La retention è una delle leve più importanti in qualsiasi business a ricavi ricorrenti, e capire perché un cliente se ne va vale quanto capire perché compra. Il problema, racconta un VP di Fivetran, è che la risposta a “perché questo cliente ha fatto churn?” non sta quasi mai in un unico posto. Alcuni indizi sono in una call Gong dove un referente ha accennato a un blocco di budget; altri nei ticket Zendesk rimasti senza risposta troppo a lungo; altri ancora nel comportamento sulla pagina di billing o nelle note Salesforce di una business review.
All’inizio l’analisi era manuale: una persona dedicata estraeva dati da centinaia di sistemi e li sintetizzava account per account. Un lavoro lento e costoso, ma prezioso, perché ha costruito una base di conoscenza su quali fonti fossero davvero predittive e quali segnali arrivassero abbastanza presto da poter agire. Crescendo la customer base, l’obiettivo è diventato preservare quel giudizio esperto eliminando il collo di bottiglia manuale.
Il tentativo di usare la sola AI search nativa di Gong si è rivelato inaffidabile, perché Gong non conteneva tutto il contesto di business: uno strumento single-purpose ottimizza per il proprio caso d’uso, non per il tuo. La svolta è arrivata centralizzando i dati dei clienti in BigQuery con Fivetran, unendo segnali da Gong, Salesforce, Zendesk, utilizzo del prodotto, comportamento di billing e trend di ARR. Su questa vista completa è stata costruita una AI Skill in Claude.
Per ogni account, l’agent recupera e sintetizza trend di ARR, trascrizioni Gong degli ultimi 12 mesi, storico Salesforce, ticket Zendesk e comportamento in-product — incluse le pagine visitate e i cambi di engagement con le pagine di billing prima del churn. Quello che gli analisti controllavano a mano, ora l’agent lo verifica in modo programmatico, spostando l’operatività da un’analisi reattiva post-churn a una gestione proattiva della retention.
La lezione ha valore generale: nell’AI enterprise il modello è raramente il fattore limitante. Il vero vincolo è dare all’AI accesso al giusto contesto di business. L’agent funziona non per il modello che usa, ma perché combina dati olistici con anni di competenza umana codificata in prompt, logica e guardrail. Ogni sistema agentic efficace dipende da due ingredienti: dati completi e contesto di business.
In sintesi
- I segnali di churn sono sparsi tra Gong, Salesforce, Zendesk, utilizzo prodotto e billing: servono uniti per avere senso.
- Centralizzando i dati in BigQuery con Fivetran è stata costruita una AI Skill in Claude su una vista completa del cliente.
- Il collo di bottiglia non è il modello, ma il contesto di business: dati completi più competenza umana codificata.
Hai qualcosa da aggiungere? Unisciti alla discussione.