Ce este Predicția Churn-ului SaaS?

Predicția abandonului în SaaS este analiza comportamentelor clienților pentru a determina cine ar putea anula sau înceta plățile. Echipele primesc notificări de anulare, adesea cu săptămâni sau luni în avans, ceea ce poate oferi informații despre conturile care ar putea întrerupe serviciul. 

Pentru companiile bazate pe abonamente, veniturile recurente sunt o caracteristică. Încetarea contractelor este observată că se leagă de diverși factori dincolo de reducerea directă a veniturilor, incluzând valoarea pe durata de viață a clientului, reținerea netă a veniturilor și costurile de achiziție a clienților.

Următorii trei termeni sunt adesea confundați, deși au semnificații distincte:

• Măsurarea churn-ului SaaS implică predominant date din trecut. Este calculul pierderilor, veniturilor sau al churn-ului de clienți la un moment dat, de obicei lunar sau trimestrial.
• SaaS Analiza ratei de dezabonare are ca scop descoperirea motivelor pentru care pleacă clienții. Studiul examinează un grup specific de clienți dezabonați pentru a identifica factori comuni care le-ar fi putut influența decizia de a pleca, cum ar fi aspecte ale etapei de onboarding, structurile de prețuri sau interacțiunile cu asistența.
• Predicția ratei de dezabonare încearcă să o prevadă. Folosind tipare descoperite prin analiză, aceasta prezice probabilitatea de dezabonare în rândul clienților actuali, prioritizându-i astfel pe cei mai susceptibili de a pleca.

Într-un sens, măsurarea este modul tău de a vedea cât de mare este problema, analiza este modul tău de a înțelege de ce s-a întâmplat, iar predicția, cu utilizarea elementului timp, este o modalitate de a afla cine va fi următorul și, posibil, de a preveni complet decizia.

Pentru orice model de churn, calitatea datelor care îl alimentează este esențială. De obicei, cele mai importante categorii de date includ:

• Date de utilizare: Aceasta include frecvența de conectare, utilizarea funcțiilor, activarea locurilor și profunzimea sesiunii, care pot reflecta tipare asociate cu dezangajarea clienților.
• Date de Succes al Clienților (CS): Scorurile de sănătate a clienților, sentimentul biletelor de suport, notele QBR, scorurile CSAT și NPS sunt toate puncte de date de succes al clienților.
• Date de Facturare: Eșecurile de plată, cererile de downgrade, disputele legate de facturi, istoricul reducerilor sau al creditelor fac toate parte din datele dvs. de înregistrare a facturării pentru predicția dezabonării.
• Date Contractuale: Tipul contractului, datele de reînnoire, termenii contractului și istoricul extinderii sau al numărului de locuri.

O combinație de trei surse este suficientă pentru a face performanța modelului de predicție a ratei de abandon semnificativ diferită de cea a utilizării doar a datelor de utilizare a clienților, deoarece deconectările se pot manifesta mai întâi în datele de servicii pentru clienți și de facturare înainte de a apărea în produs.

O arhitectură personalizată, utilizând tehnologii precum dbt, Snowflake și Python, poate oferi control asupra funcționalităților, logicii de scor și evoluției modelului de produs. Acest lucru se aplică companiilor ale căror produse includ funcționalități complexe care ar putea necesita o abordare logică diferită.

Când platforme precum Gainsight, Vitally, Catalyst, Planhat, ChurnZero sau Custify sunt utilizate, un sistem inițial poate atinge statutul operațional în aproximativ două luni. Acest lucru influențează cantitatea de configurare manuală necesară pentru procesele de succes al clienților, datorită funcționalităților lor integrate.

Scorul de churn SaaS în sine are o utilitate foarte limitată; caracteristica cu adevărat utilă este ceea ce este declanșat ca rezultat. Abordarea aplică modelul, transmițând scorul către sistemul actual al CSM-urilor, limitând sarcini noi extinse în activitățile lor zilnice. Acțiunile legate de scăderea nivelului de risc pot fi inițiate de evenimente precum modificarea tablourilor de bord, lansarea unei campanii de contact, atribuirea unei sarcini sau o escaladare din partea unui executiv. Cu cât este mai clară relația cauză-efect între „scorul s-a modificat” și „acțiunea se declanșează”, cu atât modelul reduce mai eficient churn-ul și face mai puțină diagnosticare.

Modurile în care modelele de churn eșuează sunt, de fapt, destul de consistente:

• Scurgerea de etichete antrenează un model folosind puncte de date care preced un eveniment de churn, dar încorporează și informații de după eveniment (de exemplu, un indicator ‘anulare solicitată’), ceea ce poate duce la o acuratețe observată mai mare în timpul testării, fără a afecta performanța în lumea reală.
• Ciclul săptămânal de integrare pentru informațiile de utilizare și facturare actualizate zilnic afectează actualitatea scorurilor modelului.
• Generarea scorului modelului poate juca un rol în abordarea riscurilor potențiale; cu toate acestea, nu există o obligație formalizată privind un răspuns specific.
• Un număr crescut de clienți semnalați ca ‘cu risc ridicat’ poate corespunde cu modificări în modul în care CSM-urile abordează aceste alerte.

Întreabă-te:

1. Identificarea statusului de risc al unui cont este observată de obicei în urma unei anulări solicitări?
2. Avem suficiente date istorice churn-ului SaaS date — și suficientă utilizare în timp real, date de serviciu clienți, de facturare SaaS și contractuale — pentru a antrena un model fiabil?
3. La primirea unui scor de risc, care ar fi succesul clientului răspunsul echipei?

Factori de decizie de luat în considerare:

•       Pentru validarea statistică a unui model predictiv, se iau în considerare numărul de clienți și volumul cazurilor de churn, deoarece o cantitate limitată de evenimente de churn poate afecta fiabilitatea statistică
•       Bugetul echipei pentru a construi și a menține un model comparativ cu achiziționarea platformei
•       Capacitatea echipei de CS de a implementa un playbook ca răspuns la noi alerte