Je save flow produceert stilletjes churn — dit cijfer bewees het

De eerste keer dat ik me echt goed voelde bij een retentiedashboard, keek ik naar een save rate van 30%. Dertig procent van de mensen die op "opzeggen" klikten, zette de opzegging niet door. Op papier had die flow zichzelf tien keer terugverdiend. Ik weet nog dat ik dacht dat het moeilijkste achter de rug was.

Toen haalde ik het cohort onder dat cijfer erbij, en het klopte niet meer.

Sommige van die "geredde" gebruikers hadden per ongeluk op opzeggen geklikt, de aanbieding bekeken en waren gebleven — ze waren nooit van plan geweest te vertrekken. Sommigen hadden de korting aangenomen en zegden de maand erna alsnog op. En een stillere groep zat me meer dwars: mensen die we tijdens hun opzegvenster hadden gemaild en die, voor zover ik kon nagaan, helemaal niet hadden geprobeerd op te zeggen. We waren de inbox van een verlengende klant binnengedrongen om te zeggen "we zouden het jammer vinden je te zien gaan," en herinnerden hen eraan dat ze $49 per maand betaalden voor iets wat ze sinds de winter niet meer hadden geopend. Dat is het hele verhaal van waarom ik nu ethische abonnementsretentie-AI bouw zoals ik dat doe, en waarom het systeem dat we uiteindelijk lanceerden bij Veriprajna begint met te weigeren alle opzeggers hetzelfde te behandelen.

Save rate is een ijdelheidsmetriek die vier compleet verschillende mensen samenvoegt tot één zelffeliciterend cijfer.

De 30% die niet is wat je denkt

Breng wat tijd door in een opzegtrechter en je leert dat "mensen die op opzeggen klikken" niet één populatie is. Het zijn er vier, en ze willen tegengestelde dingen van je.

Er zijn Persuadables — zij vertrekken tenzij ze het juiste duwtje krijgen, een functie waarvan ze niet wisten dat die bestond, een abonnement dat past bij hoe ze het product daadwerkelijk gebruiken. Dit zijn de enige gebruikers waarbij een save flow echte waarde creëert. Er zijn Sure Things, die hoe dan ook blijven; hun een korting van 20% geven verbrandt alleen maar marge op omzet die je al had. Er zijn Lost Causes, die hebben besloten en niet terugkomen; een verhoor van vier pagina's maakt ze alleen maar boos en wordt het supportticket — en het soort "labyrintische" ervaring waar, zoals ik nog zal toelichten, toezichthouders nu juist naar op zoek gaan.

En dan zijn er nog Sleeping Dogs: klanten die stilletjes verlengen en zouden zijn blijven verlengen, tot het moment dat jouw retentiecampagne ze wakker maakte. Raak ze aan en je creëert churn die er anders niet zou zijn geweest.

De valkuil is structureel. Een generieke save flow — het soort dat elke kant-en-klare tool standaard levert — behandelt alle vier als dezelfde opzegger en gooit dezelfde aanbieding op ze allemaal af. Je save rate telt de Sure Things als winst. Het zegt niets over de Sleeping Dogs die je zojuist verloor, want die verliezen duiken nooit op in de opzegtrechter. Ze duiken op als een verlenging die stilletjes niet plaatsvond.

De holdout-test die ik niet wilde uitvoeren

Ik zou je graag vertellen dat we hier vanaf het begin rekening mee hielden. Dat deden we niet. Het eerste retentiemodel dat ik steunde, optimaliseerde save rate, want save rate was het cijfer dat iedereen in de kamer vertrouwde, en het ging omhoog, en we lanceerden het.

Wat me van gedachten deed veranderen, was een holdout-test die ik bijna niet had uitgevoerd. Het argument ertegen is altijd hetzelfde: waarom bewust de save flow onthouden aan een controlegroep en de reddingen "verliezen" die je had kunnen maken? Ik voerde hem toch uit, vooral om een schone nulmeting te hebben. Toen de resultaten binnenkwamen, was de behandelgroep — de gebruikers die we hadden "geholpen" — met een hoger percentage uitgestroomd dan de controlegroep die we met rust hadden gelaten.

Ik zat lange tijd naar die tabel te staren. We verminderden geen churn. In één deel van het publiek produceerden we het juist.

