O que é a Previsão de Churn em SaaS?

A previsão de churn em SaaS é a análise dos comportamentos dos clientes para determinar quem pode cancelar ou parar de pagar. As equipes recebem avisos de cancelamento, muitas vezes com semanas ou meses de antecedência, o que pode fornecer informações sobre contas que podem descontinuar o serviço. 

Para empresas de assinatura, a receita recorrente é uma característica. A cessação de contratos é observada em relação a vários fatores além da redução direta de receita, incluindo o valor vitalício do cliente, a retenção líquida de receita e os custos de aquisição de clientes.

Os três termos a seguir são frequentemente confundidos, embora tenham significados distintos:

• A medição do Churn de SaaS envolve predominantemente dados passados. É o cálculo da perda, receita ou logo churn em um determinado momento, geralmente mensal ou trimestralmente.
• SaaS A análise de churn visa descobrir os motivos da saída dos clientes. O estudo examina um grupo específico de clientes que cancelaram para identificar fatores comuns que podem ter influenciado a decisão de saída, como aspectos da fase de integração, estruturas de preços ou interações de suporte.
• A previsão de churn tenta prever isso. Usando padrões descobertos através da análise, ela prevê a probabilidade de churn entre os clientes atuais, priorizando assim aqueles com maior probabilidade de sair.

Em certo sentido, a medição é a sua forma de ver a dimensão do problema, a análise é a sua forma de entender por que aconteceu, e a previsão, com o uso do elemento tempo, é uma forma de descobrir quem será o próximo e possivelmente evitar a decisão por completo.

Para qualquer modelo de churn, a qualidade dos dados que o alimentam é essencial. Geralmente, as categorias de dados mais importantes incluem:

• Dados de uso: Inclui frequência de login, uso de recursos, ativação de licenças e profundidade de sessão, que podem refletir padrões associados ao desengajamento do cliente.
• Dados de Customer Success (CS): Pontuações de saúde do cliente, sentimento de tickets de suporte, anotações de QBR, CSAT e pontuações de NPS são todos pontos de dados de sucesso do cliente.
• Dados de Cobrança: Falhas de pagamento, solicitações de downgrade, disputas de faturas, histórico de descontos ou créditos fazem parte dos seus dados de registro de cobrança para previsão de churn.
• Dados de Contrato: Tipo de contrato, datas de renovação, termos do contrato e histórico de expansão ou contagem de assentos.

Uma combinação de três fontes é suficiente para tornar o desempenho do modelo de previsão de churn significativamente diferente daquele que utiliza apenas dados de uso do cliente, visto que as desconexões podem se manifestar primeiro nos dados de atendimento ao cliente e faturamento antes de aparecerem no produto.

Uma pilha personalizada, utilizando tecnologias como dbt, Snowflake e Python, pode proporcionar controle sobre funcionalidades, lógica de pontuação e evolução do modelo de produto. Isso se aplica a empresas cujos produtos incluem funcionalidades complexas que podem necessitar de uma abordagem lógica diferente.

Quando plataformas como Gainsight, Vitally, Catalyst, Planhat, ChurnZero ou Custify são utilizadas, um sistema inicial pode atingir o status operacional em aproximadamente dois meses. Isso influencia a quantidade de configuração manual necessária para os processos de sucesso do cliente, devido às suas funcionalidades integradas.

A pontuação de Churn do SaaS por si só tem utilidade muito limitada; a funcionalidade realmente útil é o que é acionado como resultado. A abordagem aplica o modelo, enviando a pontuação para o sistema atual dos CSMs, limitando novas tarefas extensivas em suas atividades diárias. Ações relacionadas a quedas de nível de risco podem ser iniciadas por eventos como mudanças nos painéis, o lançamento de uma campanha de divulgação, a atribuição de uma tarefa ou a escalada de um executivo. Quanto mais clara a relação de causa e efeito entre “a pontuação mudou” e “a ação é acionada”, mais eficazmente o modelo reduz o churn e menos ele atua como um diagnóstico.

As formas como os modelos de churn falham são, na verdade, bastante consistentes:

• O vazamento de rótulo treina um modelo usando pontos de dados que antecedem um evento de churn, mas também incorpora informações de depois do evento (e.g., um sinalizador de ‘cancelamento solicitado’), o que pode resultar em uma precisão observada mais alta durante os testes sem afetar o desempenho no mundo real.
• O ciclo semanal de integração para informações de uso e faturamento atualizadas diariamente afeta a atualidade das pontuações do modelo.
• A geração de pontuação do modelo pode desempenhar um papel na abordagem de riscos potenciais; no entanto, não há uma obrigação formalizada em relação a uma resposta específica.
• Um número crescente de clientes sinalizados como 'alto risco' pode corresponder a modificações na forma como os CSMs abordam esses alertas.

Pergunte a si mesmo:

1. A identificação do status de risco de uma conta é geralmente observada após uma de cancelamento consulta?
2. Temos histórico suficiente rotatividade de SaaS dados — e uso em tempo real suficiente, atendimento ao cliente, faturamento SaaS e dados de contrato — para treinar um modelo confiável?
3. Ao receber uma pontuação de risco, qual seria a sucesso do cliente resposta da equipe?

Fatores de decisão a ponderar:

•       Para validação estatística de um modelo preditivo, a contagem de clientes e o volume de casos de churn são considerados, visto que uma quantidade limitada de eventos de churn pode afetar a confiabilidade estatística
•       Orçamento da equipe para construir e manter um modelo em comparação com a compra da plataforma
•       A capacidade da equipe de CS para implementar um playbook em resposta a novos alertas