Qu'est-ce que la prédiction de l'attrition SaaS ?

La prédiction du churn dans le SaaS est l'analyse des comportements des clients afin de déterminer qui pourrait annuler ou cesser de payer. Les équipes reçoivent des avis d'annulation, souvent des semaines ou des mois à l'avance, ce qui peut fournir des informations sur les comptes susceptibles d'interrompre le service. 

Pour les entreprises d'abonnement, le revenu récurrent est une caractéristique. On observe que la cessation de contrat est liée à divers facteurs allant au-delà de la réduction directe des revenus, notamment la valeur à vie du client, la rétention nette des revenus et les coûts d'acquisition client.

Les trois termes suivants sont souvent confondus, bien qu'ils aient des significations distinctes :

• La mesure du churn SaaS repose principalement sur des données passées. Il s'agit du calcul du churn (pertes, revenus ou clients) à un moment donné, généralement sur une base mensuelle ou trimestrielle.
• SaaS L'analyse de l'attrition vise à découvrir les raisons du départ des clients. L'étude examine un groupe spécifique de clients ayant résilié afin d'identifier les facteurs communs qui ont pu influencer leur décision de partir, tels que des aspects de la phase d'intégration, les structures tarifaires ou les interactions avec le support client.
• La prédiction de l'attrition tente de la prévoir. En utilisant les modèles découverts grâce à l'analyse, elle prédit la probabilité d'attrition parmi les clients actuels, priorisant ainsi ceux qui sont le plus susceptibles de partir.

En un sens, la mesure est votre moyen de voir l'ampleur du problème, l'analyse est votre moyen de comprendre pourquoi il s'est produit, et la prédiction, en utilisant l'élément temporel, est un moyen de savoir qui sera le prochain et d'éviter éventuellement cette décision purement et simplement.

Pour tout modèle de désabonnement, la qualité des données qui l'alimentent est essentielle. Généralement, les catégories de données les plus importantes incluent :

• Données d'utilisation: Il comprend la fréquence de connexion, l'utilisation des fonctionnalités, l'activation des licences et la profondeur de session, ce qui peut refléter des schémas associés au désengagement client.
• Données de Succès Client (CS): Les scores de santé client, le sentiment des tickets de support, les notes de QBR, ainsi que les scores CSAT et NPS sont autant de points de données pour le succès client.
• Données de Facturation: Les échecs de paiement, les demandes de déclassement, les litiges de facturation, l'historique des remises ou des crédits font tous partie de vos données d'enregistrement de facturation pour la prédiction de l'attrition.
• Données de Contrat: Type de contrat, dates de renouvellement, conditions contractuelles et historique d'expansion ou du nombre de sièges.

Une combinaison de trois sources suffit pour rendre la performance du modèle de prédiction de l'attrition significativement différente de celle de l'utilisation des seules données d'utilisation client, car les désabonnements peuvent d'abord se manifester dans les données du service client et de facturation avant d'apparaître dans le produit.

Une pile personnalisée, utilisant des technologies telles que dbt, Snowflake et Python, peut offrir un contrôle sur les fonctionnalités, la logique de notation et l'évolution du modèle de produit. Cela concerne les entreprises dont les produits incluent des fonctionnalités complexes qui peuvent nécessiter une approche logique différente.

Lorsque des plateformes comme Gainsight, Vitally, Catalyst, Planhat, ChurnZero ou Custify sont utilisées, un système initial peut devenir opérationnel en environ deux mois. Cela influence la quantité de configuration manuelle requise pour les processus de succès client, grâce à leurs fonctionnalités intégrées.

Le score de désabonnement SaaS en soi a une utilité très limitée ; la fonctionnalité réellement utile est ce qui est déclenché en conséquence. L'approche applique le modèle, en transmettant le score au système actuel des CSM, ce qui limite l'ajout de nouvelles tâches importantes à leurs activités quotidiennes. Les actions liées aux baisses de niveau de risque peuvent être initiées par des événements tels que la modification des tableaux de bord, le lancement d'une campagne de sensibilisation, l'attribution d'une tâche ou une escalade de la part d'un dirigeant. Plus la relation de cause à effet entre « le score a changé » et « une action est déclenchée » est claire, plus le modèle réduit efficacement le désabonnement et moins il se limite à un diagnostic.

Les faiblesses des modèles de désabonnement sont en fait assez constantes :

• La fuite d'étiquetage entraîne un modèle en utilisant des points de données qui précèdent un événement de désabonnement, mais intègre également des informations postérieures à l'événement (par exemple, un indicateur ‘annulation demandée’), ce qui peut entraîner une précision observée plus élevée lors des tests sans affecter les performances réelles.
• Le cycle d'intégration hebdomadaire des informations d'utilisation et de facturation mises à jour quotidiennement affecte la récence des scores du modèle.
• La génération de scores de modèle peut jouer un rôle dans la gestion des risques potentiels ; cependant, il n'y a pas d'obligation formalisée concernant une réponse spécifique.
• Un nombre accru de clients signalés comme « à haut risque » peut correspondre à des modifications dans la manière dont les CSM traitent ces alertes.

Posez-vous les questions suivantes :

1. L'identification du statut de risque d'un compte est-elle généralement observée suite à une demande d'annulation ?
2. Avons-nous suffisamment d'historique gestion du churn SaaS données — et suffisamment de données d'utilisation en direct, de service client, de facturation SaaS et contractuelles — pour entraîner un modèle fiable ?
3. Dès réception d'un score de risque, quelle serait la Succès client réponse de l'équipe ?

Facteurs de décision à considérer :

•       Pour la validation statistique d'un modèle prédictif, le nombre de clients et le volume des cas de désabonnement sont pris en compte, car une quantité limitée d'événements de désabonnement peut affecter la fiabilité statistique.
•       Budget de l'équipe pour construire et maintenir un modèle comparé à l'achat de la plateforme
•       La capacité de l'équipe de service client à déployer un plan d'action en réponse à de nouvelles alertes