SaaSチャーン予測とは何ですか？

SaaSにおけるチャーン予測とは、顧客行動を分析し、解約や支払い停止の可能性がある顧客を特定することです。チームは、多くの場合、数週間または数ヶ月前に解約通知を受け取ります。これにより、サービスを停止する可能性のあるアカウントに関する情報が得られます。 

サブスクリプション企業にとって、経常収益は特徴です。契約停止は、直接的な収益減少だけでなく、顧客生涯価値、純収益維持率、顧客獲得コストなど、様々な要因に関連していることが観察されています。

以下の3つの用語は、それぞれ異なる意味を持つにもかかわらず、しばしば混同されます。

• SaaSチャーンの測定は、主に過去のデータに基づきます。これは、特定の時点における顧客の喪失、収益、またはロゴチャーンの算出であり、通常は月次または四半期ごとに行われます。
• SaaS チャーン分析は、顧客が離脱する理由を明らかにすることを目的としています。この調査では、特定の離反顧客グループを調査し、オンボーディング段階、価格設定、サポート対応など、彼らが離脱を決定した可能性のある共通の要因を特定します。
• チャーン予測は、それを予測しようとします。分析を通じて明らかになったパターンを用いて、現在の顧客におけるチャーンの確率を予測し、それによって最も離脱する可能性のある顧客を優先します。

ある意味、測定は問題の大きさを把握する方法であり、分析はそれがなぜ起こったのかを理解する方法であり、そして時間要素を用いた予測は、次に離脱する可能性のある顧客を特定し、その離脱決定を完全に回避する方法となり得ます。

いかなるチャーンモデルにおいても、それを支えるデータの質は不可欠です。通常、最も重要なデータカテゴリには以下が含まれます。

• 利用データ：ログイン頻度、機能利用、シートのアクティベーション、セッションの深さなどが含まれ、これらは顧客エンゲージメントの低下に関連するパターンを反映している可能性があります。
• カスタマーサクセス（CS）データ：顧客健全性スコア、サポートチケットのセンチメント、QBRメモ、CSAT、NPSスコアはすべて、カスタマーサクセスに関するデータポイントです。
• 請求データ：支払い失敗、ダウングレードのリクエスト、請求書の異議申し立て、割引またはクレジット履歴はすべて、チャーン予測のための請求記録データの一部です。
• 契約データ：契約タイプ、更新日、契約条件、および拡張またはシート数の履歴。

解約の兆候が製品に現れる前に、まずカスタマーサービスや請求データに表れる可能性があるため、3つの情報源を組み合わせることで、チャーン予測モデルのパフォーマンスは、顧客利用データのみを使用した場合と比較して著しく異なるものになります。

dbt、Snowflake、Pythonなどのテクノロジーを活用したカスタムスタックは、機能、スコアリングロジック、および製品モデルの進化を制御できます。これは、異なる論理的アプローチを必要とする可能性のある複雑な機能を製品に含む企業に当てはまります。

Gainsight、Vitally、Catalyst、Planhat、ChurnZero、Custifyといったプラットフォームが利用される場合、初期システムはおよそ2ヶ月で稼働状態になることがあります。これは、それらの統合された機能により、カスタマーサクセスプロセスに必要な手動設定の量に影響を与えます。

SaaSチャーンスコア単体では、その有用性は非常に限られています。本当に役立つ機能は、その結果として何がトリガーされるかです。このアプローチではモデルを適用し、CSM’の現在のシステムにスコアをプッシュすることで、彼らの日常業務における広範な新規タスクを制限します。リスクティアの低下に関連するアクションは、ダッシュボードの変更、アウトリーチキャンペーンの開始、タスクの割り当て、または役員によるエスカレーションといったイベントによって開始できます。「スコアが変更された」と「アクションが実行される」の間の因果関係が明確であればあるほど、モデルはより効果的にチャーンを削減し、診断としての役割は少なくなります。

チャーンモデルが破綻するパターンは、実はかなり一貫しています。

• ラベルリーケージとは、チャーンイベントに先行するデータポイントを使用してモデルを学習させるものの、イベント後の情報（例：‘解約リクエスト済み’フラグなど）も取り込むため、実際のパフォーマンスに影響を与えることなく、テスト時に観測される精度が高くなる可能性があります。
• 日次で更新される利用状況および請求情報に対する週次の統合サイクルは、モデルのスコアの鮮度に影響を与えます。
• モデルスコアの生成は潜在的なリスクへの対処に役立つ可能性がありますが、特定の対応に関する正式な義務はありません。
• 「ハイリスク」とフラグ付けされた顧客数の増加は、CSMがこれらのアラートにどのように対処するかの変更に対応している可能性があります。

自問してみてください。

1. アカウントのリスクステータスの特定は、通常、次の後に観察されますか 解約 問い合わせですか？
2. 十分な履歴が SaaSチャーン 信頼性の高いモデルを訓練するのに十分なデータ、すなわちライブ利用データ、CS、SaaS課金、および契約データは揃っていますか？
3. リスクスコアを受け取った際、どのような カスタマーサクセス チームの対応となるでしょうか？

考慮すべき決定要因：

•       予測モデルの統計的検証においては、解約イベントの数が限られていると統計的信頼性に影響を与える可能性があるため、顧客数と解約件数が考慮されます。
•       プラットフォームの購入と比較した場合の、モデルの構築と維持にかかるチームの予算
•       CSチームが新しいアラートに対応してプレイブックを展開する能力