PMM — роль, яка викликає чимало непорозумінь. Хтось вважає, що це лише про маркетинг, інші впевнені, що PMM — це те саме, що Growth чи Product Manager. Дмитро Цапій, Product Marketing Manager в Universe Group, спростовує поширені міфи про цю роль, а також про трактування метрик, підходи до побудови воронок, продуктову аналітику та конверсії.
Вважається, що головне (і чи не єдине) завдання продакт-маркетинг менеджера — побудувати воронку, зробити її привабливою та ефективною. Насправді роль PMM (Product Marketing Manager) — комплексна і набагато ширша. Окрім роботи з воронками, продакт-маркетинг охоплює безліч різноманітних функцій. Йдеться про стратегічну роботу над продуктом, дослідження ринку, аналіз потреб клієнтів, комунікацію з аудиторією, роботу з платежами та розвиток нових напрямів.
Інше упередження про задачі PMM полягає у тому, що цей спеціаліст лише запускає нові кампанії та шукає нові ніші. Запуск — це важлива частина роботи PMM, але це не все. Значна частина часу приділяється аналітиці, покращенню та оптимізації вже наявних продуктів, процесів і кампаній.
Часто роль PMM сприймають як суміш маркетингу і продукту, яка виконує функції обох. Насправді це самостійний фахівець, який не лише координує дії команд маркетингу та продукту, але й має інші зони відповідальності: пошук нових ніш та перспективних напрямів, генерація і тестування гіпотез, а також ініціювання змін у продукті. PMM також може виступати драйвером створення нових продуктів чи напрямів. Загалом він шукає нові можливості для зростання і масштабування продукту.
Product Marketing Manager має бути супермобільною людиною, яка знає, як знаходити, генерувати і перевіряти нові гіпотези. Наприклад, корисним скілом може бути вміння провалідувати велику фічу/гіпотезу нового продукту за тиждень, а не витрачати місяці на розробку, щоби дізнатися результат. Це можна зробити через додавання маленького питання в онбордінг квіз. Наприклад, «чи хотіли б ви мати таку фічу в продукті?» або «чи стикалися ви з певною проблемою?». Відповіді назбираються точно швидше ніж розробка і тестування, і це збереже час і гроші для бізнесу.
Іншим інструментом впливу PMM є проведення Fake Door Tests — імітація функціональності для замірювання конверсії. Наприклад, ми зробили дослідження і знайшли проблему користувачів, яку хочемо допомогти вирішити. Перш ніж створювати великий продукт, спочатку потрібно зрозуміти попит на нього (наскільки це доцільно для користувачів). За допомогою Fake Doors процес скорочується в рази: ми створюємо нову воронку, налаштовуємо кампанії з невеликими бюджетами та дивимось на поведінку. В кінці користувач побачить банер: «Вибач, *назва продукту* зараз недоступний, чи цікаво тобі отримати його зі знижкою?». Так буквально за тиждень ми можемо зрозуміти чи варто розробляти такий продукт.
Продакт-маркетинг — настільки комплексний напрям, що коли ви описуєте свою роботу в межах якоїсь функції, люди поза контекстом ймовірно скажуть «це ж те саме, що…». Наприклад, шукати нові ніші та воронки — нагадує їм Growth Marketing. Покращувати меседжі, які команда показує у воронці, щоби збільшити конверсію, — виглядає як Content Marketing. Відповідати за взаємодією користувача з продуктом та воронкою — схоже не продакт-менеджмент. Певною мірою робота PMM перетинається з іншими ролями, але на них лежать різні функції. PMM — це людина, яка стратегічно відповідає за маркетинг продукту, створення go-to-market плану, позиціонування продукту, донесення цієї цінності до користувача і, відповідно, за імплементацію та виконання метрик.
Усі бізнеси дивляться на Customer Acquisition Cost (CAC) і LTV (Lifetime Value). Окремо від інших жодна з цих метрик не дасть чіткого розуміння про успішність бізнесу або кампанії. Якщо ви запустили новий бізнес, CAC 300$ — це багато чи мало? Або 30$? Так само із LTV. Важлива їхня взаємодія, результатом якої є позитивна юніт-економіка. Метрики, ізольовані від контексту бізнесу, не мають значення. Єдиним виключенням може бути ROMI, оскільки ця метрика чітко показує успішність ваших кампаній. Однак, у цьому випадку потрібен теж додатковий контекст, який дасть зрозуміти, який ROMI є прийнятним для вашої компанії. Для одних це може бути 1.05, тоді як для інших і 1.5 може бути недостатнім.
