إذا حاولت يومًا تسعير منتج جديد، فأنت تعرف الطقس المعتاد. تسأل الناس عمّا يدفعونه، فيذكرون رقمًا مجاملةً، وبعد ثلاثة أشهر تسخر منك بيانات المبيعات. لذلك لا عجب أن أول سؤال يطرحه المؤسسون علينا هو: «هل يستطيع Cast أن يخبرني بسعري؟»
الجواب هو: «يستطيع أن يخبرك الكثير عن سعرك»، والأبحاث توضح الفرق.
ما وجدته الدراسات
في Harvard Business School (يفتح في علامة تبويب جديدة)، أمضى James Brand (يفتح في علامة تبويب جديدة) وAyelet Israeli (يفتح في علامة تبويب جديدة) وDonald Ngwe (يفتح في علامة تبويب جديدة) ثلاث سنوات في دراسة هذا السؤال تحديدًا في Using LLMs for Market Research (يفتح في علامة تبويب جديدة). خلاصتهم الحالية مباشرة بشكل منعش: تقديرات الاستعداد للدفع من النماذج اللغوية «تقارب أحيانًا تقديرات الدراسات البشرية، لكنها غالبًا غير دقيقة، وفي بعض الحالات تأتي بإشارة معاكسة». يفيد الضبط الدقيق على استبيانات سابقة في الميزات الجديدة ضمن الفئة نفسها، لكنه لا يفيد في الفئات الجديدة كليًا. ويرون أن الذكاء الاصطناعي مكمّل للدراسات البشرية لا بديل عنها.
أما الإدراك فقصة مختلفة. اختبر Peiyao Li (يفتح في علامة تبويب جديدة) وNoah Castelo (يفتح في علامة تبويب جديدة) وZsolt Katona (يفتح في علامة تبويب جديدة) وMiklos Sarvary (يفتح في علامة تبويب جديدة) قدرة النماذج على رسم صورة نظر المستهلكين إلى العلامات التجارية، في Marketing Science (يفتح في علامة تبويب جديدة). وأفادت INFORMS (يفتح في علامة تبويب جديدة) بأن نسبة الاتفاق بين البيانات البشرية والبيانات المولّدة بالذكاء الاصطناعي بلغت من 75% إلى 85% (يفتح في علامة تبويب جديدة)، بينما حذّر المؤلفون من أن البحث الآلي بالكامل «قد لا يكون دقيقًا في كل فئات المنتجات».
البشر مع الذكاء الاصطناعي يتفوقون على كل منهما منفردًا
نتيجتنا المفضلة جاءت من Neeraj Arora (يفتح في علامة تبويب جديدة) وIshita Chakraborty (يفتح في علامة تبويب جديدة) وYohei Nishimura (يفتح في علامة تبويب جديدة) في Journal of Marketing. كرر الباحثون دراستين حقيقيتين من إحدى شركات الأغذية في Fortune 500، وطلبوا من خبراء تقييم العمل. تفوق الجمع بين البشر والذكاء الاصطناعي على التحليل البشري وحده وعلى تحليل الذكاء الاصطناعي وحده. وجاء في ملخص AMA (يفتح في علامة تبويب جديدة): «تقدم النماذج اللغوية والبشر رؤى فريدة ومتكاملة ينبغي للمديرين الاستفادة منها».
كلمة عن أرقام البائعين
سترى في هذا المجال ادعاءات كبيرة. تقول Qualtrics (يفتح في علامة تبويب جديدة) إن المستجيبين من الذكاء الاصطناعي يختصرون وقت البحث «من أسابيع إلى دقائق» (يفتح في علامة تبويب جديدة)، وإن نموذجها المضبوط أقرب بكثير إلى إجابات البشر من النماذج العامة في اختبارها الخاص (يفتح في علامة تبويب جديدة) على 518 مستجيبًا مطابقًا. وتذكر Ipsos (يفتح في علامة تبويب جديدة) أنها استخرجت أكثر من 250,000 إجابة من الذكاء الاصطناعي (يفتح في علامة تبويب جديدة) لأبحاث التحليل المشترك، وتدعو إلى «فحص دقيق لموثوقيته التنبؤية وتحيزاته وحدوده». نحن نتفق مع Ipsos. تعامل مع أي اختبار تجريه شركة بنفسها، ومنها نحن، على أنه نقطة بداية.
كيف يتعامل Cast مع السعر
هكذا نطبّق نتائج هذه الأبحاث. لا نثبّت المستخدم الافتراضي برقمك أبدًا. نسأله أولًا عمّا يدفعه اليوم، ثم نعرض عليه سلّمًا من الأسعار، ثم نسأله عمّا يدفعه إلى الانسحاب. ونعرض النتيجة نطاقًا وترتيبًا، لا توقعًا دقيقًا («سعر عادل عند 260، وانسحاب عند 320، والمقاولون من الباطن الأكثر حساسية للسعر»). استخدم ذلك لاختيار سعرين أو ثلاثة أسعار تستحق الاختبار مع مشترين حقيقيين. سيكون هذا الاختبار أرخص وأدق لأنك بدأت مع Cast.
