一款AI修图应用如何借助Autopilot在4个月内实现收入增长超30%

在使用Autopilot之前，每次定价实验都需要重新构建付费墙。团队需要创建新版本、上线发布，然后等待数周来收集数据。对于一款存在季节性增长的应用来说，这种流程使得数据的可信度大打折扣。

团队希望通过更快速、更可靠的实验来推动收入增长——他们看到了潜力，但不确定该如何推进。

借助Adapty Autopilot，他们希望改变这一现状。

Text on Pic背后的团队早在正式发布之前就迫不及待地参与了Autopilot的测试版。

Autopilot首先对应用进行了分析，将其价格与竞品进行对比，并根据不同订阅周期与市场平均水平进行基准比较。这一对比让团队确信存在提升空间和优化潜力。

分析完成后，Autopilot提出了几个测试方向。团队自然从定价入手，因为价格调整具有最高的收入提升潜力。

年度订阅是用户的首选方案，因此Autopilot建议测试更高的价格以提升收入。团队从较高价位起步，不断迭代，最终找到了一个既能维持转化率又能提升收入的平衡点。借助Adapty清晰的用户界面，每次更新只需几次点击即可上线新价格并找出最优方案。

为了引导更多用户选择年度方案，团队还引入了周订阅选项。通过直观的周对周价格对比，年度方案显得更具性价比，从而帮助提升了ARPU。

新价格面向所有新用户生效。这帮助团队在完整漏斗中观察Autopilot的影响，并更快地收集具有统计意义的数据。

在定价测试的同时，团队还对付费墙进行了视觉实验，每项改动都通过单独的A/B测试进行分析。

• 他们添加了倒计时器来营造紧迫感。这是帮助消除用户犹豫心理的经过验证的技巧之一。
• 另一项改动是添加了免费试用开关。给予用户掌控感能够积极影响他们的决策过程。

大约两周后，结果的可信度明显提升，团队继续推进实验。

在取得初步成功后，团队继续按照Autopilot的测试计划推进。他们从5月开始，到第4个月末，应用的收入增长超过了30%。

与此同时，到第4个月ARPU增长了约50%，到第5个月增幅更大，这进一步证实了新的定价结构从现有用户群体中获取了更多价值。

借助Adapty Autopilot，实验从临时性、手动操作转变为持续性、数据驱动的模式。每次实验都有成本，而Autopilot大幅降低了这一成本。

该工具：

• 处理持续定价测试的全部机制
• 减少了逐版本手动实验的需求
• 鼓励团队尝试那些原本不敢尝试的想法

在定价实验取得成功之后，团队计划在本地化方面进一步深入，针对每个市场的特点设定相匹配的价格。在定价之外，他们也在为产品的全面国际化做准备。新的内部工具正在加快这一进程，尽管为多个市场适配付费墙仍然是一项复杂的工作。

团队还计划尝试新的付费墙样式，以了解哪种形式在不同地区最能引起用户共鸣，从而支持他们的本地化策略和长期增长战略。