Når man ønsker at regne på risikoen for, at en kunde forlader virksomheden, så anvender man algoritmer – det der kaldes Advanced Analytics eller Machine Learning. Det er begreber, der er præget af mystik og nærmest anses for nutidens alkymisme. Mange har en oplevelse af, at det er ”meget kompliceret” og kræver ”meget store datamængder”. Med de moderne analyseværktøjer behøver det ikke være kompliceret, og de data, man skal finde frem for at kunne lave den slags fremskrivning, findes faktisk hos de fleste virksomheder i de helt almindelige forretningssystemer.
Data du skal bruge for at identificere Customer Churn
Når man udvælger relevante data til en beregning af risiko for Customer Churn, så leder man efter data, der kan forklare, hvorfor kunder historisk har forladt virksomheden. Man leder efter mønstre, man kan genkende f.eks.: ”Tidligere kunder, der har ”churnet”, har haft x, y og z karakteristika, før de forlod os”.
Det vil sige, at hvis man f.eks. kan finde tre faktorer, der optræder umiddelbart før, en kunde vælger at opsige deres aftale med virksomheden, kan virksomheden begynde at reagere proaktivt og tage en dialog med kunden, før de forlader jer.
Når man arbejder med churn predictions, skal man huske, at man udregner en sandsynlighed – det kan være, at man kan identificere et mønster, der gør sig gældende i 76% af tilfældene, og dermed kan man arbejde målrettet mod denne gruppe.
Med andre ord, så leder man efter forklarende parametre i de forskellige data, der beskriver kunden og den fælles relation i den periode, hvor kunden har handlet hos virksomheden.
For virksomheder der sælger deres produkter som abonnementer, så ved vi af erfaring, at der er forklaringer at hente i følgende data:
- Produkt
- Produktdetaljer
- Produktkategorier
- Transaktionsmønsteret, så overblikket over alle handler, betalingsbetingelser, telefonopkald, e-mails og eventuelle klager/fejlleveringer
- Omsætning og antal
- Rabat- og kampagneinformation
Derudover er der en række specifikke data, som både kan være forklarende og være med til at segmentere resultaterne af risikoberegningen, så det bliver lettere at finde kunderelevante måder at forhindre Customer Churn. Eksempler på det kan være:
- Demografiske informationer som alder og køn
- Geografiske informationer som landsdele eller by/land opdelinger
- Marketingdata som f.eks. reaktion på nyhedsbreve, adfærd på web, sociale medier og lignende
Informationer om hvilke kunder, der har forladt virksomheden historisk, findes typisk i kunde-, CRM- og marketingsystemer samt i nogle tilfælde i økonomisystemer. Har man data for mere end to år til rådighed, bliver resultatet bedst muligt, da man kan tage højde for eventuelle sæsonudsving eller lignende.
GDPR er ingen hindring for optimering af Customer Retention
Algoritmerne har ikke brug for navne, adresser eller specifikke CPR- eller kundenumre, hvilket også hjælper i GDPR sammenhæng, hvor disse persondata er klassificeret som personfølsomme. Anonymiserede kunde ID’er er en god måde at sikre et link mellem den fremskrevne risiko og den konkrete kunde, som er i risiko for at forlade virksomheden. Det giver jer mulighed for at igangsætte en ”action” i forhold til den enkelte kunde – og det er ”action”, der giver værdien.
Hør mere om twoday Customer Churn & Retention Framework.