Asiakaspoistuman ennustaminen B2B SaaS -palvelussa
Ladataan...
557.74 KB
suljettu
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Lataukset3
Pysyvä osoite
Verkkojulkaisu
DOI
Tiivistelmä
Asiakaspoistuma on keskeinen haaste B2B SaaS -liiketoiminnassa, sillä tilausmallin jatkuvuus perustuu asiakkuuksien säilyttämiseen. Koneoppimismenetelmät tarjoavat lupaavan lähestymistavan poistumisriskin tunnistamiseen, mutta aiempi tutkimus on keskittynyt pääasiassa julkisiin aineistoihin ja muihin toimialoihin, jolloin B2B SaaS -kontekstin erityispiirteet ovat jääneet vähäisemmälle huomiolle. Tämän kandidaatintutkielman tavoitteena on selvittää, mikä koneoppimismalli ennustaa asiakaspoistumaa parhaiten B2B SaaS -palvelussa sekä tunnistaa kirjallisuuden perusteella keskeisimmät poistumaan vaikuttavat muuttujat.
Tutkimus toteutettiin kaksiosaisesti. Ensin laadittiin kirjallisuuskatsaus, jossa tarkasteltiin B2B SaaS - liiketoiminnan erityispiirteitä, asiakaspoistuman keskeisiä muuttujia sekä koneoppimismenetelmiä. Tämän jälkeen toteutettiin empiirinen osuus hyödyntäen MailMoo-nimisen suomalaisen B2B SaaS -yrityksen asiakasaineistoa, joka koostettiin kolmesta tietolähteestä: Stripe-laskutusdatasta, PostHog-käyttäytymisdatasta ja Intercom-tukipyyntödatasta. Lopullinen analyysiaineisto käsitti 142 asiakasta ja neljä selittävää muuttujaa. Vertailtavina malleina olivat logistinen regressio, Random Forest ja XGBoost, joiden suorituskyky arvioitiin 5-kertaisella StratifiedKFold-ristiinvalidaatiolla.
Kirjallisuuskatsauksen perusteella tärkeimmiksi asiakaspoistumaan vaikuttaviksi tekijöiksi tunnistettiin käyttöaktiivisuus, sopimuspituus, taloudellinen käyttäytyminen sekä onboarding. Empiirisen tutkimuksen tulosten perusteella ensemble-menetelmät suoriutuivat selvästi paremmin kuin logistinen regressio, ja XGBoost osoittautui vertailluista malleista parhaaksi. Tulokset ovat linjassa aiemman kirjallisuuden kanssa, jonka mukaan ensemble-menetelmät soveltuvat yksittäisiä luokittelijoita paremmin churn-ennustamiseen. Tutkimuksen keskeinen rajoitus on se, että mallit ennustavat ainoastaan churnaako asiakas, mutta eivät sen ajankohtaa.