Skip to content

搞英语 → 看世界

翻译英文优质信息和名人推特

Menu
  • 首页
  • 作者列表
  • 独立博客
  • 专业媒体
  • 名人推特
  • 邮件列表
  • 关于本站
Menu

留住企业意味着解决难题

Posted on 2022-12-29

保持 saasy-black-ogimage.jpeg

我们之前写过关于SaaS 中不同类型的叙述,以及它们如何帮助您进行销售。我们讨论的核心叙述是:

  • 该产品将使我们更有效率
  • 该产品将使我免于被解雇
  • 该产品将节省一大笔钱
  • 这个产品会赚很多钱

这些叙述是买家兴奋购买的主要原因,如果您的产品没有引起至少一种共鸣,企业就不会打开他们的钱包。

企业产品需要学会通过解决真正困难的问题来捍卫它们的长期价值。要了解原因,以下是典型的企业客户生命周期可能运行的方式:

  • 您构建了一个有用的产品。企业购买。
  • 你支持你的产品。客户的团队随着人员的晋升、雇用、解雇和重组而转变和发展。企业团队就像飞机,新的人员和机组人员不断加入和离开同一个船体。
  • 有一天,一位新的客户领导来了,并决定重新评估他们的软件。有时原因是政治原因,有时是经济原因,但故事总是一样的——在某种程度上,所有软件支出都可能被砍掉。

度过这场风暴的最好方法是解决一个非常困难(但很重要)的问题。

难题让你无可替代

当领导层更替时,许多高管会引入他们在其他地方使用过的工具来展示价值并创造一个熟悉的环境。其他企业买家通常会有强烈的政治动机来尝试构建您的解决方案,以便为自己树立名声——尤其是技术公司的技术买家。

在这两种情况下,即使他们实际上没有可行的替代品,即使他们在其他方面很满意,他们也会试图撕掉产品。作为企业产品,要实现高保留率,您需要解决一个明显困难的问题,以帮助您阻止这些冲动。更换解决真正困难(当然也很重要)问题的产品应该感觉像是真正的职业风险。

最好的难题要么在技术上非常困难,要么需要非常肮脏的解决方案。那么究竟是什么导致了技术上的困难或真正肮脏的问题呢?

真的很难

买家应该看看你的产品并说“我不知道我现在的团队是否真的有能力解决这个问题,即使有大量的时间、金钱和资源。”应该是恐吓。你的产品应该看起来像是在看某人投出时速 101 英里的快球;很明显,这不是通过更加努力地工作就可以完成的壮举。

AWS / Azure / GCP 就是一个很好的例子。能够自托管一个大规模的应用程序越来越成为一种失落的艺术,系统工程的转变。如果您的团队是在假设您可以随意使用云资源的情况下建立的,那么您可能根本不了解如何自行托管您的业务。您拥有多少台服务器——多少台空调?您团队中有人以前经营过 NOC 吗?他们对再次这样做感觉如何?

另一个例子是 Figma 或 Adob​​e Photoshop。如果必须的话,你真的能制造这些产品吗?你团队中有多少工程师是 WASM 或机器学习模型的坏蛋,用于在照片中插入云覆盖?

真的很脏

肮脏的问题看起来可以解决——并不是说你的团队数学不够好来解决它们——但它们看起来真的很不愉快。 Plaid 或 Stripe 是极度肮脏问题的典型例子,因为它们在很大程度上都建立在这样一个事实之上,即它们已经消失并手动与更广泛的金融生态系统的棘手部分集成。

对于大多数团队来说,这些问题在技术上并非不可能,但在结构上是不可行的,因为这会花费太多时间,或者您的团队会在完成之前退出。如果您在查看解决方案时认为“我无法相信有人真的将其作为一项业务来做”,那么您就走在了正确的轨道上。

可视化“干净”和“脏”问题之间差异的一种好方法是考虑数据产品的范围:

  • 一些产品开始使用从现代 API 的水晶般清澈的泉水流出的干净数据:想想完全基于 Shopify 的 API 构建的 SaaS 产品。工程师喜欢这个东西。
  • 一些产品位于混乱但结构化的数据之上,例如运行在数据仓库或数据环境集合之上的 Monte Carlo 或 Looker。这要脏得多,因为模式和设置可能会有所不同,但至少您正在处理具有某种形状的数据。
  • 有些产品基于完全非结构化的数据,或者甚至可能是更奇特的数据源。这类产品的版本包括任何疯狂的公司,它们会整理世界各地航运船只的所有数据,并将它们放在一起在彭博社上出售。

该怎么办

这里有两个要点。首先是一些企业在结构上很难围绕其建立高度防御性的企业,因为它们解决的问题不够困难或不够肮脏。这些类型的市场通常具有天然较低的进入壁垒:

