O que é Previsão de Churn de SaaS?

A previsão de churn em SaaS é a análise do comportamento do cliente 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. Observa-se que a cessação de contrato está relacionada a diversos fatores além da redução direta da receita, incluindo valor vitalício do cliente, retenção líquida de receita e custos de aquisição de clientes.

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

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

De certa forma, a medição é a sua maneira de ver a magnitude do problema, a análise é a sua maneira de entender por que ele aconteceu, e a previsão, com o uso do elemento tempo, é uma maneira 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, o que pode refletir padrões associados ao desengajamento do cliente.
• Dados de Customer Success (CS): Scores de saúde do cliente, sentimento de tickets de suporte, anotações de QBR, CSAT e NPS são todos pontos de dados de Customer Success.
• Dados de Faturamento: Falhas de pagamento, solicitações de downgrade, contestações de fatura, histórico de descontos ou créditos são todos parte dos seus dados de registro de faturamento para previsão de churn.
• Dados de Contrato: Tipo de contrato, datas de renovação, termos do contrato e histórico de expansão ou contagem de licenças.

Uma combinação de três fontes é suficiente para tornar o desempenho do modelo de previsão de churn significativamente diferente daquele de usar apenas dados de uso do cliente, pois 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 oferecer controle sobre recursos, lógica de pontuação e a evolução do modelo de produto. Isso se aplica a empresas cujos produtos incluem funcionalidades complexas que podem exigir 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 de SaaS por si só tem utilidade muito limitada; o recurso verdadeiramente útil é o que é acionado como resultado. A abordagem aplica o modelo, enviando a pontuação para o sistema atual dos CSMs, limitando a necessidade de novas tarefas extensas em suas atividades diárias. Ações relacionadas a quedas de nível de risco podem ser iniciadas por eventos como mudanças em dashboards, o lançamento de uma campanha de contato, a atribuição de uma tarefa ou uma escalada por parte de um executivo. Quanto mais clara a relação de causa e efeito entre “a pontuação mudou” e “a ação é disparada”, mais eficazmente o modelo reduz o churn e menos ele atua como um diagnóstico.

As maneiras pelas quais os modelos de churn falham são, na verdade, bastante consistentes:

• Vazamento de rótulo treina um modelo usando pontos de dados que antecedem um evento de churn, mas também incorpora informações de depois do evento (por exemplo, um sinalizador de ‘cancelamento solicitado’), o que pode resultar em uma precisão observada maior durante os testes sem afetar o desempenho no mundo real.
• O ciclo de integração semanal para informações de uso e faturamento atualizadas diariamente afeta a recenticidade 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 quanto 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 tipicamente observada após um/a cancelamento consulta?
2. Temos dados históricos suficientes churn de SaaS dados — e dados suficientes de uso em tempo real, CS, faturamento SaaS e 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 considerar:

•       Para validação estatística de um modelo preditivo, a contagem de clientes e o volume de casos de churn são considerados, pois 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