Customer Experience e Customer Health Score de clientes SaaS: uma análise da parametrização das métricas que influenciam o Customer Churn

Abstract

Apesar da rotatividade de clientes, ou Customer Churn, nas indústrias de serviços ter sido estudada extensivamente, o Software as a Service ainda não representa um foco específico de pesquisas acadêmicas especialmente no que concerne as métricas que compõem o Customer Health Score. Buscou-se oferecer uma metodologia para criação de um modelo preditivo de Customer Churn a partir do cálculo de Customer Health Score. Levou-se em consideração seus diversos indicadores e variáveis que podem ser medidos em todas as etapas de interação dos clientes ao longo de sua jornada. Tomou-se como foco uma empresa líder na América Latina em software, cuja classe de produtos principal é o ERP, do inglês Enterprise Resource Planning. A análise foi realizada por meio de dois algoritmos preditivos – regressão logística, que é um modelo já bastante estudado e de uso bastante consolidado, e o XGBoost, que é um modelo mais novo e que tem apresentado bons resultados em diversas aplicações– utilizandose principalmente dados coletados em interações do cliente com a companhia. Foram considerados dados de 40.635 clientes que compõem a carteira de clientes com receita recorrente da companhia. As contribuições de quatro categorias de variáveis que poderiam compor um Customer Health Score foram analisadas: informações de interação da companhia com o cliente, informações sobre o cliente, informações sobre os contratos existentes e informações comerciais. Os modelos testados nesse trabalho analisaram, ao todo, 396 variáveis candidatas coletadas num período de 19 meses – de setembro de 2017 a março de 2019 – representando um número de dados unitários superior a 220 milhões. O modelo de XGBoost apresentou bons resultados de indicadores quantitativos para o caso estudado tendo os melhores índices de TPR (0,6547), Precisão (0,7268) e F-Score (0,6889). A metodologia aplicada é descrita em nível operacional, permitindo assim que outros pesquisadores e analistas possam replicá-la em contextos diferentes e mais amplos.

Although Customer Churn in service industries has been studied extensively, Software as a Service does not yet represent a specific focus of academic research, especially on what concerns the metrics that make up the Customer Health Score. This research sought to offer a methodology for creating a predictive model of Customer Churn starting from the Customer Health Score calculation. It took into consideration the various indicators and variables that can be measured at all stages of the customer journey. The focus of this study was a leading software company in Latin America, whose main product class is the Enterprise Resource Planning (ERP). The analysis was performed using two predictive algorithms - logistic regression, which is a well-studied and widely used model, and XGBoost, which is a newer model that has shown good results in many applications - using mainly data collected during customer interactions with the company. Data from the 40,635 company’s customers portfolio, which currently compose its recurring revenue, were considered. Contributions from four categories of variables that could make up a Customer Health Score were analyzed: company-customer interaction information, customer information, existing contract information, and sales information. The models tested in this study analyzed a total of 396 candidate variables collected over a 19-month period – from September 2017 to March 2019 - representing a number of unit data of over 220 million. The XGBoost model presented good quantitative indicators results for the case study having the best TPR (0.6547), Precision (0.7268) and FScore (0.6889) indices. The applied methodology is described at the operational level, thus allowing other researchers and analysts to replicate it in different and broader contexts.