Post-Sale Management

Pelanggan anda menghantar satu tiket sokongan bulan lalu, log masuk tiga kali, dan penggunaan mereka turun 30% dari bulan sebelumnya. Adakah mereka akan churn?

Tanpa model ramalan, anda hanya meneka. Mungkin mereka sibuk sahaja. Mungkin bermusim. Atau mungkin mereka sedang menilai pesaing sekarang dan anda ada dua minggu untuk mengubah fikiran mereka. Anda tidak akan tahu sehingga mereka membatalkan secara rasmi - yang sudah terlambat.

Model ramalan churn mengubah pola dalam data anda menjadi sistem amaran awal. Mereka mengenal pasti pelanggan mana yang berisiko paling tinggi untuk meninggalkan, dengan masa pendahuluan yang mencukupi untuk pasukan anda benar-benar campur tangan. Model terbaik mengesan pelanggan berisiko 60-90 hari sebelum mereka churn, memberi anda peluang sebenar untuk menangani masalah dan menyelamatkan akaun.

Membina model ini tidak memerlukan PhD sains data. Model berasaskan peraturan yang mudah menangkap 60-70% churn. Model pemarkahan berwajaran membawa anda ke 75-80%. Pendekatan machine learning boleh mencapai ketepatan 85-90%. Kuncinya adalah bermula dengan sesuatu, mengukur keberkesanannya, dan bertambah baik dari masa ke masa.

Matlamat Model Ramalan: Apa Yang Dicapai Model Baik

Model ramalan churn yang berkesan melayani tujuan khusus.

Pengenalpastian awal bermakna mengesan risiko sebelum pelanggan membuat keputusan mental untuk pergi. Jika model anda hanya menandakan pelanggan yang sudah mengemukakan notis pembatalan, ia tidak berguna. Anda perlukan masa pendahuluan 60-90 hari untuk membuat perbezaan.

Analisis Gainsight menunjukkan bahawa campur tangan sebelum tanda 60 hari berjaya 3x lebih kerap daripada campur tangan pada 30 hari atau kurang. Pada masa itu, pelanggan sering sudah menilai alternatif dan membuat keputusan mereka. Anda hanya mendengarnya lewat.

Keutamaan sumber membantu pasukan CS anda memberi tumpuan masa terhad kepada pelanggan yang paling memerlukannya. Anda mempunyai 500 pelanggan dan 5 CSM. Anda tidak boleh memberi perhatian sentuhan tinggi kepada semua orang. Tetapi anda boleh mengenal pasti 50 yang berisiko paling tinggi dan mengutamakan mereka dengan sewajarnya.

Tanpa model ramalan, CSM sama ada terlalu tersebar nipis atau memberi tumpuan kepada sesiapa yang merungut paling kuat. Kedua-dua pendekatan tidak mengoptimumkan pengekalan atau menggunakan masa pasukan anda dengan cekap.

Pencetus campur tangan mengautomasikan respons berdasarkan tahap risiko. Apabila pelanggan melepasi ambang risiko, sistem anda boleh secara automatik memberi amaran kepada CSM, mencetuskan kempen jangkauan, menjadualkan panggilan semakan kesihatan, atau meningkatkan kepada pengurusan jika perlu. Automasi memastikan tiada apa yang terlepas, walaupun pasukan anda ditimpa beban.

Ketepatan ramalan membantu anda mengunjurkan hasil dan kadar churn masa depan dengan yakin. Jika anda tahu 40 akaun yang mewakili $500K ARR berisiko tinggi suku ini, anda boleh memodelkan kesan kewangan dan merancang dengan sewajarnya. Pelabur ingin melihat bahawa anda memahami dinamik pengekalan anda dan boleh meramal prestasi masa depan. Model churn yang baik membolehkan tepat itu.

Penambahbaikan berterusan bermakna memperlakukan model ramalan anda sebagai sistem hidup. Jejak ketepatannya. Belajar bila ia salah. Perhalusi input. Uji penunjuk baharu. Model yang tidak bertambah baik dari masa ke masa menjadi basi dan kehilangan keberkesanan - mereka perlukan perhatian yang sama yang anda berikan kepada produk anda.

