# Pricing Teardown > Pricing Page Teardown - Skill: `stefanomartiradonna/pricing-teardown` (Agent Skill, multi-file: 2 files) - Install (CLI): `npx skillmds@latest add stefanomartiradonna/pricing-teardown` - Raw SKILL.md: https://api.skillmd.com/api/skills/stefanomartiradonna/pricing-teardown/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: stefanomartiradonna (https://skillmd.com/u/stefanomartiradonna) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/stefanomartiradonna/pricing-teardown --- # 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 `` che riferiscono nomi azienda o "logo" - Class CSS tipo `logo-grid`, `customer-logos`, `testimonials`, `social-proof`, `wall-of-love` - Attributi `aria-label` sulle 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).