ML-трекінг TTV: вимірюємо та прискорюємо шлях клієнта до цінності
Клієнт підписав контракт, минуло 30 днів, а він так і не зрозумів, за що платить. Типова ситуація. Ми знаємо, як виміряти та скоротити шлях до цінності. За 15+ проектів із впровадження TTV-трекінгу в B2B SaaS-продуктах ми накопичили практику, яка гарантує вимірний результат: середнє скорочення TTV на 25% швидше, ніж при ручному аналізі.
Time-to-Value (TTV) — час від підписання контракту до моменту, коли клієнт вперше отримує значущу цінність від продукту Wikipedia. У B2B SaaS це провідний індикатор довгострокового утримання: клієнти, які досягли Aha-моменту за < 14 днів, мають retention на 40% вищий, ніж ті, хто не досяг його взагалі. Ми автоматизуємо цей трекінг за допомогою ML, що дозволяє передбачати ризики та втручатися до того, як клієнт застрягне.
Як визначити Aha-момент?
Aha-момент = перше досягнення value milestone. Конкретні визначення залежать від продукту:
- CRM: перша успішно закрита угода через систему
- Аналітична платформа: перший переглянутий дашборд з реальними даними
- Автоматизація: перший успішно виконаний workflow
- Комунікації: перші 10 повідомлень від команди
Визначення milestone через дані:
def identify_aha_moment(product_events, cohort): """ Кореляційний аналіз: яке action передбачає retention найкраще? Метод: знайти події, після яких 90-day retention максимальний """ event_types = product_events['event_type'].unique() correlations = {} for event in event_types: users_with_event = product_events[product_events['event_type'] == event]['user_id'].unique() retention_with = cohort[cohort['user_id'].isin(users_with_event)]['retained_90d'].mean() retention_without = cohort[~cohort['user_id'].isin(users_with_event)]['retained_90d'].mean() correlations[event] = retention_with - retention_without return sorted(correlations.items(), key=lambda x: x[1], reverse=True)[:5] Як ML передбачає TTV та виявляє ризики?
Раннє передбачення клієнтів, які застрягли. Onboarding journey — послідовність кроків. ML передбачає ймовірність того, що клієнт так і не досягне Aha-моменту:
def predict_at_risk_onboarding(account_id, days_since_signup): events = get_product_events(account_id, days=days_since_signup) features = { 'setup_completion_pct': events['setup_steps_completed'] / total_setup_steps, 'integrations_connected': events['integrations_count'], 'users_invited': events['team_members_invited'], 'login_frequency': events['unique_login_days'] / days_since_signup, 'support_tickets_opened': events['support_tickets'], 'training_modules_completed': events['training_completion'], 'days_since_signup': days_since_signup, 'plan_tier': account['plan'], 'company_size': account['employee_count'] } risk_score = onboarding_risk_model.predict_proba([features])[0][1] return risk_score Часовий горизонт: День 3, день 7, день 14 — контрольні точки. Якщо на день 7 прогноз ризику > 0.6 → тригер втручання.
Сегментація TTV: таблиця середніх значень
| Сегмент | Розмір компанії | Середній TTV (днів) | Канал залучення | Середній TTV (днів) |
|---|---|---|---|---|
| Enterprise | 500+ | 30–60 | Sales-led | 30–45 |
| Mid-market | 50–499 | 14–30 | Content-led | 14–21 |
| SMB | <50 | 7–14 | Organic/self-serve | 7–14 |
За use case: Кластеризація клієнтів за їхньою метою. Різні onboarding paths для різних кластерів — персоналізовані рекомендації наступного кроку.
Intervention Engine
Automated vs. Human interventions:
def select_intervention(account, risk_score, bottleneck): if risk_score > 0.8: # Критичний — CSM втручається вручну return { 'type': 'human', 'action': 'schedule_call', 'owner': assign_csm(account), 'message_template': 'high_risk_outreach' } elif risk_score > 0.5 and bottleneck == 'integration': # Автоматичний — in-app tooltip + email return { 'type': 'automated', 'channel': ['in_app_tooltip', 'email'], 'content': 'integration_setup_guide', 'timing': 'next_login' } else: return {'type': 'monitor', 'next_check': 3} # днів A/B тестування інтервенцій:
- Контрольна група vs. група з nudge
- Метрика: TTV (днів до Aha), 30-day activation rate
- Bayesian A/B тест: зупиняємо при posterior probability > 95%
Cohort Analytics
TTV Cohort Chart: Класична візуалізація: по осі X — дні з реєстрації, по Y — % клієнтів, які досягли Aha. Порівняння когорт (різні місяці, різні канали, плани).
Bottleneck Analysis: Воронка onboarding кроків: де найбільше клієнтів застрягають? Крок з найбільшим drop-off — пріоритет для UX-покращення.
def funnel_analysis(onboarding_steps, cohort): funnel_rates = {} for i, step in enumerate(onboarding_steps): users_reached = cohort[cohort['max_step_reached'] >= i]['count'] users_completed = cohort[cohort['max_step_reached'] >= i+1]['count'] funnel_rates[step] = users_completed / users_reached return funnel_rates Медіанний TTV за сегментами: Щотижневий моніторинг. Зростання медіанного TTV → проблема в onboarding (регресія в продукті, зміна ICP).
Порівняння типів інтервенцій
| Тип | Умова | Дія | Метрика успіху |
|---|---|---|---|
| Human | risk_score > 0.8 | Дзвінок CSM | TTV скорочення на 30% |
| Automated | 0.5 < risk_score ≤ 0.8 | In-app tooltip + email | TTV скорочення на 15% |
| Monitor | risk_score ≤ 0.5 | Очікування, повторна перевірка через 3 дні | — |
Що входить у роботу
- Документація: model card з описом фіч та метрик, pipeline схеми, архітектура ML-сервісу
- Доступи: дашборди TTV cohort chart та funnel analysis для Product & CSM команд
- Навчання: воркшоп з інтерпретації ризиків та налаштування інтервенцій
- Підтримка: код-рев'ю та доопрацювання моделі під нові events протягом гарантійного періоду
Покроковий план впровадження
- Data audit: збір та перевірка якості подій onboarding (1 тиждень)
- Aha-moment definition: кореляційний аналіз, вибір milestone (1 тиждень)
- Baseline cohort analytics: поточний TTV, воронка (1 тиждень)
- ML model development: risk scoring, intervention engine (2-3 тижні)
- Integration: product analytics + CRM + messaging (1-2 тижні)
- A/B test & optimization: налаштування експериментів (1 тиждень)
Інтеграція
Product Analytics: Amplitude, Mixpanel, Heap — джерело events. Warehouse: Snowflake/BigQuery — feature store для моделі.
CRM: Salesforce Custom Object "Onboarding Progress" — видимість для CSM. Health Score об'єднується з TTV progress.
In-app Messaging: Intercom, Pendo, Appcues — канали доставки автоматичних інтервенцій на основі ML-тригерів.
Строки: Aha-moment definition + TTV cohort analytics + базовий risk scoring — 3-4 тижні. ML-передбачення at-risk accounts + intervention engine + A/B test framework — 6-8 тижнів.
Хочете виміряти та скоротити TTV вашого продукту? Зв'яжіться з нами — ми допоможемо налаштувати систему трекінгу під ваш стек. Замовте аудит поточного onboarding для оцінки потенціалу скорочення TTV. Отримайте консультацію з впровадження — розповімо, як інтегрувати ML-трекінг у вашу продуктову аналітику.