Penunjuk Ramalan: Isyarat Yang Meramal Churn

Tingkah laku dan peristiwa tertentu berkait kuat dengan churn masa depan. Inilah yang sebenarnya penting.

Penurunan penggunaan adalah peramal tunggal terkuat. Apabila penggunaan aktif turun 30%+ bulan ke bulan, risiko churn melonjak secara mendadak.

Slack mendapati bahawa pasukan yang jumlah mesej mereka turun di bawah ambang tertentu churn pada kadar 5x daripada pasukan aktif. Mereka memberi amaran kepada CSM setiap kali penurunan penggunaan berterusan berlaku, memberi mereka peluang untuk menyiasat apa yang berlaku sebelum terlambat.

Anda harus menjejaki kekerapan log masuk (harian menjadi mingguan menjadi bulanan), keluasan penggunaan ciri (menggunakan 10 ciri turun kepada menggunakan 3), jumlah tindakan teras (panggilan API, dokumen dicipta, pengguna dijemput), dan tempoh serta kedalaman sesi. Setiap satu menceritakan sebahagian cerita tentang sama ada pelanggan benar-benar mendapat nilai.

Penurunan penglibatan menunjukkan hubungan yang terputus walaupun penggunaan produk kelihatan baik. Kehadiran QBR menurun, respons berkurangan kepada jangkauan CSM, berhenti menghadiri latihan atau webinar, penyertaan komuniti menurun - ini menandakan bahawa pelanggan secara mental menarik diri. Apabila pelanggan berhenti terlibat dengan pasukan anda, hubungan semakin merosot tanpa mengira apa yang dikatakan nombor penggunaan.

Peningkatan tiket sokongan, terutamanya dengan sentimen negatif, menandakan kekecewaan yang semakin meningkat. Perhatikan lonjakan tiket selepas tempoh volum rendah, tiket yang meningkat atau marah, isu berulang yang menunjukkan kekurangan penyelesaian, dan tiket yang bertanya tentang pesaing atau alternatif.

Model HubSpot menandakan akaun dengan 5+ tiket dalam 30 hari DAN skor NPS di bawah 6 sebagai berisiko tinggi. Gabungan volum dan sentimen lebih penting daripada salah satu sahaja.

Penurunan sentimen dan kepuasan ditangkap melalui penurunan skor NPS (terutamanya seseorang yang turun dari 9 ke 6, atau promoter ke detractor), skor CSAT di bawah ambang, bahasa negatif dalam tiket sokongan, dan respons tinjauan yang menunjukkan ketidakpuasan.

Wootric mendapati bahawa pelanggan yang NPS mereka turun 3+ mata suku ke suku churn pada kadar 4x kadar asas. Penurunan kecil dalam kepuasan meramal peningkatan besar dalam risiko churn.

Perubahan pihak berkepentingan dan champion mencipta kerentanan serta-merta. Champion anda meninggalkan syarikat. Penyusunan semula menghapuskan pasukan yang menggunakan produk anda. Kepimpinan baharu masuk yang tidak biasa dengan produk anda. E-mel kenalan melantun kerana orang tidak lagi ada.

Hubungan satu benang menjadi berisiko tinggi pada saat hubungan itu hilang. Jika anda hanya ada satu orang yang mengambil berat tentang produk anda, anda satu pemberhentian sahaja dari kehilangan akaun.

Isu pembayaran dan pengebilan meramal kedua-dua churn sukarela dan tidak sukarela. Percubaan pembayaran gagal, permintaan penurunan taraf, permintaan pelanjutan pembayaran, soalan bajet atau kebimbangan kos, kad kredit ditolak - semua ini berkait dengan churn akan datang.

Data Recurly menunjukkan bahawa pelanggan dengan 2+ pembayaran gagal churn pada 60% berbanding 5% asas. Masalah pembayaran sering menunjukkan tekanan kewangan atau penyahutamaan produk anda.

Isyarat kompetitif menunjukkan mereka aktif membeli-belah. Soalan tentang integrasi dengan pesaing, permintaan perbandingan, sebutan nama pesaing, aktiviti LinkedIn yang menunjukkan minat dalam alternatif - apabila pelanggan mula menyelidik pesaing, jam sedang berdetik. Mereka membina kes perniagaan untuk beralih.