Het bleek dat we een fout met een papieren spoor opnieuw hadden uitgevonden. Telenor, het Noorse telecombedrijf, voerde retentiecampagnes die ongeveer 2% hogere churn veroorzaakten in de behandelde groep dan in de controlegroep — ze ontdekten het alleen doordat ze een fatsoenlijke holdout uitvoerden. De meeste abonnementsbedrijven doen dat nooit. Ze A/B-testen welke aanbieding het best converteert en stellen nooit de voorafgaande vraag of ingrijpen überhaupt helpt. De ongemakkelijke rekensom: een bedrijf met 200,000 abonnees en 3% maandelijkse vrijwillige churn ziet ongeveer 6,000 gebruikers met opzegintentie per maand, en brancheonderzoek schat 10–20% daarvan in als Sleeping Dogs. Benader alle 6,000 — wat de standaardtools doen — en je duwt 600 tot 1,200 mensen per maand richting een opzegging die ze niet van plan waren te maken. Bij $50 gemiddelde omzet per gebruiker is dat $360,000 tot $720,000 per jaar aan omzet die je eigen retentiesysteem vernietigde.

We hadden geen churn-probleem. We hadden een retentiesysteem dat churn genereerde en dat verborg binnen een metriek die alleen winst telt.

Waarom kon een slimmer churn-model dit niet gewoon oplossen?

Mijn eerste instinct was om slimmer te worden in voorspellen. Als het probleem was dat we de verkeerde mensen benaderden, dan zou een beter churn-model — een dat scoorde wie het meest waarschijnlijk zou vertrekken — het toch zeker oplossen.

Dat zou het niet, en de reden vormt de kern van dit hele verhaal. Standaard churn-voorspelling beantwoordt "wie zal waarschijnlijk vertrekken?" Maar een Sleeping Dog en een Persuadable kunnen identiek scoren op een vertrekwaarschijnlijkheidsmodel en hebben tegengestelde behandeling nodig. De vraag die er werkelijk toe doet, is niet wie zal vertrekken. Het is wie zal vertrekken vanwege jouw interventie, of blijft vanwege diezelfde interventie — en een voorspellend model kan dat structureel niet beantwoorden, omdat het nooit het contrafeitelijke scenario ziet.

Die contrafeitelijke vraag heeft een naam: uplift-modellering, oftewel het schatten van het Conditional Average Treatment Effect — de verandering in het gedrag van een specifieke gebruiker die wordt veroorzaakt door de interventie, niet slechts gecorreleerd met hun profiel. De financiële dienstverlening kwam hier eerder achter dan SaaS; uplift-modellen presteerden daar consistent beter dan voorspellende modellen en maakten retentie-uitgaven daadwerkelijk winstgevend, omdat ze stopten met dat geld uit te geven aan mensen die hun keuze in beide richtingen al hadden gemaakt.

Het addertje — en dit is het deel dat niemand die je een "retentieplatform" verkoopt, noemt — is dat uplift-modellering experimentele data nodig heeft. Gerandomiseerde holdouts, of sterke instrumenten. Je kunt het niet achteraf inbouwen in een flow die iedereen altijd alleen maar hetzelfde scherm heeft laten zien, want je hebt geen registratie van wat er gebeurt wanneer je niet ingrijpt. De meeste abonnementsbedrijven hebben die data nooit verzameld. Het is dezelfde blinde vlek die ervoor zorgt dat 82% van de SaaS-bedrijven promotionele prijzen aanbiedt terwijl slechts 36% kan meten of dat iets oplevert. Je kunt geen behandeleffect beheren dat je nooit hebt gemeten.

De reden van $2.5 miljard waarom dit niet langer alleen een margeprobleem was

Een tijdlang zag ik dit alles als een optimalisatieverhaal — laat je geld liggen of niet. Toen veranderden de kosten van een verkeerde keuze met drie ordes van grootte.

