什么是 SaaS 客户流失预测？

SaaS客户流失预测是指通过分析客户行为来确定哪些客户可能会取消订阅或停止支付。团队通常会提前几周或几个月收到取消通知，这可以提供有关可能终止服务的账户信息。 

对于订阅公司而言，经常性收入是其一大特点。合同终止与直接收入减少之外的多种因素有关，包括客户生命周期价值、净收入留存率和客户获取成本。

以下三个术语经常被混淆，尽管它们的含义截然不同：

• SaaS 流失率的衡量主要涉及过往数据。它是在特定时间点（通常是每月或每季度）对流失量、收入流失或客户流失（logo churn）的计算。
• SaaS 流失分析旨在揭示客户流失的原因。该研究考察了一组特定的已流失客户，以找出可能影响他们决定离开的共同因素，例如入职阶段的各个方面、定价结构或支持互动。
• 流失预测旨在预测流失。它利用通过分析发现的模式，预测现有客户的流失概率，从而优先处理最有可能流失的客户。

从某种意义上说，衡量是您了解问题严重程度的方式，分析是您理解问题发生原因的方式，而预测，借助时间要素，则是找出下一个可能流失的客户并可能彻底避免这一决定的方法。

对于任何客户流失模型而言，驱动其运行的数据质量至关重要。通常，最重要的数据类别包括：

• 使用数据：它包括登录频率、功能使用情况、席位激活和会话深度，这些都可能反映与客户脱离相关的模式。
• 客户成功 (CS) 数据：客户健康评分、支持工单情绪、季度业务回顾记录、客户满意度 (CSAT) 和净推荐值 (NPS) 都是客户成功数据点。
• 账单数据：支付失败、降级请求、发票争议、折扣或信用历史都属于您的账单记录数据，可用于客户流失预测。
• 合同数据: 合同类型、续订日期、合同条款以及扩展或席位数量历史记录。

三种来源的组合足以使客户流失预测模型的性能与仅使用客户使用数据的情况显著不同，因为断开连接可能首先体现在客户服务和账单数据中，然后才在产品中显现。

采用 dbt、Snowflake 和 Python 等技术的定制化技术栈，可以实现对功能、评分逻辑和产品模型演进的掌控。这适用于产品包含复杂功能，可能需要不同逻辑方法的公司。

当使用 Gainsight、Vitally、Catalyst、Planhat、ChurnZero 或 Custify 等平台时，初始系统可在大约两个月内达到运营状态。由于其集成功能，这会影响客户成功流程所需的手动配置量。

SaaS客户流失分数本身效用有限；真正有用的功能是其所触发的后续行动。该方法应用模型，将分数推送至客户成功经理（CSMs）的现有系统，从而减少他们在日常工作中大量新增的任务。与风险等级下降相关的行动可以由诸如仪表盘变化、推广活动启动、任务分配或高管介入升级等事件触发。“分数已变化”与“行动触发”之间的因果关系越明确，模型就能越有效地减少客户流失，其诊断作用就越小。

客户流失模型失效的方式其实相当一致：

• 标签泄露是指在训练模型时使用了客户流失事件之前的数据点，但同时也包含了事件之后的信息（例如，“已请求取消”的标志），这会导致测试期间观察到的准确率较高，却不影响实际性能。
• 每日更新的使用量和账单信息的每周集成周期，影响了模型得分的时效性。
• 模型评分生成可在应对潜在风险方面发挥作用；然而，对于具体响应没有正式的义务。
• 被标记为‘高风险’的客户数量增加，可能对应着CSMs应对这些警报方式的调整。

问问自己：

1. 账户风险状态的识别通常是在以下情况之后被观察到的吗？ 取消 询问？
2. 我们是否有足够的历史 SaaS客户流失 数据——以及足够多的实时使用、客户服务、SaaS计费和合同数据——以训练一个可靠的模型？
3. 在收到风险评分后， 客户成功 团队的反应会是什么？

需要权衡的决策因素：

•       对于预测模型的统计验证，需要考虑客户数量和流失事件的数量，因为有限的流失事件数量会影响统计可靠性。
•       团队用于构建和维护模型的预算与购买平台相比。
•       客户服务团队响应新警报时部署行动方案的能力