Masa kontrak dan pembaharuan mencipta tetingkap risiko semula jadi tanpa mengira segala yang lain. Risiko meningkat 90-60 hari sebelum pembaharuan, pada akhir kontrak tahunan, semasa tempoh selepas kenaikan harga, dan menghampiri tarikh akhir komitmen. Risiko churn meningkat apabila tarikh pembaharuan menghampiri hanya kerana pelanggan menilai semula hubungan dan alternatif semasa tetingkap ini.

Model Berasaskan Peraturan: Ambang Mudah Yang Berkesan

Mulakan dengan model berasaskan peraturan asas. Mereka mudah, telus, dan menghairankan berkesan dalam menangkap majoriti churn.

Mentakrifkan ambang risiko bermakna menetapkan kriteria yang jelas dan spesifik yang boleh difahami sesiapa:

Risiko tinggi jika MANA-MANA ini benar:

Penggunaan turun lebih daripada 40% bulan ke bulan untuk 2+ bulan berturut-turut
Sifar log masuk dalam 30 hari lalu
Skor NPS di bawah 5, atau turun 4+ mata baru-baru ini
Pemergian champion disahkan
60 hari untuk pembaharuan dengan skor kesihatan di bawah 60

Risiko sederhana jika MANA-MANA ini benar:

Penggunaan turun 20-40% bulan ke bulan
Kurang daripada 5 log masuk dalam 30 hari lalu
NPS antara 5-6, atau turun 2-3 mata
3 atau lebih tiket sokongan dalam 30 hari lalu
90 hari untuk pembaharuan dengan skor kesihatan antara 60-75

Peraturan ini sepenuhnya telus. Sesiapa dalam pasukan anda boleh memahami dengan tepat mengapa pelanggan ditandakan, yang membina kepercayaan dalam sistem.

Menggabungkan berbilang isyarat meningkatkan ketepatan secara mendadak. Penunjuk tunggal menghasilkan terlalu banyak positif palsu - ramai pelanggan sihat mempunyai bulan yang teruk. Isyarat gabungan jauh lebih boleh dipercayai.

Sebagai contoh, tandakan sebagai berisiko tinggi HANYA jika 2 atau lebih ini benar: penggunaan di bawah ambang, skor penglibatan rendah, tiket sokongan tinggi, dan pembaharuan dalam 90 hari. Ini mengurangkan positif palsu sambil mengekalkan kepekaan kepada risiko tulen.

Syarat pencetus menentukan bila dan bagaimana untuk bertindak atas ramalan. Amaran CSM segera untuk akaun berisiko tinggi melebihi $50K ARR. Intipati mingguan untuk akaun berisiko sederhana. Semakan bulanan untuk akaun berisiko rendah dengan isyarat yang muncul. Kempen campur tangan automatik untuk akaun sentuhan teknologi.

Tahap risiko yang berbeza memerlukan respons yang berbeza. Anda tidak boleh memperlakukan setiap tanda dengan cara yang sama.

Kesederhanaan dan ketelusan sebenarnya adalah kekuatan model berasaskan peraturan, bukan kelemahan. CSM memahami mengapa pelanggan ditandakan. Mereka boleh mengesahkan logik sendiri. Mereka mempercayai amaran kerana ia masuk akal secara intuitif.

Model machine learning mungkin lebih tepat, tetapi mereka sering terasa seperti kotak hitam. Tiada siapa yang tahu mengapa pelanggan ditandakan, yang menjadikan CSM skeptikal. Model berasaskan peraturan membina kepercayaan tepat kerana ia boleh ditafsirkan.

Intercom bermula dengan peraturan yang sangat mudah: mana-mana pelanggan dengan kurang daripada 10 sesi dalam 30 hari dan menghampiri pembaharuan berisiko. Itu sahaja. Ia menangkap 65% churn akhirnya dengan pada asasnya sifar positif palsu. Kesederhanaan mendorong penggunaan segera merentas pasukan CS.

Model Pemarkahan: Faktor Berwajaran untuk Ramalan Bernuansa

Model pemarkahan menambah kecanggihan dengan menimbang berbilang faktor mengikut kuasa ramalan mereka.

