Was ist eine SaaS-Churn-Prognose?

Die Abwanderungsprognose im SaaS-Bereich ist die Analyse des Kundenverhaltens, um festzustellen, wer kündigen oder die Zahlung einstellen könnte. Teams erhalten Kündigungsmitteilungen, oft Wochen oder Monate im Voraus, die Informationen über Konten liefern können, die den Dienst einstellen könnten. 

Für Abonnement-Unternehmen sind wiederkehrende Umsätze ein charakteristisches Merkmal. Vertragsbeendigungen stehen im Zusammenhang mit verschiedenen Faktoren, die über die direkte Umsatzminderung hinausgehen, darunter der Kundenlebenswert, die Netto-Umsatzretention und die Kundenakquisitionskosten.

Die folgenden drei Begriffe werden oft verwechselt, obwohl sie unterschiedliche Bedeutungen haben:

• Die SaaS-Churn-Messung basiert hauptsächlich auf Vergangenheitsdaten. Sie ist die Berechnung des Verlusts, des Umsatzes oder des Logo-Churn zu einem bestimmten Zeitpunkt, üblicherweise monatlich oder quartalsweise.
• SaaS Die Abwanderungsanalyse zielt darauf ab, die Gründe für die Kundenabwanderung aufzudecken. Die Studie untersucht eine spezifische Gruppe abgewanderter Kunden, um gemeinsame Faktoren zu identifizieren, die deren Entscheidung zur Abwanderung beeinflusst haben könnten, wie z.B. Aspekte der Onboarding-Phase, Preisstrukturen oder Support-Interaktionen.
• Die Abwanderungsprognose versucht, diese vorherzusagen. Anhand der durch die Analyse aufgedeckten Muster prognostiziert sie die Abwanderungswahrscheinlichkeit bei Bestandskunden und priorisiert somit diejenigen, die am wahrscheinlichsten abwandern werden.

Im Grunde ist die Messung Ihr Weg, um das Ausmaß des Problems zu erkennen, die Analyse Ihr Weg zu verstehen, warum es dazu kam, und die Vorhersage, unter Einbeziehung des Zeitelements, eine Methode, um herauszufinden, wer als Nächstes betroffen sein wird und die Entscheidung möglicherweise ganz abzuwenden.

Für jedes Abwanderungsmodell ist die Qualität der Daten, die es speisen, entscheidend. In der Regel umfassen die wichtigsten Datenkategorien:

• Nutzungsdaten: Es umfasst Anmeldehäufigkeit, Funktionsnutzung, Platzaktivierung und Sitzungstiefe, die Muster widerspiegeln können, die mit der Kundenabwanderung verbunden sind.
• Kundenerfolgsdaten (CS-Daten): Kunden-Gesundheitswerte, Stimmungsanalyse von Support-Tickets, QBR-Notizen, CSAT- und NPS-Werte sind alles Datenpunkte zum Kundenerfolg.
• Abrechnungsdaten: Zahlungsausfälle, Downgrade-Anfragen, Rechnungsstreitigkeiten, Rabatt- oder Gutschriftshistorie sind alle Teil Ihrer Abrechnungsdatensätze für die Abwanderungsprognose.
• Vertragsdaten: Vertragsart, Verlängerungsdaten, Vertragsbedingungen und die Historie von Erweiterungen oder der Sitzplatzanzahl.

Eine Kombination aus drei Quellen reicht aus, um die Leistung des Abwanderungsvorhersagemodells erheblich von der Leistung zu unterscheiden, die bei ausschließlicher Verwendung von Kundennutzungsdaten erzielt wird, da sich Kündigungen möglicherweise zuerst in den Kundenservice- und Abrechnungsdaten manifestieren, bevor sie im Produkt sichtbar werden.

Ein individueller Stack, der Technologien wie dbt, Snowflake und Python nutzt, kann die Kontrolle über Funktionen, Scoring-Logik und die Weiterentwicklung des Produktmodells ermöglichen. Dies betrifft Unternehmen, deren Produkte komplexe Funktionen umfassen, die möglicherweise einen anderen logischen Ansatz erfordern.

Werden Plattformen wie Gainsight, Vitally, Catalyst, Planhat, ChurnZero oder Custify eingesetzt, kann ein initiales System in etwa zwei Monaten einsatzbereit sein. Dies beeinflusst den Umfang der manuellen Konfiguration, die für Customer-Success-Prozesse erforderlich ist, aufgrund ihrer integrierten Funktionalitäten.

Der SaaS-Churn-Score allein hat einen sehr begrenzten Nutzen; das wirklich hilfreiche Merkmal ist das, was als Ergebnis ausgelöst wird. Der Ansatz wendet das Modell an und übermittelt den Score an das aktuelle System der CSMs, wodurch umfangreiche neue Aufgaben in deren täglichen Aktivitäten begrenzt werden. Aktionen im Zusammenhang mit dem Absinken von Risikostufen können durch Ereignisse wie Dashboard-Änderungen, den Start einer Outreach-Kampagne, eine Aufgabenzuweisung oder eine Eskalation durch eine Führungskraft ausgelöst werden. Je klarer die Ursache-Wirkung-Beziehung zwischen „Score hat sich geändert“ und „Aktion wird ausgelöst“ ist, desto effektiver reduziert das Modell die Abwanderung und desto weniger dient es der Diagnose.

Die Art und Weise, wie Abwanderungsmodelle versagen, ist tatsächlich recht konsistent:

• Label-Leckage trainiert ein Modell unter Verwendung von Datenpunkten, die einem Abwanderungsereignis vorausgehen, aber auch Informationen von nach dem Ereignis (z.B. eine ‘Kündigung angefordert’-Markierung) einbeziehen, was zu einer höheren beobachteten Genauigkeit während des Tests führen kann, ohne die reale Leistung zu beeinflussen.
• Der wöchentliche Integrationszyklus für täglich aktualisierte Nutzungs- und Abrechnungsinformationen beeinflusst die Aktualität der Modellergebnisse.
• Die Generierung von Modell-Scores kann eine Rolle bei der Bewältigung potenzieller Risiken spielen; es gibt jedoch keine formalisierte Verpflichtung bezüglich einer spezifischen Reaktion.
• Eine erhöhte Anzahl von Kunden, die als ‘hohes Risiko’ gekennzeichnet sind, kann mit Änderungen in der Art und Weise einhergehen, wie CSMs diese Warnmeldungen bearbeiten.

Fragen Sie sich:

1. Wird die Identifizierung des Risikostatus eines Kontos typischerweise nach einer Kündigung Anfrage?
2. Haben wir genügend historische SaaS-Kundenabwanderungs- Daten — und genügend Live-Nutzungs-, Kundenservice-, SaaS-Abrechnungs- und Vertragsdaten — um ein zuverlässiges Modell zu trainieren?
3. Nach Erhalt eines Risikoscores, wie würde die Kundenerfolg Antwort des Teams aussehen?

Abzuwägende Entscheidungsfaktoren:

•       Zur statistischen Validierung eines prädiktiven Modells werden die Kundenzahl und das Volumen der Abwanderungsfälle berücksichtigt, da eine begrenzte Anzahl von Abwanderungsereignissen die statistische Zuverlässigkeit beeinträchtigen kann
•       Budget des Teams zur Erstellung und Pflege eines Modells im Vergleich zum Kauf der Plattform
•       Die Kapazität des CS-Teams, als Reaktion auf neue Warnmeldungen ein Playbook einzusetzen