Так само важливо розуміти, які саме дії покращують Retention Rate та LTV, а які — навпаки. Наприклад, вважається, чим більше дій робить у продукті користувач, тим вищими будуть його лояльність та тривалість взаємодії з продуктом. Насправді це не завжди так. Коли користувач вимушений робити низку дій, це може погіршити досвід і знизити бажання повертатися.
Інший приклад з минулого досвіду — в одному з проєктів ми відправляли користувачам багато пуш-сповіщень про акції або спеціальні пропозиції. Ми дивилися на високий open rate і були переконані, що він має пряму кореляцію з кількістю замовлень та ретеншеном. Певною мірою це так, але велика кількість сповіщень рано чи пізно набридає. Тоді користувач їх відключає, і ви вже не зможете до нього достукатися. І це негативно впливає на ретеншн і взаємодію з застосунком довгостроково.
Темами для дискусій в комʼюніті найчастіше стають успішні чи неуспішні A/B-тести, фреймворки роботи з новими воронками та платежі. Коли доходить до пошуку нових воронок, зазвичай PMM діляться на два табори: тих, хто спирається на маркетинг і тих, хто на продукт.
У першому підході основою є загальна воронка продукту, на яку залучають користувачів, тестуючи нові ідеї та напрями. Наприклад, якщо ваш продукт пов’язаний із продуктивністю, можна почати говорити про суміжні теми, як-от боротьба з прокрастинацією. Спочатку це буде частиною основної воронки. Якщо результати тестування креативів покажуть, що ця тема має хороший відгук, її виділяють в окрему воронку, яка вже стосується конкретно антипрокрастинації. У такий спосіб навколо продукту створюються нові маркетингові напрями чи воронки для залучення аудиторії.
У другому підході створення нових воронок базується на аналізі самого продукту. Наприклад, продуктивність як широка ніша може охоплювати різні аспекти: психологічний стан, побудова режиму дня чи формування корисних звичок. Тут ідея нової воронки не виникає через тестування креативів, а формується як окрема бізнес-модель із прорахунком власної юніт-економіки.
Обидва підходи є правильними, і вибір залежить від бізнесу та стратегії.
Скільки ресурсів слід вкладати в продуктову аналітику? З одного боку, вважають, що аналізу багато не буває, і варто вимірювати все, що можна. А з іншого боку — надмірна кількість даних може сповільнювати процеси та команду. Важливо тримати баланс і розуміти, як метрики взаємодіють між собою і впливають одна на іншу. Щоби команда не втрачала швидкість, варто пріоритезувати головні показники і фокусуватися на них. Швидкість заради швидкості, так і аналітика заради аналітики не мають сенсу. Має бути правильний баланс між швидкістю та аналітикою.
Обсяг даних, необхідних для корисного аналізу, суттєво відрізняється залежно від кількох факторів:
тип аналізу;
складність проблеми;
наявна якість даних.
Добре структуровані, якісні дані з відповідними функціями можуть бути ціннішими, ніж великі набори даних із шумом і нерелевантною інформацією.
Для вірної оцінки результатів A/B тестувань важливу роль відіграє статистична потужність: під час перевірки гіпотез розмір вибірки, необхідний для адекватної статистичної потужності, залежить від очікуваного розміру ефекту, перемінності даних і бажаного рівня достовірності. Більші вибірки зазвичай дають більш надійні результати. Тому ще до запуску А/В-теста треба визначити метрики (основну і другорядні), зміни яких покажуть, чи є нова функціональність більш успішною. Тест нового функціоналу зазвичай впливає не на одну цільову, а на ряд метрик. Тому ми дивимося на зміни в цілому і маємо чітко розуміти, що зміни однієї конверсії, яка не набрала мінімальну вибірку і не є стат. потужною, недостатньо для прийняття рішень. Спершу ми визначаємо метрики, на які також може впливати тест, розраховуємо мінімальну вибірку, збираємо стат. значущість і стат. потужність, аналізуємо основні і додаткові метрики, та лише потім приймаємо рішення.
Загальні рекомендації:
Маленькі аналізи: від кількох сотень до кількох тисяч точок даних може бути дос
татньо для дослідницького аналізу або простих візуалізацій.
Аналіз помірного масштабу: для надійнішого статистичного аналізу часто потрібні десятки тисяч точок даних.
Широкомасштабний аналіз: для складних моделей машинного навчання, особливо в таких сферах, як розпізнавання зображень і мови, зазвичай потрібні сотні тисяч або мільйони точок даних.
Таким чином, «правильна» кількість даних залежить від конкретного контексту аналізу, цілей і використовуваних методів.