Pemilihan komponen mengenal pasti faktor yang sebenarnya penting dalam perniagaan anda. Anda mungkin menimbang penggunaan produk pada 30%, tahap penglibatan pada 20%, kesihatan sokongan pada 15%, kekuatan hubungan pada 15%, kesihatan kewangan pada 10%, dan masa untuk pembaharuan pada 10%.

Wajaran ini harus mencerminkan faktor mana yang secara sejarah berkait paling kuat dengan churn dalam data ANDA, bukan data orang lain.

Metodologi pemberat boleh datang dari intuisi (pertimbangan pakar daripada pemimpin CS yang telah melihat beratus-ratus churn), analisis regresi (analisis statistik pola churn sejarah), atau ujian berulang (cuba wajaran berbeza, ukur ketepatan, perhalusi berdasarkan keputusan).

Kebanyakan syarikat bermula dengan wajaran berasaskan intuisi, kemudian memperhalusi dengan data dari masa ke masa ketika mereka membina lebih banyak sejarah churn.

Pengiraan skor menggabungkan komponen berwajaran ke dalam satu skor kesihatan:

Ini contoh pelanggan:

Penggunaan produk: 40 daripada 100, berwajaran pada 30% = 12 mata
Penglibatan: 60 daripada 100, berwajaran pada 20% = 12 mata
Kesihatan sokongan: 70 daripada 100, berwajaran pada 15% = 10.5 mata
Hubungan: 80 daripada 100, berwajaran pada 15% = 12 mata
Kesihatan kewangan: 90 daripada 100, berwajaran pada 10% = 9 mata
Masa untuk pembaharuan: 30 daripada 100, berwajaran pada 10% = 3 mata

Jumlah skor kesihatan: 58.5 daripada 100, yang melepasi ke wilayah berisiko tinggi jika ambang anda adalah 60.

Tetapan ambang menentukan peringkat risiko. Anda mungkin menggunakan 80-100 sebagai sihat (hijau), 60-79 sebagai berisiko (kuning), dan di bawah 60 sebagai berisiko tinggi (merah).

Ambang ini harus ditentukur kepada data churn sejarah anda. Jika 80% pelanggan yang churn mempunyai skor di bawah 60 dalam 90 hari sebelumnya, ambang itu masuk akal. Jika hanya 40% berbuat demikian, anda perlu menyesuaikan.

Pengesahan dan penalaan menguji model terhadap data sejarah untuk melihat sama ada ia benar-benar berfungsi. Berapa ramai pelanggan yang churn ditandakan sebagai berisiko tinggi sebelumnya? Berapa ramai yang ditandakan sebagai berisiko tinggi tidak benar-benar churn (positif palsu)? Apakah masa pendahuluan antara tanda risiko dan churn sebenar? Adakah model berfungsi sama baik merentas segmen pelanggan yang berbeza?

Totango membina model pemarkahan berwajaran dan mengujinya terhadap 18 bulan data churn. Ketepatan awal adalah 71%, yang tidak buruk. Selepas menala wajaran dan ambang berdasarkan apa yang mereka pelajari, mereka mencapai ketepatan 82% dengan purata masa pendahuluan 75 hari.

Pendekatan Machine Learning: Pengesanan Corak pada Skala

Untuk set data yang lebih besar, model machine learning boleh mengesan corak yang manusia tidak akan pernah kesan.

Pemilihan algoritma bergantung pada saiz data anda, keupayaan teknikal, dan keperluan ketepatan:

Regresi logistik adalah pendekatan ML paling mudah. Ia meramal kebarangkalian churn berdasarkan berbilang pembolehubah, kekal boleh ditafsir (menunjukkan faktor mana yang paling penting), berfungsi baik dengan set data yang lebih kecil (100+ peristiwa churn), dan berfungsi sebagai titik permulaan biasa untuk ramalan churn berasaskan ML.

Pokok keputusan dan hutan rawak mencipta logik bercabang berdasarkan gabungan ciri. Mereka mengendalikan hubungan bukan linear dengan baik dan boleh mendedahkan corak yang tidak dijangka (seperti "pelanggan yang melakukan X DAN Y tetapi BUKAN Z mempunyai 10x risiko churn"). Mereka lebih kompleks tetapi lebih berkuasa daripada regresi mudah.

