AI-система отслеживания времени до ценности (Time-to-Value)
Time-to-Value (TTV) — время от подписания контракта до момента, когда клиент впервые получает значимую ценность от продукта. В B2B SaaS это ведущий индикатор долгосрочного удержания: клиенты, достигшие Aha-момента за < 14 дней, имеют retention на 40% выше, чем те, кто не достиг его вовсе.
Определение Aha-момента
Aha-момент = первое достижение value milestone: Конкретные определения зависят от продукта:
- CRM: первая успешно закрытая сделка через систему
- Аналитическая платформа: первый просмотренный дашборд с реальными данными
- Автоматизация: первый успешно выполненный workflow
- Коммуникации: первые 10 сообщений от команды
Определение milestone через данные:
def identify_aha_moment(product_events, cohort):
"""
Корреляционный анализ: какое action предсказывает retention лучше всего?
Метод: найти события, после которых 90-day retention максимален
"""
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]
Прогнозирование TTV
Раннее предсказание застрявших клиентов:
Onboarding journey — последовательность шагов. ML предсказывает вероятность того, что клиент так и не достигнет Aha-момента:
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
Временной горизонт: День 3, день 7, день 14 — контрольные точки. Если на день 7 прогноз риска > 0.6 → триггер вмешательства.
Сегментация TTV
По размеру компании: Enterprise (500+): TTV 30-60 дней (сложная интеграция, много стейкхолдеров). SMB (< 50): TTV 7-14 дней (self-serve onboarding).
По каналу привлечения: Organic/self-serve → быстрее (клиент знает зачем пришёл). Sales-led → медленнее (нужна настройка под требования).
По use case: Кластеризация клиентов по их цели. Разные onboarding paths для разных кластеров — персонализированные рекомендации следующего шага.
Intervention Engine
Automated vs. Human interventions:
def select_intervention(account, risk_score, bottleneck):
if risk_score > 0.8:
# Критический — CSM вмешивается вручную
return {
'type': 'human',
'action': 'schedule_call',
'owner': assign_csm(account),
'message_template': 'high_risk_outreach'
}
elif risk_score > 0.5 and bottleneck == 'integration':
# Автоматический — 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} # дней
A/B тестирование интервенций:
- Контрольная группа vs. группа с nudge
- Метрика: TTV (дней до Aha), 30-day activation rate
- Bayesian A/B тест: останавливаем при posterior probability > 95%
Cohort Analytics
TTV Cohort Chart: Классическая визуализация: по оси X — дни с регистрации, по Y — % клиентов достигших Aha. Сравнение когорт (разные месяцы, разные каналы, планы).
Bottleneck Analysis: Воронка onboarding шагов: где больше всего клиентов "застревают"? Шаг с наибольшим drop-off — приоритет для UX-улучшения.
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
Медианный TTV по сегментам: Еженедельный мониторинг. Рост медианного TTV → проблема в onboarding (регрессия в продукте, изменение ICP).
Интеграция
Product Analytics: Amplitude, Mixpanel, Heap — источник events. Warehouse: Snowflake/BigQuery — feature store для модели.
CRM: Salesforce Custom Object "Onboarding Progress" — видимость для CSM. Health Score объединяется с TTV progress.
In-app Messaging: Intercom, Pendo, Appcues — каналы доставки автоматических интервенций на основе ML-триггеров.
Сроки: Aha-moment definition + TTV cohort analytics + базовый risk scoring — 3-4 недели. ML-предсказание at-risk accounts + intervention engine + A/B тест framework — 6-8 недель.