¿Qué es la Predicción de Abandono de SaaS?

La predicción de abandono en SaaS es el análisis del comportamiento del cliente para determinar quiénes podrían cancelar o dejar de pagar. Los equipos reciben avisos de cancelación, a menudo con semanas o meses de antelación, lo que puede proporcionar información sobre las cuentas que podrían dejar de utilizar el servicio. 

Para las empresas de suscripción, el ingreso recurrente es una característica. Se observa que la interrupción del contrato se relaciona con varios factores más allá de la reducción directa de ingresos, incluyendo el valor de vida del cliente, la retención neta de ingresos y los costos de adquisición de clientes.

Los siguientes tres términos a menudo se confunden, aunque tienen significados distintos:

• La medición del churn de SaaS predominantemente implica datos pasados. Es el cálculo de la pérdida, la fuga de ingresos o la fuga de clientes en un momento dado, generalmente de forma mensual o trimestral.
• SaaS El análisis de la rotación de clientes busca descubrir las razones por las que los clientes se van. El estudio examina un grupo específico de clientes que han desertado para identificar factores comunes que pueden haber influido en su decisión de irse, como aspectos de la etapa de incorporación, estructuras de precios o interacciones de soporte.
• La predicción de la rotación de clientes intenta pronosticarla. Utilizando patrones descubiertos a través del análisis, predice la probabilidad de rotación entre los clientes actuales, priorizando así a aquellos con mayor probabilidad de irse.

En cierto sentido, la medición es tu forma de ver la magnitud del problema, el análisis es tu forma de entender por qué sucedió, y la predicción, al incorporar el elemento tiempo, es una forma de identificar quién será el próximo y, posiblemente, evitar la decisión por completo.

Para cualquier modelo de abandono de clientes, la calidad de los datos que lo impulsan es esencial. Generalmente, las categorías de datos más importantes incluyen:

• Datos de uso: Incluye la frecuencia de inicio de sesión, el uso de funciones, la activación de asientos y la profundidad de la sesión, lo que puede reflejar patrones asociados con la desvinculación del cliente.
• Datos de Éxito del Cliente (CS): Las puntuaciones de salud del cliente, el sentimiento de los tickets de soporte, las notas de QBR, y las puntuaciones CSAT y NPS son todos puntos de datos de éxito del cliente.
• Datos de Facturación: Los fallos de pago, las solicitudes de degradación, las disputas de facturas y el historial de descuentos o créditos forman parte de los datos de su registro de facturación para la predicción de abandono.
• Datos de Contrato: Tipo de contrato, fechas de renovación, términos del contrato e historial de expansión o recuento de asientos.

Una combinación de tres fuentes es suficiente para que el rendimiento del modelo de predicción de abandono sea significativamente diferente al de usar solo datos de uso del cliente, ya que las desconexiones pueden manifestarse primero en los datos de atención al cliente y facturación antes de aparecer en el producto.

Una pila personalizada, que utiliza tecnologías como dbt, Snowflake y Python, puede proporcionar control sobre las características, la lógica de puntuación y la evolución del modelo de producto. Esto se aplica a empresas cuyos productos incluyen características complejas que pueden requerir un enfoque lógico diferente.

Cuando se utilizan plataformas como Gainsight, Vitally, Catalyst, Planhat, ChurnZero o Custify, un sistema inicial puede alcanzar el estado operativo en aproximadamente dos meses. Esto influye en la cantidad de configuración manual requerida para los procesos de éxito del cliente, debido a sus funcionalidades integradas.

La puntuación de Churn SaaS por sí misma tiene una utilidad muy limitada; la característica verdaderamente útil es lo que se activa como resultado. El enfoque aplica el modelo, enviando la puntuación al sistema actual de los CSM, lo que limita la creación de nuevas tareas extensas en sus actividades diarias. Las acciones relacionadas con la caída de niveles de riesgo pueden iniciarse mediante eventos como cambios en los paneles de control, el lanzamiento de una campaña de divulgación, la asignación de una tarea o la escalada de un ejecutivo. Cuanto más clara sea la relación causa-efecto entre “la puntuación ha cambiado” y “la acción se dispara”, con mayor eficacia el modelo reduce la rotación y menos se limita a un diagnóstico.

Las formas en que los modelos de rotación fallan son en realidad bastante consistentes:

• La fuga de etiquetas entrena un modelo utilizando puntos de datos que preceden a un evento de rotación, pero también incorpora información posterior al evento (por ejemplo, un indicador de ‘cancelación solicitada’), lo que puede resultar en una mayor precisión observada durante las pruebas sin afectar el rendimiento en el mundo real.
• El ciclo de integración semanal para la información de uso y facturación de actualización diaria afecta la vigencia de las puntuaciones del modelo.
• La generación de puntuaciones de modelos puede desempeñar un papel en la gestión de riesgos potenciales; sin embargo, no existe una obligación formalizada respecto a una respuesta específica.
• Un aumento en el número de clientes marcados como 'alto riesgo' puede corresponder con modificaciones en la forma en que los CSMs abordan estas alertas.

Pregúntese:

1. ¿Se observa típicamente la identificación del estado de riesgo de una cuenta después de una cancelación consulta?
2. ¿Tenemos suficientes datos históricos Rotación de SaaS datos — y suficientes datos de uso en vivo, CS, facturación SaaS y contratos — para entrenar un modelo fiable?
3. Al recibir una puntuación de riesgo, ¿cuál sería la éxito del cliente respuesta del equipo?

Factores de decisión a considerar:

•       Para la validación estadística de un modelo predictivo, se tienen en cuenta el número de clientes y el volumen de casos de abandono, ya que una cantidad limitada de eventos de abandono puede afectar la fiabilidad estadística.
•       Presupuesto del equipo para construir y mantener un modelo en comparación con la compra de la plataforma
•       La capacidad del equipo de CS para desplegar un playbook en respuesta a nuevas alertas