In september 2025 schikte de FTC met Amazon over Prime voor $2.5 miljard — een boete van $1 miljard plus $1.5 miljard aan terugbetalingen, de grootste boete voor een regelovertreding in de geschiedenis van de instantie. De kern was de opzegervaring: de zogenoemde "Iliad Flow," een hindernisbaan van vier pagina's, zes klikken en vijftien opties die volgens de klacht 35 miljoen mensen zonder duidelijke toestemming had ingeschreven. In datzelfde jaar betaalde Vonage $100 miljoen voor een verborgen opzegmechanisme en kosten die doorliepen nadat klanten om stopzetting hadden gevraagd; Epic Games schikte voor $245 miljoen. Chegg en HelloFresh betaalden elk $7.5 miljoen. Uber zit er nu ook in — de klacht van de FTC beschrijft dat Uber One tot 23 schermen en 32 handelingen vergt om op te zeggen, en tegen december 2025 hadden 21 staten plus DC zich aangesloten.

Mensen nemen aan dat het feit dat de "click-to-cancel"-regel van de FTC in juli 2025 door het Eighth Circuit werd vernietigd, de druk wegnam. Het tegendeel gebeurde. De regel sneuvelde op een procedurele technische kwestie — de instantie sloeg een verplichte regelgevingsanalyse over — niet op enige vaststelling dat dark patterns prima zijn. De handhaving zocht er gewoon een weg omheen, terug naar ROSCA en Section 5 van de FTC Act, die dit werk al deden voordat de regel bestond. De FTC hervatte de regelgeving rond negative-option met een nieuwe kennisgeving in januari 2026.

En hier is het operationele feit dat ik zou willen dat meer productteams zich eigen maakten: ROSCA vereist niet dat toezichthouders een specifiek benoemd dark pattern bewijzen. Het vereist alleen dat ze aantonen dat opzeggen niet "eenvoudig" was. Dat is een veel lagere lat dan waar de meeste bedrijven tegenaan bouwen. De ruwe test die ik teams meegeef, is verpletterend in zijn eenvoud — als je opzegflow meer stappen heeft dan je aanmeldflow, heb je al blootstelling.

De juridische toets is bijna beledigend eenvoudig: als vertrekken meer stappen kost dan aansluiten, heeft een toezichthouder zijn zaak al grotendeels rond.

Tegen de wet van welke staat bouw je eigenlijk?

Het andere wat dit echt moeilijk maakt — moeilijker dan één enkele regel zou zijn — is dat er geen enkele regel bestaat. De federale ondergrens verschoof, maar de staten wachtten niet.

Californië's wet op automatische verlenging, gewijzigd met ingang van juli 2025, vereist dat opzeggen online "onmiddellijk toegankelijk" is en voegt een "One Save"-regel toe die je beperkt tot één enkele retentieaanbieding per opzegging — wat stilletjes de meerscherm-aanbiedingsbaan waar de meeste flows op leunen, verbiedt. New York vereist uitsluitend online opzeggen voor alles wat online is afgesloten. Maryland heeft zijn eigen timing voor informatieverstrekking; Connecticut wil kennisgevingen vóór verlenging. Als je klanten in meerdere staten bedient, is je nalevingsondergrens niet het gemiddelde — het is de strengste wet waaronder wie dan ook in je abonneebestand valt.

Ik heb aan de andere kant van die ondergrens gezeten, in de ROSCA-beoordelingen waar externe juristen eindelijk een flow zien die het groeiteam maanden eerder lanceerde om de save rate op te krikken — en die nu achteraf verdedigd moet worden. Een marketingteam A/B-test opzegteksten op dinsdag; de juridische afdeling beoordeelt de flows per kwartaal, als het al zo vaak is. Alles wat wordt gelanceerd in het venster tussen die twee klokken is blootstelling waar niemand daadwerkelijk akkoord voor heeft gegeven. Dat venster is het allerduurste in het hele plaatje, en het bestaat omdat de mensen die de trechter optimaliseren en de mensen die er verantwoording voor afleggen naar verschillende schermen kijken op verschillende schema's.

Er is ook een nieuwere grens, en dat is degene die ik het nauwlettendst volg. In januari 2026 trad de FTC op tegen JustAnswer vanwege een AI-chatbot genaamd "Pearl" die consumenten naar verluidt naar terugkerende kosten stuurde — een van de eerste handhavingsacties gericht op een AI-agent in een abonnementsflow. De les komt hard aan voor iedereen die een large language model op zijn save flow schroeft: een AI die conversationele wrijving toevoegt, of leunt op confirm-shaming om iemand het vertrekken uit het hoofd te praten, wordt beoordeeld volgens dezelfde maatstaf als een handmatig dark pattern. Mogelijk een strengere, omdat het de manipulatie opschaalt en elk woord dat het daarvoor gebruikte, vastlegt.

