Cos'è la previsione del Churn SaaS?

La previsione dell'abbandono nel SaaS è l'analisi dei comportamenti dei clienti per determinare chi potrebbe annullare o smettere di pagare. I team ricevono avvisi di cancellazione, spesso settimane o mesi in anticipo, il che può fornire informazioni sugli account che potrebbero interrompere il servizio. 

Per le aziende in abbonamento, i ricavi ricorrenti sono una caratteristica. La cessazione del contratto si osserva essere correlata a vari fattori che vanno oltre la riduzione diretta dei ricavi, inclusi il valore a vita del cliente, la retention dei ricavi netti e i costi di acquisizione del cliente.

I seguenti tre termini sono spesso confusi, sebbene abbiano significati distinti:

• La misurazione del Churn SaaS coinvolge prevalentemente dati passati. È il calcolo del churn di perdite, di ricavi o di clienti in un dato momento, solitamente su base mensile o trimestrale.
• SaaS L'analisi del churn mira a scoprire le motivazioni dell'abbandono dei clienti. Lo studio esamina un gruppo specifico di clienti che hanno abbandonato per identificare i fattori comuni che possono aver influenzato la loro decisione di andarsene, come aspetti della fase di onboarding, le strutture dei prezzi o le interazioni con il supporto.
• La previsione del churn cerca di prevederlo. Utilizzando i modelli scoperti tramite l'analisi, prevede la probabilità di churn tra i clienti attuali, dando così priorità a quelli più propensi ad abbandonare.

In un certo senso, la misurazione è il tuo modo per capire quanto sia grande il problema, l'analisi è il tuo modo per capire perché è accaduto, e la previsione, con l'uso dell'elemento temporale, è un modo per scoprire chi sarà il prossimo e possibilmente scongiurare del tutto la decisione.

Per qualsiasi modello di churn, la qualità dei dati che lo alimentano è essenziale. Di solito, le categorie di dati più importanti includono:

• Dati di utilizzo: Include la frequenza di accesso, l'utilizzo delle funzionalità, l'attivazione delle postazioni e la profondità della sessione, che possono riflettere schemi associati al discoinvolgimento del cliente.
• Dati di Customer Success (CS): I punteggi di salute del cliente, il sentiment dei ticket di supporto, le note QBR, i punteggi CSAT e NPS sono tutti punti dati per il successo del cliente.
• Dati di Fatturazione: I pagamenti non riusciti, le richieste di downgrade, le contestazioni delle fatture, la cronologia di sconti o crediti fanno tutti parte dei dati del tuo registro di fatturazione per la previsione del churn.
• Dati Contrattuali: Tipo di contratto, date di rinnovo, termini contrattuali e cronologia di espansione o numero di posti.

Una combinazione di tre fonti è sufficiente a rendere le prestazioni del modello di previsione dell'abbandono significativamente diverse da quelle ottenute utilizzando solo i dati di utilizzo del cliente, poiché le disconnessioni potrebbero manifestarsi prima nei dati del servizio clienti e di fatturazione, prima di apparire nel prodotto.

Uno stack personalizzato, che utilizza tecnologie come dbt, Snowflake e Python, può fornire controllo su funzionalità, logica di scoring e evoluzione del modello di prodotto. Questo si riferisce alle aziende i cui prodotti includono funzionalità complesse che potrebbero richiedere un approccio logico differente.

Quando vengono utilizzate piattaforme come Gainsight, Vitally, Catalyst, Planhat, ChurnZero o Custify, un sistema iniziale può raggiungere lo stato operativo in circa due mesi. Ciò influisce sulla quantità di configurazione manuale richiesta per i processi di customer success, grazie alle loro funzionalità integrate.

Il punteggio di Churn SaaS di per sé ha un'utilità molto limitata; la caratteristica veramente utile è ciò che viene attivato di conseguenza. L'approccio applica il modello, inviando il punteggio al sistema attuale dei CSM, limitando l'introduzione di nuove attività estese nelle loro routine quotidiane. Azioni relative ai cali del livello di rischio possono essere avviate da eventi come il cambiamento delle dashboard, il lancio di una campagna di sensibilizzazione, l'assegnazione di un compito o l'escalation di un dirigente. Più chiara è la relazione causa-effetto tra “il punteggio è cambiato” e “l'azione viene attivata”, più efficacemente il modello riduce il churn e meno si limita a una diagnosi.

I modi in cui i modelli di churn falliscono sono in realtà piuttosto coerenti:

• La fuga di etichetta addestra un modello utilizzando punti dati che precedono un evento di churn, ma incorpora anche informazioni successive all'evento (ad esempio, un flag ‘richiesta di annullamento’), il che può comportare una maggiore precisione osservata durante i test senza influire sulle prestazioni nel mondo reale.
• Il ciclo di integrazione settimanale per le informazioni di utilizzo e fatturazione che si aggiornano quotidianamente influisce sull'attualità dei punteggi del modello.
• La generazione del punteggio del modello può contribuire ad affrontare i rischi potenziali; tuttavia, non esiste un obbligo formalizzato riguardo a una risposta specifica.
• Un numero crescente di clienti contrassegnati come ‘ad alto rischio’ potrebbe corrispondere a modifiche nel modo in cui i CSM gestiscono questi avvisi.

Chiediti:

1. L'identificazione dello stato di rischio di un account è solitamente osservata in seguito a una cancellazione richiesta?
2. Abbiamo sufficienti dati storici churn SaaS dati — e dati sufficienti sull'utilizzo in tempo reale, sull'assistenza clienti, sulla fatturazione SaaS e sui contratti — per addestrare un modello affidabile?
3. Alla ricezione di un punteggio di rischio, quale sarebbe la Customer Success risposta del team?

Fattori decisionali da considerare:

•       Per la convalida statistica di un modello predittivo, vengono presi in considerazione il numero di clienti e il volume dei casi di abbandono (churn), poiché una quantità limitata di eventi di abbandono può influenzare l'affidabilità statistica.
•       Budget del team per costruire e mantenere un modello rispetto all'acquisto della piattaforma
•       La capacità del team CS di implementare un playbook in risposta a nuovi avvisi