لماذا تفشل الأسعار المصرّح بها، مع الذكاء الاصطناعي ودونه
سؤال الناس «كم ستدفع؟» له تاريخ طويل وغير سعيد. الناس مجاملون، وليس أمامهم ميزانية فعلية، ولا شيء لديهم على المحك. يسمي الاقتصاديون الفجوة بين ما يقوله الناس وما يفعلونه التحيز الفرضي، وهو يظهر في كل دراسة تقريبًا عن التفضيلات المعلنة. يرث المشارك من الذكاء الاصطناعي هذه المشكلة، لأنه تعلم كيف يتحدث الناس عن المال، وهذا يختلف عن كيفية إنفاقهم له.
المشكلة الثانية هي أثر التثبيت (يفتح في علامة تبويب جديدة). اعرض على أحدهم رقمًا أولًا فتميل إجابته نحوه. والنماذج اللغوية أكثر قابلية للإيحاء من البشر هنا، إن لم تكن مثلهم. إذا كان سؤالك «هل تدفع 49 دولارًا؟» فقد قست رقمك أنت في الغالب.
أسئلة أفضل عن السعر
نادرًا ما يطلب بحث التسعير الجيد رقمًا واحدًا. إنه يسأل عن الحدود والمفاضلات. يطرح مقياس Van Westendorp لحساسية السعر (يفتح في علامة تبويب جديدة) أربعة أسئلة: عند أي سعر يصبح المنتج رخيصًا لدرجة لا تبعث على الثقة، وصفقة جيدة، وغاليًا نوعًا ما، وغاليًا لدرجة لا تُؤخذ في الحسبان. أما التحليل المشترك (يفتح في علامة تبويب جديدة) فيجعل الناس يختارون بين حزم، فينافس السعر الميزات بدل أن يبقى معلقًا وحده.
تنتقل التقنيتان جيدًا إلى Cast لأنهما تسألان عن المنطق، لا عن رقم فحسب. حين يقول مستخدم افتراضي: «أي مبلغ فوق 200 شهريًا وأفضّل الاحتفاظ بجدول البيانات»، تعرف البديل الذي تنافسه فعلًا.
دراسة تسعير يمكنك إجراؤها هذا الأسبوع
- اسأل كل مستخدم افتراضي عمّا يدفعه اليوم مقابل المشكلة التي تحلها، بما في ذلك كلفة عدم فعل شيء.
- اطرح حدود Van Westendorp الأربعة دون أن تذكر سعرك.
- اعرض حزمتين أو ثلاثًا، واسأل أيها سيختارون ولماذا خسرت الأخرى.
- اسأل عمّا قد يدفعهم إلى الإلغاء بعد ثلاثة أشهر.
- اعرض نطاق السعر وأبرز اعتراض على خمسة مشترين حقيقيين قبل أن تنشر صفحة الأسعار.
تحدث عن السعر قبل البناء لا بعده
يعامل معظم المؤسسين التسعير كخطوة أخيرة: يبنون المنتج ثم يختارون رقمًا. يرى Madhavan Ramanujam وGeorg Tacke من شركة الاستشارات Simon-Kucher العكس في Monetizing Innovation (يفتح في علامة تبويب جديدة)، وعنوانه الفرعي يقول كل شيء: How Smart Companies Design the Product Around the Price. حجتهما أن الاستعداد للدفع سؤال عن المنتج. إذا لم يدفع أحد مقابل ميزة، فأرخص وقت لمعرفة ذلك هو قبل أن يكتب أحد الشيفرة.
هنا تثبت المقابلات المبكرة مع المستخدمين الافتراضيين قيمتها. هي ليست جيدة في تقديم رقم نهائي، كما تبين الدراسات أعلاه. لكنها جيدة جدًا في أن تخبرك، بتكلفة قليلة ومبكرًا، أي أجزاء عرضك يتحدث الناس عنها كأنها تستحق مالًا، وأيها يتحدثون عنها كإضافات لطيفة.
قاموس صغير للتسعير
الاستعداد للدفع (WTP). أعلى سعر يقبله شخص مقابل منتج. للاقتصاديين أدبيات واسعة (يفتح في علامة تبويب جديدة) في قياسه، وتحذر أغلبها من أن السؤال المباشر يبالغ فيه.
السعر المرجعي. السعر الذي يحمله المشتري في ذهنه حين يحكم على سعرك، وغالبًا ما يدفعه اليوم أو ما يطلبه منافس. السعر المرجعي (يفتح في علامة تبويب جديدة) هو سبب أن «أرخص من توظيف محاسب بدوام جزئي» يقنع أكثر من «300 فقط شهريًا».
Gabor-Granger. طريقة طورها في الستينيات Clive Granger وAndré Gabor. تسأل طريقة Gabor-Granger (يفتح في علامة تبويب جديدة) عن نية الشراء عند سعر واحد، ثم ترفع السعر أو تخفضه بحسب الجواب، لتجد أعلى سعر ما زال كل شخص يقبله.