Wat we daadwerkelijk hebben gebouwd

Dus het systeem dat we uiteindelijk bouwden, is niet één model. Het zijn drie mogelijkheden die de markt, vreemd genoeg, alleen los verkoopt.

De eerste is causale segmentatie — uplift-modellen die verbinding maken met je stroom van facturatiegebeurtenissen, de live feed van tijdstempels van opzegintentie en abonnementswijzigingen die uit Stripe, Chargebee of Recurly komen, en elke opzeggende gebruiker indelen in Persuadable, Sure Thing, Lost Cause of Sleeping Dog op basis van hun geschatte behandeleffect, niet hun vertrekwaarschijnlijkheid. De Sleeping Dogs krijgen de meest waardevolle interventie van allemaal: stilte. De tweede is een opzegflow die rond die segmenten is ontworpen en binnen de wettelijke ondergrens blijft — één aanbieding waar "One Save" geldt, online opzeggen waar New York het eist, niet meer wrijving om te vertrekken dan om aan te sluiten. De derde is het onderdeel dat ik nog nooit iemand anders heb zien lanceren: geautomatiseerde audits die een flow lezen — inclusief de daadwerkelijke transcripten van een AI-agent — en dark-pattern-gedrag markeren voordat het live gaat, in plaats van nadat een staatsprocureur-generaal het markeren voor je doet.

Ik ging op zoek naar een kant-en-klare tool die alle drie deed en die bestaat niet. Chargebee Retention en ProsperStack bouwen werkelijk goede opzegervaringen en optimaliseren aanbiedingen, maar ze behandelen elke opzegger hetzelfde en kunnen een Persuadable niet van een Sleeping Dog onderscheiden. Pega kan next-best-action-beslissingen nemen op enterprise-schaal, maar het is een legacy-platform met implementaties die rond een half miljoen dollar beginnen en het controleert niets op naleving. De customer-success-platforms scoren churn-risico maar raken het opzegmoment niet aan. Niemand controleert de AI-save-agents überhaupt. Het bindweefsel — causale modellen plus compliant flow-ontwerp plus dark-pattern-audits, gekoppeld aan de facturatie die je al hebt — is het gat, en dat is waar wij zitten.

De bezwaren die ik elke keer hoor

Het eerste is altijd: gaat een "vriendelijkere," wrijvingsarme opzegflow mijn retentie niet gewoon uithollen? In de praktijk het tegenovergestelde, want de wrijving hield nooit de Persuadables vast — een relevante aanbieding hield hen vast, en wrijving maakte vooral de Lost Causes woedend en wekte de Sleeping Dogs. Verwijder de wrijving en richt de aanbieding, en je stopt met betalen voor churn die je zelf produceerde.

Het tweede: we geven al agressief korting, is dat geen retentie? Het is dure retentie met een staartje. De mediane retentiekorting ligt rond 16.7% — ruwweg twee maanden gratis — en zwaar afgeprijsde klanten blijven daarna 15–20% slechter behouden. Je redt ze niet; je huurt ze met verlies en zet de klok terug.

Het derde, het eerlijke: we hebben nooit een holdout uitgevoerd, dus we hebben geen idee welke groep welke is. Dat is geen diskwalificatie — het is de startlijn. Daar begonnen wij ook, met een dashboard waar ik trots op was en een test die ik bijna oversloeg. Je kunt lezen hoe wij de bouw aanpakken op de Veriprajna-oplossingspagina, maar de eerste zet is altijd dezelfde: meet wat er gebeurt wanneer je niets doet.

Een save rate van 30% vertelde me dat ik aan het winnen was. Een holdout-test vertelde me dat bij één deel van mijn eigen klanten de reddingen die ik druk zat te tellen, werden tenietgedaan door verlengingen die ik stilletjes uit het hoofd had gepraat. Het cijfer dat er in retentie werkelijk toe doet, was nooit hoeveel opzeggingen je hebt tegengehouden. Het is of de persoon zou zijn gebleven als je hem simpelweg met rust had gelaten — en totdat je dat voor elke gebruiker kunt beantwoorden, ben je geen klanten aan het behouden. Je geeft marge uit om erachter te komen welke je op het punt staat te verliezen.