AI-система отслеживания времени до ценности (Time-to-Value)
Клиент подписал контракт, прошло 30 дней, а он так и не понял, зачем платит. Типичная ситуация. Мы знаем, как измерить и сократить путь к ценности. За 15+ проектов по внедрению TTV-трекинга в B2B SaaS-продукты мы накопили практику, которая гарантирует измеримый результат: среднее сокращение TTV на 25% быстрее, чем при ручном анализе.
Time-to-Value (TTV) — время от подписания контракта до момента, когда клиент впервые получает значимую ценность от продукта Wikipedia. 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. Мы автоматизируем этот трекинг с помощью ML, что позволяет предсказывать риски и вмешиваться до того, как клиент застрянет.
Как определить Aha-момент?
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] Как ML предсказывает TTV и выявляет риски?
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: таблица средних значений
| Сегмент | Размер компании | Средний TTV (дней) | Канал привлечения | Средний TTV (дней) |
|---|---|---|---|---|
| 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 |
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).
Сравнение типов интервенций
| Тип | Условие | Действие | Метрика успеха |
|---|---|---|---|
| Human | risk_score > 0.8 | Звонок CSM | TTV сокращение на 30% |
| Automated | 0.5 < risk_score ≤ 0.8 | In-app tooltip + email | TTV сокращение на 15% |
| Monitor | risk_score ≤ 0.5 | Ожидание, повторная проверка через 3 дня | — |
Что входит в работу
- Документация: model card с описанием фич и метрик, pipeline схемы, архитектура ML-сервиса
- Доступы: дашборды TTV cohort chart и funnel analysis для Product & CSM команд
- Обучение: воркшоп по интерпретации рисков и настройке интервенций
- Поддержка: код-ревью и доработка модели под новые events в течение гарантийного периода
Пошаговый план внедрения
- Data audit: сбор и проверка качества событий onboarding (1 неделя)
- Aha-moment definition: корреляционный анализ, выбор milestone (1 неделя)
- Baseline cohort analytics: текущий TTV, воронка (1 неделя)
- ML model development: risk scoring, intervention engine (2-3 недели)
- Integration: product analytics + CRM + messaging (1-2 недели)
- A/B test & optimization: настройка экспериментов (1 неделя)
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 test framework — 6-8 недель.
Хотите измерить и сократить TTV вашего продукта? Свяжитесь с нами — мы поможем настроить систему трекинга под ваш стек. Закажите аудит текущего onboarding для оценки потенциала сокращения TTV. Получите консультацию по внедрению — расскажем, как интегрировать ML-трекинг в вашу продукт-аналитику.