не только количество вопросов, но и содержание: группируем по темам и в первую очередь внедряем доработки, которые позволят устранить часто возникающие трудности.

В ближайших планах — научиться оценивать, как изменения продукта влияют на выручку от него. Это общая для нашей сферы проблема: в B2B-продуктах почти всегда неоднозначная корреляция между изменениями продукта и влиянием на продажи. Понять, как измерять рентабельность изменений, — одна из ключевых задач на следующее полугодие.

Этот миф — следствие предыдущих четырех. Считается, что после B2B сложно найти работу: навыки не подходят для работы в B2C.

Как на самом деле. В B2B своя специфика, но работа предполагает такое же развитие продуктовых навыков, как в B2C. И применимы они везде.

Меня регулярно пытаются схантить — я успешно прохожу технические собеседования в «Сбер», «Яндекс», «Т-Банк». Двое наших продактов ушли в B2C-компании — в «Яндекс» и «Т-Банк», еще один мой знакомый B2B-продакт ушел в Ozon. Выборка, может, и не такая большая, но примеры показательны.

Преимущество B2B в том, что у продактов есть прямой доступ к клиентам, а они заинтересованы в коммуникации с вендором. Важно не бояться общаться с клиентами: чтобы выяснить их задачи и понять, как они пользуются продуктом, нет ничего лучше личного общения. Интервью помогут прокачать и софт-скилы: слышать собеседника и докапываться до сути проблемы, аргументировать решения, устанавливать договоренности.

Даже если кажется, что в продукте нет данных, — это не так: данных нет, только если нет пользователей. Отталкиваться стоит от задачи: сформулировать гипотезу, понять, какие данные нужны для ее проверки, и искать способы собрать их.

Ценность новой фичи или продукта для пользователей можно и нужно проверять без разработки. Для начала стоит сделать MVP, протестировать его с заинтересованными клиентами и отдавать в разработку, только если ценность доказана на данных.

Это необязательно должна быть верхнеуровневая метрика — подойдет проникновение фичи или даже количество вопросов от клиентов. Главное, чтобы ее можно было проследить в динамике. Это покажет, развивается ли продукт в правильном направлении, позволит авторизовать успех или отрефлексировать неудачу.

Развитие продуктовых компетенций во многом зависит не от специфики компании, а от самого сотрудника — возможности есть всегда. Например, у нас раньше не было метрик продукта — теперь есть. Все продакты, которые у нас работали, приложили руку к тому, чтобы аналитика появилась. Думаю, опыт внедрения метрик будет востребован в любой компании, даже если у нее уже хорошо развита продуктовая аналитика.