SaaS & Software.

Nee, het is een laag erbovenop. Product-led growth laat het product de verkoop doen: mensen proberen het, ervaren waarde en stappen over naar een betaald plan. Die route blijft. Wat een voorspellende laag toevoegt, is sturing per account: uit dezelfde gedragssignalen volgt een schatting van de volgende zinvolle stap, en die stap wordt automatisch gezet. Product-led growth is dus de route waarlangs omzet binnenkomt, AI-led growth bepaalt waar u binnen die route bijstuurt en waar u het product zijn werk laat doen.

Dat hangt af van de beslissing erachter. Opzegging en uitbreiding worden op accountniveau genomen, dus voorspelt u daar per account. Activatie gebeurt per gebruiker: binnen hetzelfde account kan de ene collega het product dagelijks gebruiken en de andere nooit meer inloggen. Een account dat gemiddeld gezond oogt, kan rusten op een enkele actieve gebruiker, en dat is precies het risico dat een accountgemiddelde wegpoetst. Meet gedrag dus waar het plaatsvindt, bij de gebruiker, en tel het daarna op naar het account waarop u handelt.

Dan leert het model de meetwijziging in plaats van het gedrag van uw klanten. Is een gebeurtenis als 'project aangemaakt' vorig jaar anders vastgelegd dan nu, dan zit er een knik in uw geschiedenis die niets met uw gebruikers te maken heeft. Twee gewoonten helpen. Leg per belangrijke gebeurtenis vast wanneer de definitie is gewijzigd, zodat u die periode kunt uitsluiten of apart behandelen. En begin met signalen die al lang op dezelfde manier gemeten worden, ook als ze grover zijn. Consistentie weegt hier zwaarder dan volume.

Omdat nauwkeurigheid iets anders meet dan effect. Nauwkeurigheid is het aandeel juist geclassificeerde gevallen, en per periode zegt maar een klein deel van uw klanten op. Een model dat bij elk account voorspelt dat het blijft, scoort daardoor hoog zonder ooit een risicoklant aan te wijzen. Beoordeel daarom het onderscheidend vermogen, met maten als AUC of lift, en houd dat los van het resultaat. Laat een deel van de accounts buiten de interventie en vergelijk beide groepen daarna op wat u wilde verbeteren, bijvoorbeeld activatie of behoud.

Ja, maar op andere signalen dan bij bestaande klanten. Een proefperiode is kort en de geschiedenis per account is dun, dus leunt een model hier op vroeg gedrag: hoeveel collega's zijn uitgenodigd, is de eerste echte handeling voltooid, kwam iemand kort daarna terug. Verwacht daar geen fijnmazige rangorde van. Kies het moment waarop ingrijpen echt verschil maakt, meestal de stap naar die eerste voltooide handeling, en werk die interventie goed uit. Een bericht bij elke afwijking in gedrag maakt elk volgend bericht minder waard.