Den gennemsnitlige virksomhed mister 5,6 % af sine kunder hver måned på grund af kundeafgang. Det betyder, at hvis du er ligesom de fleste virksomheder, udskifter du halvdelen af dine kunder hvert år bare for at gå i nul.
Men at finde nye kunder er ikke din eneste mulighed – hvilket er en lettelse, fordi det koster fem gange mere at skaffe nye kunder end at fastholde eksisterende kunder. Ved at identificere, hvorfor kunder forlader dig, og tilskynde dem til at blive, kan du sætte fart på virksomhedens vækst uden at sprænge budgettet.
Du har sikkert allerede en eller to formodninger om, hvorfor dine kunder forlader dig. Måske har du en mavefornemmelse af, at dine priser ikke helt er rigtige, eller at din kundesupport ikke er personlig nok. Men hvis du vil træffe en god beslutning, har du brug for data.
Det er her, forudsigelse af kundeafgang kommer ind i billedet.
Hvad er forudsigelse af kundeafgang?
Forudsigelse af kundeafgang handler om at undersøge data fra hele virksomheden kritisk for at fastslå, hvad der tidligere har fået kunder til at forlade dig. Ved at analysere disse data kan du forudsige, hvilke kunder der har størst sandsynlighed for at forlade dig i fremtiden. Derefter kan du fokusere din indsats på at få dem til at blive.
Nøglen til alt dette er at opbygge en fremragende model til forudsigelse af kundeafgang.
Forudsigelse af kundeafgang virker umiddelbart ligetil. Hvis du vil reducere antallet af kunder, der forlader din virksomhed, hvorfor så ikke bare kopiere andre virksomheders bedste praksisser for kundefastholdelse?
Eller – endnu bedre – hvorfor ikke spørge dine kunder for at finde ud af, hvorfor de forlader dig?
Begge dele er gode udgangspunkter, især hvis du har begrænsede ressourcer eller endnu ikke har et alvorligt problem med kundeafgang.
Men sandheden er, at kundeafgang kan være mere kompliceret end som så. Da alle virksomheder er forskellige, kan du ikke bare kopiere og indsætte metoder til at forebygge kundeafgang, der fungerer for en anden virksomhed. Du er nødt til at dykke ned i dine egne data for at finde frem til, hvad der gælder for dig.
For eksempel er al kundeafgang ikke ens. Mens 71 % af kundeafgangen er frivillig, er 29 % af den ufrivillig – hvilket betyder, at kunder sandsynligvis forlader dig på grund af betalingsproblemer snarere end utilfredshed.
Modeller til forudsigelse af kundeafgang gennemgår data for at finde ud af præcis, hvorfor dine kunder tidligere har forladt dig. Ved at se på tendenser i kundedataene kan du:
- Fastslå de vigtigste risikofaktorer for kundeafgang
- Identificere de eksisterende kunder, der har høj risiko for at forlade dig
Derefter kan du iværksætte målrettede tiltag for at fastholde de kunder, der har størst risiko for at forlade dig, baseret på din forudsigelsesmodel.
Sådan fungerer modeller til forudsigelse af kundeafgang
Hvis du ikke er den store talperson, kan det være fristende at se modeller til forudsigelse af kundeafgang som en krystalkugle, der bare spytter et magisk svar ud på, hvordan du fastholder flere kunder.
Men hvis du ikke ved, hvordan disse modeller fungerer, er det svært at tilpasse dem til din virksomhed. Det er vigtigt at forstå i det mindste det grundlæggende – især hvis du selv vil opbygge din model.
Her er det, du skal vide om, hvad der foregår bag kulisserne.
1. Analysér historiske data
Modeller til forudsigelse af kundeafgang analyserer historiske kundedata. Det indebærer at undersøge forskellige datatyper såsom demografi, brugsmønstre, faktureringshistorik, interaktioner med kundesupport og meget mere.
Ved at lede efter tendenser og mønstre i disse data kan modellen identificere faktorer, der kan være forbundet med adfærd relateret til kundeafgang.
Modellen kan for eksempel opdage en sammenhæng mellem højere niveauer af kundeafgang og en stigning i antallet af supportsager, som kunderne opretter. Eller den kan finde ud af, at en bestemt aldersgruppe eller region har tendens til at have højere niveauer af kundeafgang. Disse oplysninger kan derefter bruges i dit arbejde med kundefastholdelse.
