Autor: Lui Holleben

Post original, de DataBaseTown.com, em tradução livre:

DATA

Dados são uma coleção de informação factual

tipos: Dados estruturados e não estruturados

BIG DATA

Big Data são sets de dados enormes, com os chamados “V”: volume; variedade; velocidade; visão; valor, etc.

MACHINE LEARNING

O aprendizado de máquina é um campo de investigação dedicado a entender e construir métodos que ‘aprendem’, ou seja, métodos que aproveitam dados para melhorar o desempenho em algum conjunto de tarefas.

Se divide em: supervised learning; unsupervised learning e reinforcement learning.

STATISTICS AND PROBABILITY

A fundação numérica de Data Science tem muito a ver com Estatística e Probabilidade, aplicadas, trazendo uma visão via insights e afins.

PROGRAMMING LANGUAGES

Geralmente, organização de dados e investigação são finalizadas por programação de computador (Python, R, etc.)

–

Até a próxima!

Recentemente estou estudando bastante Product Market Fit.

Muito lemos sobre “os sinais de que está dando certo“: vendas, recorrência, mais volume, crescimento da equipe e afins.

Mas quais são os sinais de quando as coisas não estão dando certo? Cito 4:

• Baixa adesão no “Sign up”, “Trial” ou registro inicial, por alguns motivos: a proposta de valor não resoou; a precificação está confusa; etc.

• Sem “Wow moments” identificáveis, onde o cliente sabe o que há de especial no produto; seja a percepção de um 1o Valor; ou algo mais completo como chegar ao 1o Sucesso na solução

• Quando chega a hora de pagarem, clientes fogem. Não perceberam afinal nem o 1o Valor

• O Status Quo não é quebrado, não muda tão facilmente, portanto isso faz o cliente procurar outra solução que vire o jogo pra ele

Quais pontos você acrescentaria aí? Até!

Product Market Fit, em linhas gerais, pode ser classificado como achar:

• Uma certa persona com uma certa necessidade que você está resolvendo

Para mostrar que essa persona usa seu produto, são métricas relevantes:

1-Número (#) de Users

2-Taxa de crescimento (%) de User MoM (mês a mês)

3-Depoimentos qualitativos dos Users

4-Dados demográficos recolhidos recolhidos (idade, sexo, geografia, etc.)

Já para provar que o produto está resolvendo a necessidade, são métricas relevantes:

1-Receita ($)

2-Taxa de Crescimento de Receita MoM (mês a mês)

3-Taxa de churn de clientes pagos

–

Enfim, Product Market Fit é algo contínuo. Normalmente começa com um fit “fraco” até um fit “forte” ao longo do tempo.

Podem surgir mais personas para a mesma necessidade, novas maneiras de gerar Receita e por aí vai. Mas as métricas citadas já dão um norte muito bom para quem está com esse desafio em mãos.

Até!

Essa é uma reflexão do grande Tomasz Tunguz em seu último artigo.

Na recessão que estamos vivendo em tecnologia, muitas empresas estão cortando custos.

Alguns Softwares são percebidos como “nice to have” (ok de ter – legal) e não “must to have” (temos que ter – essencial). E é aqui que mora o perigo.

Gosto muito dessa ideia das diferentes propostas de valor em SaaS: https://lui-blog.com/startups/propostas-de-valor-em-saas/

Tendemos a pensar que vendedores que vendem software “must to have” devem respirar tranquilos. O software faz mais com menos ou automatiza o trabalho manual, fornece alavancagem e o custo total geralmente é menor que um número de funcionários.

Mas não é bem assim.

Se você fosse pedir para cada cliente, numa ordem de prioridade, classificar os softwares contratados em ordem de importância, aonde seu software se encontraria?

Então a conclusão é: restringir o foco de Marketing e Vendas para o ICP (Ideal Customer Profile) pode fazer sentido. O velho e bom Pareto: continuar vendendo para clientes que tem na nossa solução um “must to have”.

E se preciso ter algum KPI voltado a isso: X% das Vendas deste período precisa ser feita com ICP provado, com os objetivos claros de aumentar eficiência e diminuir risco de churn.

E Tunguz finaliza: “Fazer mais com menos significa encontrar clientes que se beneficiam desproporcionalmente do seu software.”