Rangkaian neural mengesan corak kompleks dalam set data besar. Mereka memerlukan data yang banyak (1000+ peristiwa churn untuk latihan dengan betul), menawarkan kurang keboleh tafsiran tetapi berpotensi ketepatan lebih tinggi, dan biasanya berlebihan untuk kebanyakan syarikat SaaS bersaiz sederhana.

Kaedah peningkatan gradient seperti XGBoost dan LightGBM mewakili yang terkini untuk data berstruktur. Mereka memberikan ketepatan tinggi dengan keboleh tafsiran yang munasabah, berfungsi sebagai standard industri untuk ramalan churn serius, tetapi memerlukan kepakaran sains data sebenar untuk dilaksanakan dengan betul.

Keperluan data latihan menentukan apa yang sebenarnya boleh dilaksanakan untuk syarikat anda:

Set data yang berdaya maju minimum termasuk 100+ peristiwa churn sejarah, 12+ bulan data pelanggan, dan 20+ ciri berpotensi (penggunaan, penglibatan, sokongan, dll.).

Set data optimum termasuk 500+ peristiwa churn, 24+ bulan data, 50+ ciri kejuruteraan, dan berbilang segmen pelanggan untuk pengesahan yang betul.

Jika anda tidak mempunyai data churn sejarah yang mencukupi, machine learning tidak akan mengatasi model berasaskan peraturan yang lebih mudah. Anda memerlukan data yang mencukupi untuk dilatih.

Kejuruteraan ciri mencipta pembolehubah ramalan yang menangkap corak bermakna:

Ciri asas termasuk tahap penggunaan semasa, skor NPS, hari untuk pembaharuan, dan kiraan tiket sokongan.

Ciri kejuruteraan lebih canggih: aliran penggunaan (purata 7 hari vs 30 hari), halaju penglibatan (meningkat vs menurun dari masa ke masa), penggunaan relatif (berbanding pelanggan serupa), keluasan penggunaan ciri, tempoh hubungan, dan corak sejarah pembayaran.

ProfitWell mendapati bahawa ciri aliran (kadar perubahan penggunaan) adalah 3x lebih ramalan daripada ciri titik-dalam-masa (tahap penggunaan semasa). Bagaimana perkara berubah lebih penting daripada keadaan semasa.

Latihan model mengikuti proses standard:

Bahagikan data sejarah kepada set latihan (70%), pengesahan (15%), dan ujian (15%). Latih model pada set latihan. Tala hiperparameter menggunakan set pengesahan. Nilai prestasi akhir pada set ujian (data yang model tidak pernah lihat). Kemudian latih semula pada set data penuh sebaik sahaja anda mengesahkan ia berfungsi.

Ini menghalang overfitting di mana model anda menghafal data latihan tetapi berprestasi buruk pada data baharu.

Kepentingan ciri menunjukkan apa yang sebenarnya mendorong ramalan, yang memberitahu anda di mana untuk memberi tumpuan usaha campur tangan:

Output contoh mungkin menunjukkan aliran penggunaan (perubahan 30 hari) pada 28% kepentingan, hari untuk pembaharuan pada 18% kepentingan, sentimen tiket sokongan pada 15% kepentingan, penurunan skor penglibatan pada 12% kepentingan, status champion pada 10% kepentingan, dan ciri lain menggabungkan untuk 17%.

Ini mendedahkan faktor mana yang paling penting dalam perniagaan khusus anda dan di mana anda harus memberi tumpuan usaha pengekalan.

Prestasi Model: Metrik Ketepatan dan Pengoptimuman

Model hanya berguna jika ia tepat dan boleh ditindak. Inilah cara untuk mengukur dan meningkatkan prestasi.

Metrik ketepatan mengukur aspek berbeza tentang sejauh mana model anda berfungsi:

Ketepatan menjawab: Daripada pelanggan yang ditandakan sebagai berisiko, berapa peratus yang sebenarnya churn? Ketepatan tinggi (80%+) bermakna sedikit penggera palsu. Ketepatan rendah (40%) bermakna CSM membazir banyak masa pada pelanggan yang tidak akan churn.