2. Anvend maskinlæring
Når de historiske data er blevet analyseret, bruges maskinlæringsalgoritmer til at træne modellen til forudsigelse af kundeafgang. Algoritmer som logistisk regression, beslutningstræer eller modeller baseret på dyb læring kan bruges til at forudsige sandsynligheden for, at den enkelte kunde forlader dig.
Efterhånden som algoritmen lærer af dataene, bliver den stadig mere præcis til at identificere kunder, der risikerer at forlade dig.
3. Integrér nye data
Husk, at det er sandsynligt, at 5 % af dine kunder forlader dig hver måned. Det betyder, at sammensætningen af din kundebase – og dine kunders adfærd – ændrer sig hurtigt. For at forblive relevant skal din model for kundeafgang løbende hente nye data.
Have an account? Log In
4. Evaluer og finjuster
For at forblive nøjagtige skal modeller til forudsigelse af kundeafgang overvåges og finjusteres. Nøgletal som nøjagtighed, præcision, genkaldelse og F1-score kan bruges til at vurdere, hvor godt modellen fungerer. På baggrund af disse nøgletal kan du finjustere modellen ved at justere parametre, afprøve forskellige algoritmer eller inkludere yderligere funktioner.
Denne iterative proces hjælper med at forbedre modellens effektivitet.
Forretningsmæssige anvendelser af forudsigelse af kundeafgang
Forudsigelse af kundeafgang giver dig en bred vifte af beslutningsdata, som du kan bruge i din virksomhed. Lad os se på tre eksempler på værdifuld forretningsindsigt, der opstår som følge af denne proces.
Identificering af kunder i risiko
En af de mest værdifulde indsigter, som modeller til forudsigelse af kundeafgang giver, er tidlig identificering af kunder i risiko. Ved at opdage advarselstegn på kundeafgang kan virksomheder målrette deres fastholdelsesindsats mod disse kunders behov, før de beslutter sig for at forlade virksomheden.
Her er et eksempel:
Et fitnesscenter kan køre en model til forudsigelse af kundeafgang og opdage, at medlemmer, der reducerer deres besøg i fitnesscentret, har høj risiko for at forlade det.
(Helt fair: Vi har alle været der.)
Med oplysningerne fra forudsigelsesmodellen kan lederen af fitnesscentret kontakte medlemmer, der er i risiko for at forlade det, for at forstå, hvad der forhindrer dem i at komme, og hvad fitnesscentret kan gøre for at tilskynde dem til at øge deres brug.
Analyse af drivkræfter bag kundeafgang
Modeller til forudsigelse af kundeafgang kan også hjælpe dig med at opdage de underliggende årsager til kundeafgang i din virksomhed og tilpasse dit produkt for at imødekomme kundernes problemer.
En software-som-en-tjeneste-virksomhed (SaaS) kan for eksempel opdage, at en væsentlig årsag til kundeafgang er introduktionsforløbet, som ikke er engagerende nok for kunderne. Som svar kan virksomheden skabe et mere omfattende introduktionsforløb, udbygge sin vidensbase eller endda få kundesuccespecialister til personligt at guide kunderne gennem introduktionsprocessen.
Evaluering af forretningsstrategier
Når du anvender forudsigelse af kundeafgang i din virksomhed, vil det naturligt blive en del af din forretningsstrategi.
En telekommunikationsvirksomhed kan for eksempel opdage, at størstedelen af kundeafgangen kommer fra kunder, der har indsendt et stort antal supportsager. I dette tilfælde fortæller dataene måske telekommunikationsvirksomheden, at en styrkelse af kundesupportteamet er en strategi, der kan betale sig.
Eller hvis kunder på årsabonnementer forlader virksomheden i langt lavere grad end kunder på månedsabonnementer, kan du overveje at øge din rabat på årsabonnementer for at tilskynde kunderne til at vælge dem – eller helt afskaffe månedsabonnementer.
Ved at bruge forudsigelse af kundeafgang kan du foretage betydelige ændringer i din forretningsmodel med større sikkerhed for, at beslutningerne sandsynligvis vil styrke din virksomheds sundhed.
Casestudie: Forudsigelse af kundeafgang hos en musikstreamingtjeneste
For at forstå, hvordan dette ser ud i praksis, kan vi se på et eksempel fra den virkelige verden.
Perceptive Analytics, et firma inden for marketinganalyse, gennemførte et casestudie om forudsigelse af kundeafgang baseret på 11 års data fra en musikstreamingtjeneste ved navn KKBOX. Datasættet omfattede demografiske medlemsdata, transaktionsdata og daglig brugeraktivitet i appen.
