Masterclass gratis dalam psikologi penetapan harga 👑

Mengambil langganan yang didukung iklan Netflix awalnya lambat.

The Wall Street Journal hanya melaporkan itu 9% dari pendaftaran baru memilih untuk itu, dan dari mereka yang dulu senang menonton iklan, 43% telah menurunkan versi dari opsi yang lebih mahal.

Hasil: pendaftaran ke tingkat iklan mereka berlipat ganda.

Studi kasus ini menunjukkan a kelas master psikologi penetapan hargadan bagaimana perubahan sederhana (bergantung pada data dan eksperimen) dapat mengubah arah produk Anda secara signifikan.

Meskipun sebelum kita mulai, saya ingin memperjelas tentang sesuatu: apa yang akan Anda lihat dapat dengan mudah dianggap sebagai pola gelap.

Tampaknya Netflix berhasil mereposisi proposisi nilai komparatif.

Tapi mari kita pertimbangkan pendekatan teoretis lainnya. Apa yang akan terjadi jika Netflix menambahkan bahkan rencana yang lebih mahal.

Misalnya: paket super premium ‘bertenaga AI’, dengan harga 20x lipat dari tingkat iklan.

Secara intuitif, tidak banyak orang yang mau membayar £1200 setahun untuk Netflix. Tapi itulah intinya.

Ada fenomena yang disebut 🦜 Efek Umpandi mana perusahaan akan menawarkan paket yang secara objektif tidak sesuai, dengan tujuan tunggal mengubah persepsi Anda tentang opsi lain.

Sebagian besar perusahaan tidak akan pernah mengakui menggunakan umpan.

Tapi sudah menjadi taktik untuk merilis aksesori yang sangat mahal (dan tidak perlu), di samping peluncuran produk utama.

Misalnya, pertimbangkan proposisi nilai sebenarnya dari tiga aksesori Apple berikut ini:

Untuk menjadi jelas; produk-produk ini nyata, dan mungkin dibuat dengan indah.

Tapi saya ingin Anda memeriksa yang halus manfaat psikologisyang terlalu sering terjadi secara kebetulan.

Mereka membantu membingkai ulang nilai untuk produk lainnya.

Ini berlaku untuk restoran dapur terbuka di mana Anda dapat melihat koki meneriaki bawahan, biji kopi yang Anda tahu telah dipanggang dengan susah payah dalam jumlah kecil, dan bahkan peternakan server memproses data dengan algoritme (atau AI) yang rumit atas nama kami.

Selama aktivasi, Netflix akan meminta Anda untuk memilih setidaknya 3 program TV atau film yang Anda sukai, lalu menampilkan spinner ini:

Kecuali, Netflix mungkin tidak memerlukan 3 detik penuh untuk mempersonalisasi dasbor Anda—kemungkinan dibuat secara instan, terutama mengingat betapa sedikit yang diketahuinya tentang Anda pada saat itu.

Alih-alih, itu kecakapan memainkan pertunjukanuntuk memberi Anda kesan bahwa di suatu tempat, server sedang memproses ribuan titik data untuk mempersonalisasi pengalaman “hanya untukmu”.

Kebanyakan orang merasakan kelumpuhan saat menelusuri perpustakaan film yang luas, tidak dapat membuat keputusan.

Ada nama untuk ini: 😳 Hukum Hicks.

Dalam upaya melonggarkan ikatan mental ini, Netflix membuat fitur yang akan memilihkan sesuatu secara acak untuk Anda, yang disebut ‘Mengejutkan saya‘.

Kecuali itu tidak berhasil, “penggunaannya sangat rendah“, dan sejak itu telah dihapus.

Ini karena secara paralel, mereka telah menjalankan fitur yang sangat mirip di Netflix versi ‘anak-anak’, yang disebut ‘Kotak misteri‘, yang belum telah dihapus.

Saya punya teori mengapa varian ini mungkin lebih berhasil: itu orang tua yang membuat keputusan.

‘Surprise Me’ adalah jalan pintas untuk menemukan sesuatu itu Anda kemudian harus menonton. Anda menanggung risiko dan hukuman karena memilih sesuatu yang tidak menarik.

Tetapi ‘Kotak Misteri’ mengakui bahwa orang tua sering kali menjadi pembuat keputusan, dan keduanya mungkin tidak peduli dengan episode Blippy mana yang dipilih, atau bahkan berada di dalam ruangan.

Poin penting di sini bukan hanya Netflix menunjukkan keinginan untuk bereksperimen dengan solusi, tetapi juga bahwa mereka memiliki disiplin untuk menghapusnya setelah gagal.

Dan bahkan lebih baik; bahwa mereka bereksperimen dengan berbagai solusi, kepada khalayak tertentu.

Ini adalah cara yang berguna untuk membingkai ulang pengujian A/B.

Apakah Anda menjalankan eksperimen yang langsung gagal? Atau apakah Anda secara keliru mencoba mengukur keberhasilan dari seluruh basis pengguna, alih-alih ceruk tertentu yang sebenarnya mendapatkan nilai dari perubahan?