Recall menjawab: Daripada pelanggan yang churn, berapa peratus yang kami tandakan sebagai berisiko sebelumnya? Recall tinggi (85%+) bermakna kami menangkap kebanyakan churn sebelum ia berlaku. Recall rendah (50%) bermakna separuh churn kami datang sebagai kejutan lengkap.

Skor F1 mengimbangi ketepatan dan recall menggunakan min harmonik mereka. Ia menghalang permainan sistem dengan mengoptimumkan hanya satu metrik. Model baik mencapai skor F1 melebihi 0.75.

Positif benar vs palsu melibatkan pertukaran yang memerlukan pertimbangan perniagaan:

Positif palsu (ditandakan sebagai berisiko tetapi tidak churn) membebankan anda masa CSM yang dibazirkan pada campur tangan yang tidak perlu. Tetapi ada faedah juga - penglibatan proaktif mungkin menghalang churn yang akan berlaku tanpa campur tangan.

Negatif palsu (churn tetapi tidak ditandakan) membebankan anda peluang yang terlepas untuk menyelamatkan pelanggan. Anda kehilangan hasil dan tidak pernah cuba campur tangan.

Kebanyakan syarikat mengoptimumkan untuk recall tinggi (tangkap churn) walaupun ia bermakna lebih banyak positif palsu. Terlepas churn $100K menyakitkan jauh lebih daripada menghabiskan satu jam tambahan pada pelanggan yang tidak benar-benar berisiko.

Pertukaran pengoptimuman memerlukan penalaan untuk ekonomi perniagaan khusus anda:

Untuk akaun bernilai tinggi, optimumkan untuk recall. Anda ingin menangkap setiap churn yang mungkin, walaupun anda mendapat positif palsu. Kos terlepas satu terlalu tinggi.

Untuk akaun bernilai rendah, optimumkan untuk ketepatan. Anda tidak mampu membazir masa CSM pada penggera palsu apabila nilai akaun tidak mewajarkan kos campur tangan.

Anda mungkin menjalankan dua model yang berbeza sepenuhnya dengan ambang berbeza untuk segmen pelanggan yang berbeza.

Ujian A/B mengesahkan sama ada penambahbaikan model sebenarnya berfungsi dalam praktik:

Kumpulan kawalan mendapat amaran daripada model semasa anda. Kumpulan ujian mendapat amaran daripada model baharu yang anda nilai. Ukur kadar churn, kadar kejayaan simpan, dan usaha CSM yang diperlukan merentas kedua-dua kumpulan.

Jika model baharu mengurangkan churn dalam kumpulan ujian tanpa memerlukan masa CSM yang lebih banyak, gunakannya secara meluas. Jika tidak, fahami mengapa sebelum membuat perubahan.

Penambahbaikan berterusan mengekalkan model tepat ketika perniagaan anda berkembang:

Semakan bulanan harus memeriksa akaun yang ditandakan yang tidak churn (positif palsu - mengapa mereka ditandakan?) dan churn yang tidak ditandakan (negatif palsu - isyarat apa yang kami terlepas?).

Aktiviti suku tahunan termasuk melatih semula model dengan data baharu, menguji ciri dan penunjuk baharu, dan menyesuaikan ambang jika corak telah berubah.

Aktiviti tahunan melibatkan pembinaan semula model yang komprehensif dan menilai sama ada untuk menaik taraf kepada pendekatan yang lebih canggih.

Corak churn berubah dari masa ke masa ketika produk anda berkembang, pangkalan pelanggan anda matang, dan keadaan pasaran berubah. Model anda mesti berkembang bersama mereka.

Mengoperasikan Ramalan: Daripada Skor kepada Tindakan

Model hanya mencipta nilai apabila mereka benar-benar mendorong campur tangan. Inilah cara untuk mengubah ramalan menjadi akaun yang diselamatkan.

Integrasi dengan aliran kerja memasukkan ramalan dalam operasi harian di mana orang bekerja:

Integrasi CRM meletakkan medan skor kesihatan yang kelihatan pada setiap rekod pelanggan. Tanda berisiko mencetuskan aliran kerja automatik. Tahap risiko menentukan penugasan CSM dan keutamaan secara automatik.

