AI-система відстеження часу до отримання цінності
Time-to-Value (TTV) — час від підписання контракту до того моменту, коли клієнт вперше отримує значну цінність від продукту. В B2B SaaS це провідний індикатор довгострокового утримання: клієнти, які досягають Aha-моменту за < 14 днів, мають на 40% вищий retention, ніж ті, хто його не досягнув.
Визначення Aha-моменту
Aha-момент = перше досягнення віхи цінності: 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 віхи через дані:
def identify_aha_moment(product_events, cohort):
"""
Кореляційний аналіз: яка дія найкраще передбачає retention?
Метод: знайти події, після яких 90-денний 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]
Прогнозування TTV
Раннє передбачення "застрявших" клієнтів:
Onboarding journey — послідовність кроків. ML передбачає ймовірність того, що клієнт ніколи 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 → запустити втручання.
Сегментація TTV
За розміром компанії: Enterprise (500+): TTV 30-60 днів (складна інтеграція, багато заінтересованих сторін). SMB (< 50): TTV 7-14 днів (self-serve onboarding).
За каналом залучення: Organic/self-serve → швидше (клієнт знає, чому прийшов). Sales-led → повільніше (потрібна настройка).
За use case: Кластеризація клієнтів за їх цілями. Різні onboarding paths для різних кластерів — персоналізовані рекомендації для наступного кроку.
Механізм втручання
Автоматизовані vs. Людські втручання:
def select_intervention(account, risk_score, bottleneck):
if risk_score > 0.8:
# Критично — 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':
# Автоматично — 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 втручань:
- Контрольна група vs. група з nudge
- Метрика: TTV (днів до Aha), 30-денний activation rate
- Байєсівський A/B тест: зупинитися при posterior probability > 95%
Когортна аналітика
TTV Cohort Chart: Класична візуалізація: вісь X — днів від реєстрації, вісь Y — % клієнтів, які досягли Aha. Порівняння когорт (різні місяці, різні канали, плани).
Аналіз вузьких місць: Воронка onboarding кроків: де більшість клієнтів "застрягає"? 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).
Інтеграція
Product Analytics: Amplitude, Mixpanel, Heap — джерела подій. 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 втручань на основі ML-тригерів.
Часові рамки: визначення Aha-моменту + TTV когортна аналітика + базовий risk scoring — 3-4 тижні. ML-прогнозування at-risk accounts + intervention engine + A/B test framework — 6-8 тижнів.