SaaS 이탈 예측이란 무엇인가요?

SaaS에서의 이탈 예측은 누가 취소하거나 결제를 중단할지 파악하기 위한 고객 행동 분석입니다. 팀은 종종 몇 주 또는 몇 달 전에 해지 통보를 받으며, 이는 서비스 중단 가능성이 있는 계정에 대한 정보를 제공할 수 있습니다. 

구독 기업에게 반복 매출은 핵심적인 특성입니다. 계약 해지는 직접적인 매출 감소뿐만 아니라 고객 생애 가치, 순 매출 유지율, 고객 확보 비용 등 다양한 요인과 관련이 있는 것으로 나타납니다.

다음 세 가지 용어는 각각 다른 의미를 지님에도 불구하고 종종 혼동됩니다.

• SaaS 이탈(Churn) 측정은 주로 과거 데이터를 기반으로 합니다. 이는 특정 시점(일반적으로 월별 또는 분기별)의 손실, 매출 또는 로고 이탈을 계산하는 것입니다.
• SaaS 이탈 분석은 고객이 떠나는 원인을 밝히는 것을 목표로 합니다. 이 연구는 특정 이탈 고객 그룹을 조사하여, 온보딩 단계, 가격 구조 또는 지원 상호작용과 같이 이탈 결정에 영향을 미쳤을 수 있는 공통 요인을 식별합니다.
• 이탈 예측은 이를 예측하고자 합니다. 분석을 통해 밝혀진 패턴을 활용하여 현재 고객 중 이탈 가능성이 있는 고객을 예측하고, 이탈 가능성이 가장 높은 고객에게 우선순위를 부여합니다.

어떤 의미에서, 측정은 문제가 얼마나 큰지 파악하는 방법이며, 분석은 문제가 왜 발생했는지 이해하는 방법이고, 시간 요소를 활용한 예측은 다음 차례가 누가 될지 알아내고 잠재적으로 그 결정을 완전히 막을 수 있는 방법입니다.

어떤 이탈 모델이든, 이를 구동하는 데이터의 품질은 필수적입니다. 일반적으로 가장 중요한 데이터 범주는 다음과 같습니다:

• 사용량 데이터: 로그인 빈도, 기능 사용량, 좌석 활성화 및 세션 깊이 등을 포함하며, 이는 고객 이탈과 관련된 패턴을 반영할 수 있습니다.
• 고객 성공(CS) 데이터: 고객 건강 점수, 지원 티켓 감성, QBR 노트, CSAT 및 NPS 점수 등은 모두 고객 성공 데이터 포인트입니다.
• 청구 데이터: 결제 실패, 다운그레이드 요청, 인보이스 분쟁, 할인 또는 크레딧 내역은 모두 이탈 예측을 위한 청구 기록 데이터의 일부입니다.
• 계약 데이터계약 유형, 갱신 날짜, 계약 조건 및 확장 또는 좌석 수 이력.

세 가지 소스의 조합은 연결 해지가 제품에 나타나기 전에 고객 서비스 및 청구 데이터에서 먼저 나타날 수 있으므로, 이탈 예측 모델의 성능을 고객 사용 데이터만 사용하는 경우와 현저히 다르게 만들기에 충분합니다.

dbt, Snowflake, Python과 같은 기술을 활용하는 맞춤형 스택은 기능, 스코어링 로직, 제품 모델 진화에 대한 제어권을 제공할 수 있습니다. 이는 다른 논리적 접근 방식이 필요할 수 있는 복잡한 기능을 포함하는 제품을 가진 회사에 해당됩니다.

Gainsight, Vitally, Catalyst, Planhat, ChurnZero 또는 Custify와 같은 플랫폼을 활용할 경우, 초기 시스템은 약 두 달 내에 운영 상태에 도달할 수 있습니다. 이는 통합된 기능으로 인해 고객 성공 프로세스에 필요한 수동 구성의 양에 영향을 미칩니다.

SaaS 이탈률 점수 자체는 활용도가 매우 제한적입니다. 정말 유용한 기능은 그 결과로 무엇이 트리거(trigger)되는지입니다. 이 접근 방식은 모델을 적용하여 점수를 CSMs’ 현재 시스템으로 보내 일상 업무의 광범위한 새로운 작업을 제한합니다. 위험 등급 하락과 관련된 조치는 대시보드 변경, 아웃리치 캠페인 시작, 작업 할당 또는 경영진의 에스컬레이션과 같은 이벤트에 의해 시작될 수 있습니다. “점수 변경”과 “조치 발생” 사이의 인과관계가 명확할수록 모델은 이탈률을 더 효과적으로 줄이고 진단 역할은 덜 수행합니다.

이탈 모델이 오작동하는 방식은 실제로 상당히 일관적입니다:

• 레이블 누출은 이탈 이벤트에 선행하는 데이터 포인트를 사용하여 모델을 훈련시키지만, 이벤트 이후의 정보(예: ‘취소 요청’ 플래그)도 포함합니다. 이는 실제 성능에는 영향을 미치지 않으면서 테스트 시 더 높은 관찰 정확도를 초래할 수 있습니다.
• 매일 업데이트되는 사용량 및 청구 정보에 대한 주간 통합 주기는 모델 점수의 최신성에 영향을 미칩니다.
• 모델 점수 생성은 잠재적 위험을 해결하는 데 역할을 할 수 있지만, 특정 대응에 대한 공식적인 의무는 없습니다.
• '고위험'으로 분류된 고객 수가 증가하면 CSM이 이러한 알림에 대응하는 방식에 수정이 있을 수 있습니다.

스스로에게 물어보세요.

1. 계정의 위험 상태 식별은 일반적으로 다음 상황 후에 관찰됩니까? 취소 문의?
2. 충분한 과거의 SaaS 이탈 신뢰할 수 있는 모델을 훈련하기에 충분한 실시간 사용량, CS, SaaS 빌링, 그리고 계약 데이터가 있습니까?
3. 위험 점수를 받은 후, 고객 성공 팀의 대응은 어떠할까요?

고려해야 할 결정 요인:

•       예측 모델의 통계적 검증을 위해 고객 수와 이탈 사례의 양을 고려합니다. 이탈 이벤트의 수가 제한적일 경우 통계적 신뢰성에 영향을 미칠 수 있기 때문입니다.
•       플랫폼 구매와 비교하여 모델을 구축하고 유지보수하는 팀의 예산
•       새로운 알림에 대응하여 플레이북을 배포하는 CS팀의 역량