Keterlihatan papan pemuka memberi papan pemuka CSM menunjukkan akaun berisiko diisih mengikut ARR. Laporan risiko mingguan pergi ke kepimpinan CS. Penunjuk risiko aliran menunjukkan akaun bergerak dari hijau ke kuning ke merah supaya anda boleh kesan situasi yang merosot awal.

Penjanaan amaran memberitahu orang yang tepat pada masa yang tepat:

Amaran berperingkat mungkin termasuk pemberitahuan CSM segera ditambah peningkatan pengurus untuk akaun berisiko tinggi, bernilai tinggi (melebihi $50K ARR). Akaun berisiko tinggi, nilai pertengahan ($10K-$50K) masuk dalam intipati harian CSM. Akaun berisiko sederhana mendapat senarai semakan mingguan. Akaun berisiko rendah dengan isyarat yang muncul mendapat pemantauan bulanan.

Keletihan amaran adalah nyata. Hantar terlalu banyak amaran dan CSM mengabaikan semuanya. Segmenkan mengikut keutamaan supaya amaran kritikal benar-benar mendapat perhatian.

Papan pemuka CSM menyediakan pandangan boleh ditindak yang menjadikan keutamaan mudah:

Papan pemuka "Akaun berisiko saya" yang baik menunjukkan akaun diisih mengikut ARR (nilai tertinggi dahulu), skor risiko dan aliran (bertambah baik vs menurun), faktor utama yang mendorong risiko (penggunaan turun, isu sokongan, pembaharuan tidak lama lagi), tarikh titik sentuh terakhir, dan tindakan seterusnya yang dicadangkan.

Ini menjadikannya sangat mudah untuk CSM mengutamakan hari mereka - mulakan dengan akaun bernilai tertinggi, berisiko tertinggi di mana anda boleh membuat kesan terbesar.

Pencetus campur tangan mengautomasikan respons yang sesuai:

Permainan automatik mungkin termasuk: akaun berisiko sederhana mendapat e-mel dengan amalan terbaik dan petua penggunaan, akaun berisiko tinggi mencetuskan panggilan jangkauan CSM yang dijadualkan, pemergian champion dikesan melancarkan kempen hubungan berbilang benang, penurunan penggunaan dikesan mencetuskan urutan semula onboarding.

Automasi memastikan respons yang konsisten walaupun CSM ditimpa beban sepenuhnya atau seseorang bercuti.

Menjejaki hasil mengukur sama ada campur tangan benar-benar berfungsi:

Untuk setiap akaun berisiko, jejak skor risiko apabila mula ditandakan, campur tangan yang dicuba, respons pelanggan kepada campur tangan, hasil akhir (dikekalkan, churn, atau bahkan berkembang), dan hari dari tanda kepada penyelesaian.

Data ini disuapkan kembali kepada penambahbaikan model. Jika pelanggan yang ditandakan untuk "penglibatan rendah" secara konsisten bertindak balas dengan baik kepada jemputan webinar, anda telah mempelajari taktik campur tangan yang berkesan.

Perhalus model berdasarkan hasil sebenar bertanya soalan kritikal:

Faktor risiko mana yang bertindak balas kepada campur tangan? Faktor mana yang pada asasnya tidak dapat dicegah? Apakah masa pendahuluan yang optimum (terlalu awal bermakna positif palsu, terlalu lewat bermakna anda tidak boleh menyelamatkan mereka)? Adakah segmen pelanggan yang berbeza memerlukan model yang berbeza sepenuhnya?

Zendesk mendapati bahawa pelanggan SMB memerlukan masa pendahuluan 90 hari tetapi pelanggan enterprise hanya memerlukan 45 hari. Mereka membina model khusus segmen dengan ambang berbeza, meningkatkan ketepatan keseluruhan sebanyak 15% berbanding pendekatan satu saiz untuk semua.

Bersedia untuk membina ramalan churn yang mendorong pengekalan? Ketahui cara melaksanakan sistem pemantauan kesihatan pelanggan, membina sistem amaran awal, membangunkan strategi simpan untuk akaun berisiko, dan mewujudkan proses analisis churn yang terus meningkatkan model anda.

Sumber berkaitan:

Tara Minh

Operation Enthusiast