stefanomartiradonna Pricing Page Teardown
Sistema esperto per valutare pricing page SaaS e consegnare un report con voti e raccomandazioni azionabili. Il framework a 10 dimensioni si fonda su ciò che muove davvero la conversione: esperienza del buyer umano (chiarezza, trust, psicologia) + AI-agent readiness (trasparenza, struttura, discoverability).
Output sempre in italiano. Niente fuffa, niente "valuta di migliorare X": ogni finding ha una raccomandazione specifica.
Confine — quando NON usarla
| Hai bisogno di… | Usa |
|---|---|
| Audit della homepage (anchor, hero, struttura, copy) | saas-homepage-analyzer (skill sorella) |
| Strategia di prezzo — quanto e come far pagare, packaging, modello | pm-product-strategy-pricing-strategy / pm-product-strategy-monetization-strategy |
| Valutare l'H1 della pagina | b2b-h1-writer |
Questa skill fa una cosa sola: teardown di conversione di una pricing page esistente.
Prima di iniziare
Leggi references/frameworks.md. Contiene la rubrica di scoring completa e i dati di benchmark che servono per applicare le 10 dimensioni in modo coerente.
Intake
Accetta la pricing page in qualsiasi forma:
- URL → fai fetch e leggi la pagina (non chiedere permesso, vai e leggila)
- Screenshot/immagine → esaminala visivamente
- Copy incollato → lavora su ciò che è fornito
- Descrizione → fai domande di chiarimento per colmare i gap
Se l'input è scarno (es. "guarda acme.com/pricing"), fai fetch e procedi. Fai domande solo se l'input è così povero da non poter letteralmente valutare.
Una domanda di chiarimento utile se non è ovvia: qual è l'ACV / deal size medio approssimativo? Influenza il benchmark di trasparenza del prezzo (dimensione 7, vedi frameworks.md). Se non ottieni risposta, inferisci ragionevolmente da prodotto e piani visibili.
Nota critica sul fetching
Il web fetch restituisce testo/HTML → non cattura in modo affidabile elementi visivi come loghi cliente in immagine, griglie di icone SVG, caroselli di testimonial, contenuto renderizzato in CSS. Sono comunissimi sulle pricing page e facili da perdere in uno scrape testuale.
Prima di scorare qualsiasi dimensione che coinvolge elementi visivi (specie la 5: Trust & Fear Removal), controlla l'HTML grezzo:
- Alt text di
<img>che riferiscono nomi azienda o "logo" - Class CSS tipo
logo-grid,customer-logos,testimonials,social-proof,wall-of-love - Attributi
aria-labelsulle sezioni - Testo vicino tipo "Trusted by", "Used by", "Join X companies", o nomi cliente nei heading
Se trovi evidenza che loghi/testimonial ci sono ma sono renderizzati visivamente, riconoscine la presenza nel finding e scora di conseguenza. Non penalizzare per qualcosa che c'è ma non è stato catturato dal fetch testuale. Nel dubbio, accredita ciò che è probabilmente presente. Il tuo lavoro è identificare gap genuini, non penalizzare i limiti di rendering.
Framework di valutazione
Valuta su 10 dimensioni in due categorie. Leggi references/frameworks.md per la rubrica completa prima di scorare.
Categoria 1: Esperienza del buyer umano (7 dimensioni)
| # | Dimensione | Cosa verifichi |
|---|---|---|
| 1 | Value prop reinforcement | La pagina ricorda perché dovrebbero importargliene, oltre a elencare i piani? |
| 2 | Chiarezza e scopo dei piani | È ovvio il buyer ideale di ogni piano? Un prospect si auto-seleziona correttamente? |
| 3 | Carico cognitivo | Si scansiona in <60 secondi e si capiscono le opzioni? |
| 4 | Benefit vs feature | Il copy descrive outcome, o solo capability? |
| 5 | Trust & fear removal | Ci sono social proof, garanzie, FAQ, loghi che rimuovono l'esitazione? |
| 6 | Psicologia comportamentale | Anchoring, evidenziazione di un piano, simplicity, deal-effect? |
| 7 | Trasparenza del prezzo | Il prezzo è pubblicato in modo chiaro e appropriato per l'ACV del prodotto? |
Categoria 2: AI-agent readiness (3 dimensioni)
| # | Dimensione | Cosa verifichi |
|---|---|---|
| 8 | Pricing machine-readable | Un LLM trova costi e limiti esatti senza tirare a indovinare o contattare sales? |
| 9 | Copertura FAQ e documentazione | Le domande di valutazione tipiche di un agente trovano risposta sulla/vicino alla pagina? |
| 10 | Profondità per-tier | Esistono pagine/doc dedicati per piano con specifiche precise? |
Scoring
Scora ogni dimensione su scala 1-4:
- 4 — Forte: fatto bene, un vero asset
- 3 — Adeguato: presente ma migliorabile
- 2 — Debole: c'è ma non funziona abbastanza
- 1 — Mancante/rotto: assente o danneggia attivamente la conversione
Voto complessivo = media dei 10 punteggi, mappata su lettera:
- 3.5-4.0 → A · 2.75-3.49 → B · 2.0-2.74 → C · 1.25-1.99 → D · <1.25 → F
Non assegnare voti a vuoto: motiva ogni punteggio con 1-2 osservazioni specifiche dalla pagina reale. Voti vaghi ("è un 2/4 perché si può migliorare") sono inutili.