Becker-DeGroot-Marschak (BDM). طريقة متوافقة مع الحوافز (يفتح في علامة تبويب جديدة) من الاقتصاد التجريبي، نُشرت أول مرة عام 1964. يذكر فيها المشاركون قيمة عرضهم، ثم يحدد سعرٌ عشوائي هل يشترون فعلًا. ولأن المال الحقيقي ينتقل بين الأيدي، فإن المبالغة في العرض تكلّفهم شيئًا.
الخيار الطُّعم. خيار يُضاف أساسًا لجعل خيار آخر يبدو أفضل. في كتاب Predictably Irrational يصف Dan Ariely عرضًا قديمًا لمجلة The Economist، كان فيه سعر النسخة المطبوعة وحدها مثل سعر النسخة المطبوعة مع الموقع. في تجربته على طلاب، اختار 84% النسخة المطبوعة مع الموقع حين وُجد الخيار الطُّعم. وحين أُزيل، اختار 68% الخيار الأرخص، وهو الموقع وحده (أثر الخيار الطُّعم (يفتح في علامة تبويب جديدة)).
مثال تطبيقي
تخيل مؤسسة تبني برنامج جدولة لعيادات العلاج الطبيعي المستقلة. لديها ثلاث حزم في ذهنها وحدس بأن 120 شهريًا هو السعر المناسب. هكذا قد يبدو أسبوعها الأول إذا سارت بحكمة.
- تجري دراسة في Cast مع فئتين: ممارسون يعملون منفردين، وعيادات فيها من ثلاثة إلى ستة معالجين. ولا تذكر حزمها ولا سعرها.
- تسأل كل مستخدم افتراضي عن طريقته في حجز المواعيد اليوم وعن تكلفتها عليه، مع احتساب وقت الاستقبال والمواعيد الفائتة.
- بعد ذلك فقط تعرض الحزم الثلاث بترتيب عشوائي، وتسأل أيها سيختارون وأي ميزة سيتخلون عنها أولًا لتوفير المال.
- النمط الذي تلاحظه (ما زال افتراضًا): الممارسون المنفردون يقارنونها بتطبيق تقويم مجاني، بينما تقارنها العيادات الأكبر بساعات عمل موظف استقبال. سعرا مرجع مختلفان، فالأرجح أنها تحتاج إلى باقتين مختلفتين.
- تأخذ هذه الفرضية إلى أصحاب عيادات حقيقيين، مع عرض سعر فعلي يمكنهم قبوله أو رفضه.
لاحظ ما قدمه Cast لها: سببًا لتقسيم تسعيرها، وأسئلة أفضل. ولاحظ ما لم يقدمه: الرقم. هذا ما زال يأتي من أناس لديهم ميزانيات حقيقية.
ماذا تفعل بعد جولة المستخدمين الافتراضيين
أقوى متابعة هي ما فيه مال حقيقي أو التزام حقيقي: تجربة مدفوعة، أو طلب مسبق، أو خطاب نوايا موقّع، أو صفحة أسعار تعرض أسعارًا حقيقية على زوار حقيقيين. وإن أردت دراسة منظمة، فتمرين بأسلوب BDM يتضمن مشتريات فعلية أصدق بكثير من استبيان. المقابلات مع المستخدمين الافتراضيين تضيّق الخيارات. واختبارات الالتزام تختار بينها.
أسئلة يطرحها المؤسسون عن التسعير بالذكاء الاصطناعي
هل أستطيع أن أذكر نطاق سعر من Cast في عرضي للمستثمرين؟
اذكره على أنه فرضية، لا على أنه بيانات سوق. عبارة «تشير المقابلات مع المستخدمين الافتراضيين إلى نطاق من 150 إلى 250، ونتحقق منه مع عشرة شركاء تصميم» صادقة وقوية.
هل يميل الذكاء الاصطناعي إلى الإجابات الأرخص؟
أحيانًا. قد تتحفظ النماذج في إنفاق أموال غيرها. لذلك ننظر إلى الترتيب بين الحزم وإلى الأسباب المذكورة، فهو أثبت من المستوى المطلق.
ماذا عن أسعار B2B التي تعتمد على التفاوض؟
اسأل بدلًا من ذلك عمّن يملك الميزانية وعن مسار الموافقة. من يوقّع، وعند أي حد، وما الإثبات الذي يحتاجه، أنفع غالبًا من رقم.
كيف أسعّر منتج SaaS باستخدام مقابلات العملاء؟
اسأل عن الإنفاق الحالي والبدائل أولًا، ثم عن المفاضلة بين الحزم، ثم عن حدود السعر أخيرًا. استخدم الإجابات لاختيار سعرين أو ثلاثة، واختبرها بعروض يستطيع الناس قبولها فعلًا.
ما الفرق بين الاستعداد للدفع والقدرة على الدفع؟
القدرة على الدفع تتعلق بالميزانية: هل يستطيعون تحمل الكلفة أصلًا؟ والاستعداد للدفع يتعلق بالقيمة: هل سيختارون إنفاقها عليك؟ يستطيع المستخدم الافتراضي أن يخبرك الكثير عن الأمرين، لكن المشترين الحقيقيين وحدهم يثبتون أيًا منهما.
اقرأ التالي: إعادة أشهر تجارب علم النفس على آلة.
