Wat is SaaS-churnvoorspelling?

Churn-voorspelling in SaaS is de analyse van klantgedrag om te bepalen wie mogelijk zal opzeggen of stoppen met betalen. Teams ontvangen annuleringsberichten, vaak weken of maanden van tevoren, wat informatie kan verschaffen over accounts die de dienst mogelijk zullen stopzetten. 

Voor abonnementsbedrijven is terugkerende omzet een kenmerk. Contractbeëindiging blijkt verband te houden met verschillende factoren naast directe omzetvermindering, waaronder de levenslange klantwaarde, netto omzetbehoud en klantacquisitiekosten.

De volgende drie termen worden vaak verward, hoewel ze verschillende betekenissen hebben:

• SaaS-churn meting omvat voornamelijk gegevens uit het verleden. Het is de berekening van verlies-, omzet- of logochurn op een bepaald moment, meestal op maandelijkse of kwartaalbasis.
• SaaS Klantverlooianalyse heeft als doel de redenen te achterhalen waarom klanten vertrekken. De studie onderzoekt een specifieke groep vertrokken klanten om gemeenschappelijke factoren te identificeren die hun beslissing om te vertrekken beïnvloed kunnen hebben, zoals aspecten van de onboardingfase, prijsstructuren of ondersteuningsinteracties.
• Churnpredictie probeert dit te voorspellen. Door gebruik te maken van patronen die door de analyse zijn ontdekt, voorspelt het de waarschijnlijkheid van klantverloop onder huidige klanten, waardoor degenen die het meest waarschijnlijk zullen vertrekken, worden geprioriteerd.

In zekere zin is meten jouw manier om te zien hoe groot het probleem is, is analyse jouw manier om te begrijpen waarom het gebeurde, en is voorspelling, met gebruik van het tijdselement, een manier om erachter te komen wie de volgende zal zijn en mogelijk de beslissing geheel af te wenden.

Voor elk churnmodel is de kwaliteit van de data die het aandrijft essentieel. Gewoonlijk omvatten de belangrijkste datacategorieën:

• Gebruiksgegevens: Het omvat inlogfrequentie, functiegebruik, activering van seats en sessiediepte, wat patronen kan weerspiegelen die geassocieerd zijn met klantenafhaking.
• Klantensucces (CS) Gegevens: Klantgezondheidsscores, sentiment van supporttickets, QBR-notities, CSAT- en NPS-scores zijn allemaal gegevenspunten voor klantensucces.
• Factureringsgegevens: Mislukte betalingen, downgrade-aanvragen, factuurgeschillen, kortings- of kredietgeschiedenis maken allemaal deel uit van uw factureringsgegevens voor churn-voorspelling.
• Contractgegevens: Contracttype, verlengingsdata, contractvoorwaarden en de geschiedenis van uitbreiding of het aantal seats.

Een combinatie van drie bronnen is voldoende om de prestaties van het churn-voorspellingsmodel aanzienlijk te laten afwijken van die van het gebruik van alleen klantgebruiksgegevens, aangezien opzeggingen zich mogelijk eerst manifesteren in klantenservice- en factureringsgegevens voordat ze in het product verschijnen.

Een op maat gemaakte stack, die gebruikmaakt van technologieën zoals dbt, Snowflake en Python, kan controle bieden over functionaliteiten, scoringslogica en de evolutie van het productmodel. Dit geldt voor bedrijven waarvan de producten complexe functionaliteiten omvatten die een andere logische benadering noodzakelijk kunnen maken.

Wanneer platforms zoals Gainsight, Vitally, Catalyst, Planhat, ChurnZero of Custify worden gebruikt, kan een initiële systeem in ongeveer twee maanden operationeel zijn. Dit beïnvloedt de hoeveelheid handmatige configuratie die nodig is voor klantensuccesprocessen, dankzij hun geïntegreerde functionaliteiten.

SaaS-churnscore op zichzelf heeft zeer beperkt nut; de echt nuttige functie is wat er als resultaat wordt geactiveerd. De aanpak past het model toe door de score naar het huidige systeem van de CSM's te pushen, en zo uitgebreide nieuwe taken in hun dagelijkse activiteiten te beperken. Acties gerelateerd aan dalingen in risiconiveaus kunnen worden geïnitieerd door gebeurtenissen zoals veranderende dashboards, de lancering van een outreach-campagne, een taaktoewijzing, of een escalatie van een leidinggevende. Hoe duidelijker het oorzaak-en-gevolg tussen “score is gewijzigd” en “actie wordt geactiveerd,” hoe effectiever het model churn vermindert en hoe minder het diagnostisch is.

De manieren waarop churnmodellen tekortschieten zijn eigenlijk vrij consistent:

• Labellekkage traint een model met behulp van datapunten die voorafgaan aan een churngebeurtenis, maar neemt ook informatie op van na de gebeurtenis (bijv. een vlag voor ‘annulering aangevraagd’), wat kan resulteren in een hogere waargenomen nauwkeurigheid tijdens het testen zonder de prestaties in de praktijk te beïnvloeden.
• De wekelijkse integratiecyclus voor dagelijks bijgewerkte gebruiks- en factureringsinformatie beïnvloedt de actualiteit van de scores van het model.
• Het genereren van modelscores kan een rol spelen bij het aanpakken van potentiële risico's; er is echter geen geformaliseerde verplichting met betrekking tot een specifieke reactie.
• Een toename van het aantal klanten dat wordt aangemerkt als ‘hoog risico’ kan overeenkomen met wijzigingen in de manier waarop CSM's deze waarschuwingen aanpakken.

Vraag jezelf af:

1. Wordt de identificatie van de risicostatus van een account doorgaans waargenomen na een annulering aanvraag?
2. Hebben we voldoende historische SaaS-churn gegevens — en voldoende live gebruiks-, klantenservice-, SaaS-facturatie- en contractgegevens — om een betrouwbaar model te trainen?
3. Na ontvangst van een risicoscore, wat zou de klanten succes reactie van het team zijn?

Beslissingsfactoren om te overwegen:

•       Voor statistische validatie van een voorspellend model worden het aantal klanten en het volume van churn-gevallen overwogen, aangezien een beperkt aantal churn-gebeurtenissen de statistische betrouwbaarheid kan beïnvloeden
•       Budget van het team om een model te bouwen en te onderhouden vergeleken met het kopen van het platform
•       De capaciteit van het CS-team voor het inzetten van een draaiboek als reactie op nieuwe waarschuwingen