Analysefirmaet skabte en model, der med 96% nøjagtighed forudsagde, hvilke kunder der ville forlade tjenesten. Efter at have gennemført en analyse af data om kundeafgang fandt de noget overraskende:
Brugeraktivitet havde næsten ingen sammenhæng med kundeafgang.
Kontraintuitivt, ikke?
Man skulle tro, at mindre aktive brugere ville få mindre værdi og derfor have større sandsynlighed for at forlade tjenesten end aktive brugere. Men i dette tilfælde var det ikke det, dataene viste.
I stedet var de vigtigste faktorer for kundeafgang:
- Pris: Brugere på dyrere abonnementer havde større sandsynlighed for at forlade tjenesten.
- Kilde: Brugere, der havde tilmeldt sig fra én kilde, havde større sandsynlighed for at forlade tjenesten end dem, der havde tilmeldt sig fra andre kilder.
- Automatisk fornyelse: Brugere, der valgte automatisk fornyelse af deres betaling, havde mindre sandsynlighed for at forlade tjenesten.
Tænk over, hvor stor klarhed dette giver dig som virksomhed.
Ved at fokusere præcist på, hvad dine problemer med kundeafgang er – i dette tilfælde pris, fakturering og kundeanskaffelse – kan du give dig selv langt bedre muligheder for hurtigt at forbedre fastholdelsen.
Opbygning af en forudsigelsesmodel for kundeafgang
Så – du er interesseret i at opbygge din forudsigelsesmodel for kundeafgang. I næste afsnit ser vi på værktøjer, der kan hjælpe dig. Men først er det vigtigt at forstå, hvordan processen fungerer.
Trin 1: Indsamling og klargøring af data
Grundlaget for enhver forudsigelsesmodel for kundeafgang er data. Start med at identificere relevante datakilder, som kan omfatte kundedemografi, brugsmønstre, faktureringsoplysninger og interaktioner med kundeservice.
Når du har afsluttet din dataklargøring, skal du rense og forbehandle dataene. Det kan indebære håndtering af manglende værdier, fjernelse af afvigelser og standardisering af formater.
Det er rigtigt – dette er den kedelige del af processen.
Men hæng i, for nu bliver det snart interessant.
Når du har klargjort dine data, skal du oprette brugerdefinerede funktioner, der er relevante for din virksomhed. Du kan for eksempel oprette en "score for kundeengagement" ved at kombinere målinger som brugsfrekvens og tid brugt på din platform.
Trin 2: Valg af den rigtige model
Når dine data er klar, er det tid til at vælge den rigtige forudsigelsesmodel. Almindelige valg omfatter logistisk regression, beslutningstræer, tilfældige skove og neurale netværk.
Hver model har sine fordele og ulemper. Logistisk regression er for eksempel enkel og nem at fortolke, men kan have problemer med komplekse data. Neurale netværk kan derimod håndtere kompleksitet godt, men kan være sværere at administrere.
Du kan også overveje at teste flere modeller for at se, hvilken der fungerer bedst til dit anvendelsesområde.
Trin 3: Træning og test af modellen
Når du har valgt en model, skal du opdele dine data i trænings- og testsæt. Træn modellen ved hjælp af træningssættet, og evaluer derefter dens ydeevne på testsættet.
Husk, at det faktum, at en model klarer sig godt på dine træningsdata, ikke betyder, at den vil fungere præcist med nye data. Du kan være nødt til at finjustere modellens parametre eller justere de funktioner, du bruger, for at optimere dens ydeevne.
Trin 4: Implementering og overvågning af modellen
Efter at have finjusteret din model skal du integrere den i din virksomhed.
Det kan for eksempel indebære opsætning af arbejdsgange og automatiseringer, der genererer forudsigelser om kundeafgang og udløser fastholdelseskampagner for kunder, der er i risiko.
Du skal også holde øje med modellens ydeevne over tid og opdatere den med nye data. Ved at anvende en tilgang med løbende forbedringer holder du din model nøjagtig og relevant, efterhånden som din kundebase og virksomhed udvikler sig.
Værktøjer til opbygning af forudsigelsesmodeller for kundeafgang
Det bliver mere overskueligt at opbygge forudsigelsesmodeller for kundeafgang med de rigtige værktøjer, som kan hjælpe med dataindsamling, analyse, visualisering samt træning og evaluering af modeller.