  • 分析:跟踪、收集、存储和显示数据很困难,但由于您控制所有的输入和输出,因此很难挖掘深沟
  • 数据中间件:传递数据本身并不难,市场上的许多数据中间件产品本质上是在非常干净的 API 或至少是高度结构化的数据之间洗牌数据
  • 项目管理软件:规模小,结构化数据相对容易处理
  • Wiki 技术(Confluence、Sharepoint 类别中的任何技术):与项目管理软件相同,但规模更低
  • 表格或调查:表格和调查涉及收集和显示结构化数据——复制他们的技术并不难
  • CRM:CRM 基于具有复杂结构但通常没有高度规模或混乱的数据。这就是为什么大多数 CRM 产品通过扩大竞争环境来建立防御性护城河的原因。

另一个要点是,您可以通过投资解决解决方案空间中最棘手的重要问题来增加您的粘性。大多数公司通过很好地解决一个困难但狭窄的问题来获得牵引力。一旦您在市场上取得领先地位,就可以利用您获得的时间和资源来解决相关或相邻的最棘手的问题。这使您可以利用自己的势头将新进入者拒之门外。

从解决您市场中最肮脏的问题开始:

  • 将所有集成构建到客户想要的其他平台中,包括需要大量配置或设置复杂性的平台。在你有时间的时候涉水进入淤泥,这样其他人就不能。
  • 处理使市场难以进入的监管问题——例如,建立在具有有意义的潜在市场的每个国家/地区开展业务的能力,将您的数据共同定位在每个关心它的司法管辖区。
  • 构建您的小型竞争对手没有意义的所有企业功能。利用您的动力来证明此路线图重点的合理性。

让你的问题变得更难有点棘手,但一旦你达到规模,通常有一些方法可以发挥技术优势:

  • 提高性能。 Google 搜索的部分亮点在于它的速度如此之快,而且随着时间的推移,它们变得越来越快。这是一个技术难题,但是一旦你解决了它,你就在你和竞争对手之间设置了一个技术难题。
  • 提高可扩展性。确保您的产品在餐车规模上有效——您能否使其在麦当劳规模上稳定运行?如果是这样,您就锁定了最大的市场细分市场。构建可扩展的软件系统是困难的,大多数竞争对手在客户提示他们之前不会这样做……希望他们永远不会找到该客户,因为您将首先赢得市场上最大的客户。
  • 让您的产品更便宜,让您能够以更具竞争力的价格提供它。随着时间的推移,AWS、Snowflake 和 Azure 等许多公司都致力于让他们的产品在边际基础上变得更实惠。
  • 使您的产品更加实用,并具有更好的用户体验。出色的用户体验实际上极难构建,因为需要在复杂的工作流程中捕获大量细节。
  • 找出需要非常具体的技术技能的关键功能,例如推动 Google 和 Facebook 广告业务的广告优化。

外卖

要围绕您的产品构建可防御的护城河,请解决您的客户遇到的最棘手的问题。最难的问题通常具有以下两个特征之一:它们在技术上非常困难,或者它们肮脏且令人不快。解决这些难题的最佳方法之一是,一旦你在市场上表现出色,就利用你的动力,有意识地投资于解决最困难的问题,以挖一条护城河。

原文: https://staysaasy.com/news/2022/12/28/enterprise-retention-solving-hard-problems.html

本站文章系自动翻译,站长会周期检查,如果有不当内容,请点此留言,非常感谢。
  • Abhinav
  • Abigail Pain
  • Adam Fortuna
  • Alberto Gallego
  • Alex Wlchan
  • Answer.AI
  • Arne Bahlo
  • Ben Carlson
  • Ben Kuhn
  • Bert Hubert
  • Bits about Money
  • Brian Krebs
  • ByteByteGo
  • Chip Huyen
  • Chips and Cheese
  • Christopher Butler
  • Colin Percival
  • Cool Infographics
  • Dan Sinker
  • David Walsh
  • Dmitry Dolzhenko
  • Dustin Curtis
  • Elad Gil
  • Ellie Huxtable
  • Ethan Marcotte
  • Exponential View
  • FAIL Blog
  • Founder Weekly
  • Geoffrey Huntley
  • Geoffrey Litt
  • Greg Mankiw
  • Henrique Dias
  • Hypercritical
  • IEEE Spectrum
  • Investment Talk
  • Jaz
  • Jeff Geerling
  • Jonas Hietala
  • Josh Comeau
  • Lenny Rachitsky
  • Liz Danzico
  • Lou Plummer
  • Luke Wroblewski
  • Matt Baer
  • Matt Stoller
  • Matthias Endler
  • Mert Bulan
  • Mostly metrics
  • News Letter
  • NextDraft
  • Non_Interactive
  • Not Boring
  • One Useful Thing
  • Phil Eaton
  • Product Market Fit
  • Readwise
  • ReedyBear
  • Robert Heaton
  • Ruben Schade
  • Sage Economics
  • Sam Altman
  • Sam Rose
  • selfh.st
  • Shtetl-Optimized
  • Simon schreibt
  • Slashdot
  • Small Good Things
  • Taylor Troesh
  • Telegram Blog
  • The Macro Compass
  • The Pomp Letter
  • thesephist
  • Thinking Deep & Wide
  • Tim Kellogg
  • Understanding AI
  • 英文媒体
  • 英文推特
  • 英文独立博客
©2025 搞英语 → 看世界 | Design: Newspaperly WordPress Theme