Customer Success: AI wskazuje 50 kont z ryzykiem rezygnacji 60 dni naprzód

Sytuacja wyjściowa

Klient: B2B SaaS w branży retail-tech, 1 400 aktywnych klientów (ARR ~38 mln zł), zespół Customer Success liczy 12 CSM-ów + 3 menedżerów. Średni ARR per klient: 27 tys. zł. Konkurencja: 4 duzi gracze + 8 niszowych.

Churn roczny 16,2% (3,2 mln zł utraconego MRR), ale 73% rezygnacji była dla zespołu zaskoczeniem. CSM dowiadywał się o problemach klienta dopiero w mailu wypowiadającym umowę. „Save calls" w tym momencie miały skuteczność 8%. Klient zdążył już dokonać emocjonalnej decyzji, czasem nawet podpisać z konkurencją. Zespół CS pracował reaktywnie — gasił pożary zamiast budować relacje.

Jakie procesy weszły na AI

• Model predykcji churnu 60 dni naprzód — AI łączy 47 sygnałów: spadek aktywnego usage (logowania, używane moduły), wzrost ticketów do supportu, spóźnione płatności, brak odpowiedzi na maile od CSM, zmiana kontaktu po stronie klienta (signal w LinkedIn), wahania w użyciu kluczowych funkcji. Cotygodniowo generuje listę 50 kont z risk score >0,7.
• Generowanie spersonalizowanego planu retention — Dla każdego klienta z high-risk AI proponuje konkretną akcję: review session, demo nowej funkcji, propozycja training dla użytkowników, eskalacja do account managera. Plan oparty na historii podobnych klientów, którzy zostali zatrzymani.
• Asystent w trakcie save call — CSM przed rozmową save dostaje od AI 1-stronicowy briefing: powody risk score, kluczowe argumenty, propozycje rabatu/upgradera (z guardrails finansowymi), case studies podobnych klientów, którzy zostali.
• Automatyczna analiza powodów rezygnacji — Gdy klient mimo wszystko odchodzi, AI analizuje rozmowę exit interview (transkrypcja), kategoryzuje powód, agreguje do tygodniowego raportu dla zarządu. Pozwala na korekty produktu w odpowiedzi na sygnały.

Architektura rozwiązania

Stack RedAI: Claude Opus 4.7 do generowania planów retention i briefów, Bielik 7B do klasyfikacji ticketów supportu, embedding e5-large w Qdrant na bazie historii klientów. Model churn prediction: XGBoost + LSTM hybrid, retrenowany co 14 dni na danych z ostatnich 24 miesięcy. Integracje przez MCP: Salesforce CRM, Intercom (support), Stripe (płatności), product analytics (Mixpanel). Hook PreToolUse wymusza, żeby CSM widział tylko klientów ze swojego portfela.

Dane klienta nie wychodzą poza prywatną instancję RedAI. Wszystkie wywołania modeli, retrieval z bazy wiedzy i operacje na systemach źródłowych logowane do audytu (NIS2, AI Act art. 12, RODO art. 32). Hooks Claude wymuszają deterministyczne kontrole uprawnień (ACL) przed każdym wywołaniem narzędzia.

Liczby i wyniki

Setup wdrożenia: 320 tys. zł (model + integracje + training zespołu). Opex miesięczny: 28 tys. zł. Korzyść: 2,1 mln zł retained ARR rocznie. Payback w 4 miesiące. ROI 24-miesięczne: 11,8×.

„Pierwszy raz CSM zaczął rozmowę od „widzę, że ostatnio mniej używacie modułu X — co się dzieje?". Klient był w szoku, że nam zależy."

— Head of CS

Co dalej

Kolejna faza: model upsell prediction (które konta są gotowe na rozszerzenie produktu), automatyczna identyfikacja „champion" po stronie klienta w celu strukturalnego account managementu, predyktywna alokacja zasobów CSM na podstawie wartości portfela.

RedAI działa jako prywatna instancja w infrastrukturze klienta. Dane nie wychodzą poza firmę. Umówcie 30-minutowe demo — pokażemy analogiczne wdrożenie w Waszej branży i policzymy ROI na Waszych liczbach.