カスタマーヘルススコアリングが失敗する理由と、実際に機能するアプローチ

SaaSの収益リーダーにとって、使命は明確です： 顧客を成長させること。

新規ロゴの獲得はコストがかかり、予測が困難です。取締役会は今や効率性を求めています。最も重要なレバーとは？既存の収益を失わないよう既存顧客を守り、さらにアカウントのフットプリントを拡大することです。

収益リーダーはこれを理解しています。だからこそRevOpsは長年にわたり、顧客ヘルスにスコアを付けようとしてきました。GTM（ゴートゥーマーケット）チームがアカウントを守り成長させるための先見性を持てるよう期待してのことです。しかし、データ収集自体は難しくありません。難しいのは、このデータを実行可能なインサイトに変えることです。ほとんどの組織がそうであるように、データがチームやツールをまたいでサイロ化しており、何かをモデル化する前に大規模な準備とクレンジングが必要な場合、これはさらに困難になります。

しかし、ここに不都合な真実があります：ほとんどの顧客ヘルススコアリングの取り組みは失敗します。そして、その失敗は予測可能な理由によるものです。

従来の顧客ヘルススコアが失敗する理由

カスタマーサクセスチームが現在ヘルススコアを使用しているなら、このパターンを見たことがあるでしょう：数字の上では健全に見えた顧客が、それでも解約してしまう。あるいはアカウントがリスクありとフラグ立てされても、スコアはチームに なぜなのか、そしてどう対処すべきかを教えてくれません。

従来のヘルススコアリングは、予測可能な3つの方法で機能しなくなります。

静的なスコアリングモデルは追いつけない：

ほとんどのヘルススコアは、6か月または12か月前に立てられた仮定——当時の「良い」エンゲージメントの姿——に基づいて構築されています。しかし、製品の使用パターンは進化します。機能が追加されます。ユーザーの行動が変化します。ローンチ時に機能していた静的なモデルは、数か月以内に遅行指標となり、これから何が起きるかではなく、何が起きたかを伝えるだけになります。

データはサイロに存在する

製品使用データはあるシステムに。CRMデータは別のシステムに。サポートチケットはさらに別のシステムに。顧客ヘルスの統合ビューを構築するには、互いに連携するよう設計されていなかったデータソースをつなぎ合わせる必要があります——ほとんどのRevOpsチームが持っていないデータエンジニアリングリソースを必要とするプロセスです。

アクションを伴わないスコアはただの数字

ヘルススコアがリスクを正しく特定できた場合でも、重要な2つの質問に答えられないことがよくあります： なぜ このアカウントはリスクにさらされているのか？そして どう対処すべきか？コンテキストのない赤いスコアはCSMを推測に頼らせます。つまり、良くてもプレイブックの実行が一貫せず、最悪の場合は麻痺状態に陥ります。

結果は見慣れたフラストレーションです：誰も信頼せず、自己説明もできず、手遅れになる前にアクションに結びつくことがほとんどないヘルススコアで埋め尽くされたダッシュボード。

手動チャーン分析の真のコスト

自動化されたヘルススコアリングが不十分な場合、チームは手動のチャーン分析に頼ります——CSMが個々のアカウントを掘り下げ、製品使用データ、サポートチケット、更新タイムラインの中に警告サインを探します。

このアプローチはある程度機能します。経験豊富なカスタマーサクセスマネージャーは時間をかけてパターン認識を発達させます。微妙なシグナルを見抜くことを学びます：ログインしなくなったパワーユーザー、主要機能を使わなくなったチーム、沈黙したエグゼクティブスポンサー。

しかし、手動分析はスケールしません。ポートフォリオに50、60、時には100のアカウントを抱えていると、1人のCSMがすべてを把握することは不可能です。シグナルに気づく頃には、すでに手遅れであることが多く——更新の会話はすでに対立的になっているか、アップセルの機会は閉じてしまっています。

機会コストは時間とともに積み重なります。アカウントを手動でレビューするのに費やした時間は、積極的な関係構築、戦略的計画、または高付加価値の顧客との会話に充てられない時間です。手動によるチャーン分析は、最もパフォーマンスの高いチームメンバーへの課税となります——まさに、人間にしかできない仕事に時間を使うべき人たちです。

AIチャーン予測が実際に必要とするもの

AIを活用したチャーン予測は長年にわたって約束されてきました。では、なぜ期待通りの成果をもたらしていないのでしょうか？

その答えは、有用なチャーン予測システムが実際に何を必要とするか、そしてなぜほとんどのアプローチが不十分なのかを理解することにあります。

行動データから始まる

最も強力なチャーンシグナルは、CRMフィールドやアンケートの回答からではなく、ユーザーが実際に 行うこと から得られます。具体的には、プロダクト内で使用する（または使用をやめる）機能、時間の経過に伴うエンゲージメントのパターン、そして離脱に先行する微妙な行動の変化です。

プロダクトの利用データは先行指標です。その他すべて——サポートチケット、NPSスコア、更新に関する会話——は、行動データが数週間または数ヶ月前にすでに明らかにしていたことを確認する遅行指標です。

モデルは継続的に再トレーニングされなければならない

昨年のチャーンパターンに基づいて構築されたモデルは、今年のリスクを見逃します。顧客の行動は、プロダクトの変化、市場環境の変化、そして顧客基盤の成熟に伴って進化します。効果的なAIチャーン予測には、時間の経過とともに劣化する一度限りの構築ではなく、新しいデータから継続的に学習するモデルが必要です。

予測には説明が必要

文脈のないチャーンリスクスコアは、解決するよりも多くの問題を生み出します。「このアカウントがチャーンする可能性は73%です」という情報は、チームに理由を何も伝えません——そして 理由がなければ、適切に行動することができません。最良のチャーン予測システムは、予測だけでなく、各予測を導く具体的な行動やパターンも明らかにします。

インサイトは適切な人に適切なタイミングで届けられなければならない

CSMが週に一度確認するダッシュボードに埋もれた予測は、行動を促す予測とは言えません。インテリジェンスは、収益チームがすでに業務を行っているシステム——CRM、Slack、実際の業務が行われる場所——に流れ込み、即座かつ明確に行動できるだけの文脈を伴う必要があります。

ほとんどの「AIチャーン予測」ソリューションは、これらの要件の少なくとも一つで失敗しています。行動データではなくCRMデータに依存しています。時間の経過とともに劣化する静的なモデルを構築しています。説明なしにスコアを提供しています。あるいは、使われないままになる別のダッシュボードをチームに採用させることを求めています。

手動プロセスと中途半端なソリューションでは不十分

カスタマーサクセスマネージャー（CSM）は、RevOpsから提供されたツールを使って最善を尽くしています。それは、アカウントがそのヘルススコアを持つ理由についての文脈をレップに提供しない、スプレッドシート上の手動の静的スコアリングモデルを使用することを意味する場合があります。また、RevOpsが顧客の健全性を測るためにカスタムのデータサイエンスプロジェクトを作成する場合もあります。しかし、これらは低速でリソースを大量に消費し、インサイトをレップに直接届けることが困難になります。

その結果は？手動プロセスと中途半端なソリューションの山です。新たなキックオフ、リセット、失敗したプロジェクト……常に同じ結末です。Pendoデータを掘り下げてアカウントシグナルを見つけようとしている先進的なCSMでさえ、その取り組みをスケールさせることが難しいと感じるかもしれません。ポートフォリオに50、60、時には100のアカウントを抱えていると、CSMがすべてを把握する方法はありません。シグナルに気づいた時には、すでに手遅れです。更新が失われるか、アップセルの機会が過ぎ去っています。