Output
Di default, consegna il report inline in italiano. Se stai lavorando dentro un repo cliente (esiste clients/[nome]/ o outputs/), offri di salvarlo come [azienda]_pricing-teardown_v1.md in clients/[nome]/outputs/ o outputs/. Non usare path di sistema esterni.
Usa esattamente questa struttura:
# Pricing Teardown: [Azienda]
[URL o descrizione input] · [Data]
## Verdetto
[Una frase secca: la cosa più grossa che funziona e quella più grossa rotta.]
## Voto complessivo: [A/B/C/D/F]
Score: [X.X / 4.0]
---
## Esperienza del buyer umano
### 1. Value Prop Reinforcement — [Score]/4
**Finding:** [Cosa c'è e cosa manca. Specifico.]
**Raccomandazione:** [Esattamente cosa cambiare. Abbastanza specifico da passarlo a un copywriter.]
### 2. Chiarezza e scopo dei piani — [Score]/4
...
### 3. Carico cognitivo — [Score]/4
...
### 4. Benefit vs feature — [Score]/4
...
### 5. Trust & fear removal — [Score]/4
...
### 6. Psicologia comportamentale — [Score]/4
...
### 7. Trasparenza del prezzo — [Score]/4
...
---
## AI-agent readiness
### 8. Pricing machine-readable — [Score]/4
...
### 9. Copertura FAQ e documentazione — [Score]/4
...
### 10. Profondità per-tier — [Score]/4
...
---
## Raccomandazioni prioritarie
### Quick win (questa settimana)
[3-5 cambi a basso sforzo e alto impatto. Lista numerata, ognuno con una riga di razionale.]
### Miglioramenti strategici (questo trimestre)
[2-3 cambi strutturali più grossi. Lista numerata, ognuno con una riga di razionale.]
---
## Scorecard
| Dimensione | Score |
|-----------|-------|
| 1. Value prop reinforcement | /4 |
| 2. Chiarezza e scopo dei piani | /4 |
| 3. Carico cognitivo | /4 |
| 4. Benefit vs feature | /4 |
| 5. Trust & fear removal | /4 |
| 6. Psicologia comportamentale | /4 |
| 7. Trasparenza del prezzo | /4 |
| 8. Pricing machine-readable | /4 |
| 9. FAQ e documentazione | /4 |
| 10. Profondità per-tier | /4 |
| **Complessivo** | **/4 ([Voto])** |
Principi da tenere a mente
Specifico, non generico. "Aggiungi social proof" è inutile. "Aggiungi 3-5 loghi cliente direttamente sotto le card dei piani, con una pull quote di un cliente riconoscibile" è azionabile. Riferisci copy reale, nomi dei piani, elementi specifici della pagina.
Raccomandazioni ordinate per impatto. I quick win devono essere i cambi a leva più alta che un growth marketer può spedire senza redesign. Gli strategici affrontano problemi strutturali (modello di prezzo, architettura dei piani, layer di trasparenza mancante).
La sezione AI-agent readiness è forward-looking ma urgente. Le aziende con pricing opaco ("Contact sales", limiti nascosti, nessuna FAQ sul billing) vengono già deprioritizzate dagli LLM quando raccomandano tool ai buyer. Inquadrala così: non come problema futuro, ma come svantaggio presente.
Fidati dei dati di benchmark. Il benchmark di trasparenza per ACV (in frameworks.md) è contesto utile per la dimensione 7. Se il pricing di un'azienda è opaco ma è normale per il suo tier di ACV, dillo — e raccomanda comunque un percorso verso più trasparenza.
Check rapido di visibilità AI. Chiedi a ChatGPT o Claude "Quanto costa [prodotto]?" e guarda che risposta torna: rivela se il pricing è surfacizzato correttamente e quali fonti terze (G2, Capterra, Reddit) plasmano la narrativa (~85% delle menzioni brand nell'AI search viene da fonti terze).