Asiakaspoistuman ennustaminen B2B SaaS -palvelussa

Abstract

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.