Co to jest prognozowanie odpływu klientów w SaaS?

Prognozowanie churnu w SaaS to analiza zachowań klientów, mająca na celu określenie, kto może zrezygnować lub przestać płacić. Zespoły otrzymują powiadomienia o rezygnacji, często na tygodnie lub miesiące wcześniej, co może dostarczyć informacji na temat kont, które mogą zaprzestać korzystania z usługi. 

Dla firm subskrypcyjnych, powtarzalne przychody są cechą charakterystyczną. Obserwuje się, że rezygnacje z subskrypcji są związane z różnymi czynnikami wykraczającymi poza bezpośrednie zmniejszenie przychodów, w tym z wartością życiową klienta, retencją przychodów netto i kosztami pozyskania klienta.

Poniższe trzy terminy są często mylone, chociaż mają odrębne znaczenia:

• Pomiar churnu SaaS opiera się głównie na danych historycznych. Polega on na obliczaniu straty (np. liczby klientów), przychodów lub churnu logo w danym momencie, zazwyczaj w ujęciu miesięcznym lub kwartalnym.
• SaaS Analiza churnu ma na celu odkrycie przyczyn odejść klientów. Badanie analizuje konkretną grupę klientów, którzy zrezygnowali, aby zidentyfikować wspólne czynniki, które mogły wpłynąć na ich decyzję o odejściu, takie jak aspekty etapu onboardingu, struktury cenowe czy interakcje z obsługą klienta.
• Prognozowanie churnu ma na celu jego przewidywanie. Wykorzystując wzorce odkryte podczas analizy, przewiduje ono prawdopodobieństwo churnu wśród obecnych klientów, tym samym priorytetyzując tych, którzy najprawdopodobniej odejdą.

W pewnym sensie mierzenie jest sposobem na ocenę skali problemu, analiza pozwala zrozumieć, dlaczego to się stało, a prognozowanie, z wykorzystaniem elementu czasu, jest sposobem na ustalenie, kto będzie następny i być może całkowite zapobieżenie tej decyzji.

Dla każdego modelu churnu kluczowa jest jakość danych, na których bazuje. Zazwyczaj najważniejsze kategorie danych obejmują:

• Dane dotyczące użytkowania: Obejmuje częstotliwość logowania, wykorzystanie funkcji, aktywację stanowisk i głębokość sesji, które mogą odzwierciedlać wzorce związane z brakiem zaangażowania klienta.
• Dane Customer Success (CS): Wskaźniki zdrowia klienta, sentyment zgłoszeń do wsparcia, notatki z QBR, wyniki CSAT i NPS to wszystko dane Customer Success.
• Dane rozliczeniowe: Nieudane płatności, prośby o obniżenie planu, spory dotyczące faktur, historia zniżek lub kredytów to wszystko część Twoich danych rozliczeniowych do przewidywania rezygnacji klientów.
• Dane umowne: Typ umowy, daty odnowienia, warunki umowy oraz historia rozszerzenia lub liczby stanowisk.

Połączenie trzech źródeł wystarczy, aby wydajność modelu przewidywania churnu znacząco różniła się od tej, którą uzyskuje się, wykorzystując jedynie dane o użytkowaniu przez klienta, ponieważ sygnały o rezygnacji mogą pojawić się najpierw w danych obsługi klienta i danych rozliczeniowych, zanim pojawią się w produkcie.

Niestandardowy stos technologiczny, wykorzystujący technologie takie jak dbt, Snowflake i Python, może zapewnić kontrolę nad funkcjonalnościami, logiką punktacji i ewolucją modelu produktu. Dotyczy to firm, których produkty zawierają złożone funkcjonalności, które mogą wymagać odmiennego podejścia logicznego.

Kiedy wykorzystywane są platformy takie jak Gainsight, Vitally, Catalyst, Planhat, ChurnZero czy Custify, początkowy system może osiągnąć status operacyjny w ciągu około dwóch miesięcy. Wpływa to na ilość ręcznej konfiguracji wymaganej dla procesów sukcesu klienta, ze względu na ich zintegrowane funkcjonalności.

Wskaźnik rezygnacji klientów SaaS sam w sobie ma bardzo ograniczoną użyteczność; naprawdę pomocną funkcją jest to, co jest wyzwalane w jego konsekwencji. Podejście to stosuje model, przesyłając wynik do obecnego systemu CSM-ów, ograniczając obszerne nowe zadania w ich codziennych działaniach. Działania związane ze spadkiem poziomu ryzyka mogą być inicjowane przez zdarzenia takie jak zmiany w pulpitach nawigacyjnych, uruchomienie kampanii zasięgowej, przydzielenie zadania lub eskalacja ze strony kadry zarządzającej. Im wyraźniejszy jest związek przyczynowo-skutkowy między „zmianą wyniku” a „uruchomieniem działania”, tym skuteczniej model redukuje rezygnacje klientów i tym mniej pełni funkcję diagnostyczną.

Sposoby, w jakie modele churnu zawodzą, są w rzeczywistości dość spójne:

• Wyciek etykiet uczy model, wykorzystując punkty danych poprzedzające zdarzenie churnu, ale także włączając informacje z okresu po zdarzeniu (np. flagę ‘anulowanie zażądane’), co może skutkować wyższą obserwowaną dokładnością podczas testowania bez wpływu na rzeczywistą wydajność.
• Tygodniowy cykl integracji dla codziennie aktualizowanych informacji o użytkowaniu i rozliczeniach wpływa na aktualność wyników modelu.
• Generowanie wyników modelu może odgrywać rolę w zarządzaniu potencjalnymi ryzykami; jednakże nie ma sformalizowanego obowiązku dotyczącego konkretnej reakcji.
• Zwiększona liczba klientów oznaczonych jako ‘wysokie ryzyko’ może wiązać się ze zmianami w sposobie, w jaki CSM-y reagują na te alerty.

Zadaj sobie pytanie:

1. Czy identyfikacja statusu ryzyka konta jest zazwyczaj obserwowana po rezygnacji zapytaniu?
2. Czy mamy wystarczająco historycznych Odpływ klientów w SaaS danych — i wystarczającej ilości danych dotyczących rzeczywistego użytkowania, obsługi klienta, fakturowania SaaS i umów — aby wytrenować wiarygodny model?
3. Po otrzymaniu oceny ryzyka, jaka byłaby Sukces Klienta reakcja zespołu?

Czynniki decyzyjne do rozważenia:

•       Do statystycznej walidacji modelu predykcyjnego bierze się pod uwagę liczbę klientów i wolumen przypadków rezygnacji, ponieważ ograniczona liczba zdarzeń rezygnacji może wpływać na wiarygodność statystyczną.
•       Budżet zespołu na zbudowanie i utrzymanie modelu w porównaniu do zakupu platformy
•       Zdolność zespołu CS do wdrożenia playbooka w odpowiedzi na nowe alerty