Esse é o insight que está no centro de como a Pendo pensa sobre o Pendo Predict, nosso produto de análise preditiva com tecnologia de IA. E é um insight que muda completamente a conversa, assim que você o compreende.

Jonathan Rice, analista de dados da equipe interna de ciência de dados da Pendo, disse de forma direta em uma conversa recente: "Acho que uma equipe de dados com a cabeça no lugar consegue construir um modelo de churn, e provavelmente já tem."

Então, se boas equipes de dados já conseguem criar modelos preditivos, qual é o objetivo do Predict? Acontece que o modelo é apenas parte do problema, e não a parte mais importante.

A peça que falta nos modelos de dados internos

Esta é a parte da conversa sobre análise preditiva que tende a ser ignorada: um modelo armazenado em um data warehouse não salva um único cliente.

"O modelo em si não muda os resultados do seu negócio", explicou Jonathan. "São as pessoas que impulsionam os resultados a partir das previsões do modelo que realmente mudam as coisas."

As equipes de dados conhecem bem essa tensão. Você passa semanas, às vezes um trimestre inteiro, construindo algo pelo qual se sente genuinamente orgulhoso. As previsões parecem certas. O recall é sólido. E então... simplesmente não move a receita recorrente líquida receita (NRR), porque não há um caminho claro de "aqui está uma conta de alto risco" para "aqui está um CSM fazendo algo a respeito."

A questão é: quem é o responsável por esse trabalho? É função da equipe de dados impulsionar ações, ou a responsabilidade passa para o RevOps, ou para o enablement, ou para os líderes de Customer Success (CS)? A resposta geralmente é "todo mundo é meio que responsável, então ninguém é realmente responsável."

O Predict foi criado para resolver esse problema não substituindo o modelo, mas fazendo tudo o que vem depois das pontuações de previsão.

O que o Predict realmente faz (e o que ele não tenta fazer)

O Predict não é uma caixa-preta que afirma conhecer o seu negócio melhor do que as pessoas que vivem dentro dele — é uma plataforma que comprime o tempo entre "temos um modelo" e "nossa equipe está fazendo algo com ele."

Onde o Predict realmente se destaca é em tudo o que acontece após o treinamento do modelo: levar previsões para o Salesforce e o Slack (ou onde quer que sua equipe de GTM esteja), criar segmentos no Pendo a partir de faixas de pontuação, anexar playbooks para que os CSMs saibam o que fazer quando uma conta aparece como de alto risco, e retreinar automaticamente para que suas pontuações não fiquem silenciosamente desatualizadas desatualizado.

Esse último ponto importa mais do que pode parecer. Jonathan descreveu o modelo anterior de churn da Pendo como algo que ficou anos sem ser reconstruído ou retreinado. O negócio havia mudado significativamente nesse período, mas o modelo ainda funcionava com sinais antigos. 

"Precisaríamos reconstruir o modelo", disse ele. "O problema era que não é uma tarefa fácil. Teria levado a um cientista de dados a maior parte de um trimestre."

O Predict inverte esse cronograma. Com o retreinamento automático ativado, o modelo reequilibra continuamente os pesos dos recursos com base nos resultados observados, para que suas pontuações reflitam como seu negócio realmente funciona hoje, e não como funcionava quando alguém teve tempo de criar um modelo há dois anos.

O tempo muda, não o trabalho

Antes do Predict, a fase de construção do modelo não era necessariamente a parte mais longa do processo. Jonathan explicou desta forma: coletar dados e criar features leva muito tempo. Treinar o modelo em si é rápido. Mas depois descobrir como levar as previsões para onde precisam ir, escrever código personalizado para enviar pontuações ao Salesforce, ou exibi-los em um dashboard ou acionar um alerta no Slack, leva muito tempo novamente.

"O Predict muda quanto tempo você gasta nessas três áreas", disse ele. É aí que você vê uma enorme economia de tempo. E agora, as equipes de dados podem investir mais tempo e esforço na coleta de dados melhores."

A equipe da Pendo vivenciou isso em primeira mão quando começou a experimentar o enriquecimento de dados externos para seu modelo de classificação de contas. Eles se perguntaram se a incorporação de sinais adicionais sobre prospects (como se uma empresa estava visivelmente usando IA) melhoraria a precisão do modelo. Em apenas um dia coletando os dados e alimentando-os no Predict, eles tinham sua resposta: sim, era informativo, e lançaram uma nova versão do modelo. Todos os usuários downstream simplesmente receberam previsões melhores. Ninguém precisou saber que algo havia mudado.

O desbloqueio para equipes de dados

Provavelmente o benefício mais subestimado do Predict, na perspectiva de Jonathan, é o que ele faz pela visibilidade das equipes de dados dentro da empresa.

"As equipes de dados precisam comunicar seu ROI", disse ele. "Ser capaz de mostrar que os modelos que você está construindo e as ações que você está gerando a partir deles estão trazendo dinheiro para o negócio, ou evitando que dinheiro saia pela porta, é um grande avanço para as equipes de dados."

Ele fez uma comparação direta com o que o Pendo faz pelos gerentes de produto: os PMs têm uma ferramenta que mostra se as funcionalidades que estão desenvolvendo estão sendo adotadas e os ajuda a aprimorá-las. As equipes de dados não tinham isso. O Predict foi criado para ser essa ferramenta.

E porque o Predict se integra diretamente à plataforma mais ampla da Pendo, incluindo segmentos, Guides e Orchestrate, o caminho da pontuação do modelo para o ação é muito mais curta do que seria se uma equipe de dados tentasse conectar tudo isso por conta própria. Quando cada conta com uma pontuação de churn alta pode ser adicionada automaticamente a uma jornada do Pendo Orchestrate, e você pode acompanhar o engajamento com esses guias e e-mails da mesma forma que acompanharia qualquer outro dado do Pendo, o ciclo da previsão à ação para o resultado torna-se mensurável.

Quer ver como o Pendo Predict pode ajudar sua equipe a transformar previsões em ação? Solicite uma demonstração.