Що таке прогнозування відтоку клієнтів SaaS?

Прогнозування відтоку в SaaS – це аналіз поведінки клієнтів для визначення тих, хто може скасувати підписку або припинити платити. Команди отримують повідомлення про скасування, часто за тижні або місяці наперед, що може надати інформацію щодо облікових записів, які можуть припинити користування послугою. 

Для компаній, що працюють за передплатною моделлю, повторюваний дохід є характерною ознакою. Припинення контрактів, як правило, пов'язане з різноманітними факторами, що виходять за межі прямого зменшення доходу, включаючи пожиттєву цінність клієнта, чисте утримання доходу та витрати на залучення клієнтів.

Наступні три терміни часто плутають, хоча вони мають різні значення:

• Вимірювання показника відтоку клієнтів SaaS переважно базується на минулих даних. Це розрахунок втрат, доходу або відтоку клієнтів у певний момент часу, зазвичай на щомісячній або щоквартальній основі.
• SaaS Аналіз відтоку має на меті виявити причини відходу клієнтів. Дослідження вивчає конкретну групу клієнтів, що відмовилися від послуг, щоб ідентифікувати спільні фактори, які могли вплинути на їхнє рішення піти, такі як аспекти етапу адаптації, структури ціноутворення або взаємодія з підтримкою.
• Прогнозування відтоку намагається його передбачити. Використовуючи закономірності, виявлені в ході аналізу, воно прогнозує ймовірність відтоку серед поточних клієнтів, тим самим надаючи пріоритет тим, хто найімовірніше піде.

У певному сенсі, вимірювання — це ваш спосіб побачити масштаб проблеми, аналіз — ваш спосіб зрозуміти, чому це сталося, а прогнозування, з використанням часового елемента, дозволяє з'ясувати, хто буде наступним, і, можливо, повністю запобігти цьому рішенню.

Для будь-якої моделі відтоку якість даних, що її живлять, є ключовою. Зазвичай, найважливіші категорії даних включають:

• Дані про використання: Це включає частоту входів, використання функцій, активацію ліцензій та глибину сесії, що може відображати закономірності, пов'язані з втратою зацікавленості клієнтів.
• Дані щодо клієнтського успіху (CS): Показники здоров'я клієнтів, тональність звернень у службу підтримки, нотатки QBR, показники CSAT та NPS – це все точки даних щодо клієнтського успіху.
• Платіжні дані: Невдалі платежі, запити на зниження тарифу, суперечки щодо рахунків, історія знижок або кредитів – це все частина ваших платіжних даних для прогнозування відтоку клієнтів.
• Дані контрактів: Тип контракту, дати поновлення, умови контракту та історія розширення або кількості місць.

Комбінації трьох джерел достатньо, щоб продуктивність моделі прогнозування відтоку клієнтів суттєво відрізнялася від тієї, що базується лише на даних про використання клієнтами, оскільки відключення можуть спочатку проявлятися в даних служби підтримки та платіжних даних, перш ніж з'явитися в продукті.

Індивідуальний стек, що використовує такі технології, як dbt, Snowflake та Python, може забезпечити контроль над функціями, логікою скорингу та еволюцією моделі продукту. Це стосується компаній, чиї продукти містять складні функції, які можуть вимагати іншого логічного підходу.

Коли використовуються такі платформи, як Gainsight, Vitally, Catalyst, Planhat, ChurnZero або Custify, початкова система може досягти операційного стану приблизно за два місяці. Це впливає на обсяг ручної конфігурації, необхідної для процесів успіху клієнтів, завдяки їхнім інтегрованим функціональним можливостям.

Сама по собі оцінка відтоку SaaS має дуже обмежену корисність; дійсно корисною функцією є те, що запускається в результаті. Цей підхід застосовує модель, передаючи оцінку до поточної системи CSMs, обмежуючи при цьому значну кількість нових завдань у їхній щоденній діяльності. Дії, пов'язані зі зниженням рівня ризику, можуть бути ініційовані такими подіями, як зміна інформаційних панелей, запуск інформаційної кампанії, призначення завдання або ескалація з боку керівника. Чим чіткіший причинно-наслідковий зв'язок між “зміною оцінки” та “запуском дії”, тим ефективніше модель зменшує відтік і тим менше вона виконує діагностику.

Способи, за якими моделі відтоку дають збій, насправді досить послідовні:

• Витік мітки навчає модель, використовуючи точки даних, що передують події відтоку, але також включає інформацію, отриману після події (наприклад, позначку ‘запит на скасування’), що може призвести до вищої спостережуваної точності під час тестування, не впливаючи на продуктивність у реальних умовах.
• Щотижневий цикл інтеграції для щоденно оновлюваних даних про використання та виставлення рахунків впливає на актуальність оцінок моделі.
• Генерація показників моделі може відігравати роль у вирішенні потенційних ризиків; однак немає формалізованих зобов'язань щодо конкретної відповіді.
• Збільшена кількість клієнтів, позначених як ‘високий ризик’, може відповідати змінам у тому, як CSM реагують на ці сповіщення.

Запитайте себе:

1. Чи ідентифікація статусу ризику облікового запису зазвичай спостерігається після скасування запиту?
2. Чи маємо ми достатньо історичних відтоку клієнтів SaaS даних — і достатньо даних про використання в реальному часі, клієнтську підтримку, виставлення рахунків SaaS та договірних даних — щоб навчити надійну модель?
3. Після отримання оцінки ризику, якою буде Успіх клієнтів реакція команди?

Фактори, які слід врахувати:

•       Для статистичної валідації прогностичної моделі враховується кількість клієнтів та обсяг випадків відтоку, оскільки обмежена кількість подій відтоку може вплинути на статистичну надійність
•       Бюджет команди на створення та підтримку моделі порівняно з придбанням платформи
•       Спроможність команди служби підтримки впроваджувати план дій у відповідь на нові сповіщення