Din kundeindsigtsplatform eller CRM har måske allerede indbyggede værktøjer til forudsigelse af kundeafgang, men hvis ikke kan du overveje et af disse værktøjer for at effektivisere processen:
- RapidMiner: RapidMiner er en effektiv datavidenskabsplatform med en intuitiv visuel grænseflade til opbygning, implementering og administration af modeller til forudsigelse af kundeafgang. Platformen gør det nemt at forbehandle data, udvikle maskinlæringsmodeller og evaluere deres ydeevne.
- Python: Hvis du er dataforsker, bygger du sandsynligvis din egen model til forudsigelse af kundeafgang i Python, et alsidigt programmeringssprog til datahåndtering, udvikling af funktioner og træning af maskinlæringsmodeller.
- Tableau: Tableau er et datavisualiseringsværktøj, der er populært blandt Fortune 500-virksomheder. Tableau kan være særligt nyttigt til visualisering af målepunkter og tendenser relateret til kundeafgang samt til overvågning af din models ydeevne ved forudsigelse af kundeafgang.
- Microsoft Azure Machine Learning: Azure Machine Learning gør det muligt for brugere at oprette, træne og implementere modeller til forudsigelse af kundeafgang ved hjælp af forskellige algoritmer samt nemt integrere dem i eksisterende applikationer og tjenester. Hvis du er vant til at arbejde med Microsofts platforme, vil du sætte pris på det velkendte ved Azure Machine Learning Studio.
- Google Cloud AI Platform: Ligesom Azure er fordelen ved Google Cloud, at det er en komplet løsning fra start til slut – og at den kan hoste dine data. Med sin brugervenlige grænseflade og problemfri integration med andre Google Cloud-tjenester er det et praktisk valg for virksomheder, der ønsker at udnytte kunstig intelligens.
Vigtige målepunkter til vurdering af modeller til forudsigelse af kundeafgang
De målepunkter, der bruges til modeller til forudsigelse af kundeafgang, er ikke helt så velkendte for de fleste som for eksempel målepunkter for kundeservice. Når man taler om forudsigelse af kundeafgang, arbejder man i stedet med mere datadrevne målepunkter som genkaldelse og F1-score.
Hvert af dem er designet til at måle forskellige aspekter af, hvor godt modellen fungerer:
Nøjagtighed
Nøjagtighed viser, hvor ofte modellen foretager korrekte forudsigelser. Det er nyttigt, men ikke altid tilstrækkeligt, især når der er langt flere kunder, der bliver, end kunder, der stopper.
Præcision
Præcision fortæller os, hvor god modellen er til korrekt at forudsige, hvilke kunder der stopper, og undgå falske positive resultater. Men den viser ikke, hvor godt modellen identificerer alle kunder, der stopper.
More Articles
Genkaldelse (sensitivitet)
Genkaldelse måler, hvor god modellen er til at finde alle kunder, der stopper, selv hvis den giver flere falske positive resultater. Det er vigtigt at skabe balance mellem præcision og genkaldelse for at opnå en velfungerende model.
F1-score
Ligesom i motorsport betyder en høj F1-score, at det går godt.
F1-scoren kombinerer præcision og genkaldelse og giver et afbalanceret billede af modellens ydeevne. En høj F1-score betyder, at modellen er god til at identificere kunder, der stopper, uden for mange falske positive resultater.
Brug af målepunkter til at forbedre modeller til forudsigelse af kundeafgang
Her er et eksempel på, hvordan du kan bruge disse målepunkter:
Hvis din model har en lav genkaldelse, fanger den måske ikke alle kunder, der sandsynligvis stopper. I dette tilfælde kan du eksperimentere med forskellige algoritmer eller justere modellens parametre for at forbedre dens ydeevne.
Hvis din model til forudsigelse af kundeafgang har høj genkaldelse, men lav præcision, identificerer den mange kunder som kunder, der stopper, men med en høj andel af falske positive resultater. Det kan spilde ressourcer på kunder, der ikke er i risiko for at stoppe. For at løse dette kan du justere modellens parametre, prøve algoritmer, der prioriterer præcision, eller eksperimentere med udvikling af funktioner.
Ved løbende at følge og evaluere disse målepunkter kan du finjustere din model og forbedre dens evne til at forudsige kundeafgang nøjagtigt, hvilket i sidste ende fører til større kundefastholdelse.
Mestring af kundefastholdelse med forudsigelse af kundeafgang
Hvis du analyserer din kundeafgang ved at spørge dine brugere eller følge dine målinger af kundernes holdning, er det en god begyndelse.
Men der er en grænse for, hvor meget indsigt du kan få ved at lytte til det, kunderne fortæller dig – især hvis dine beslutninger er baseret på spørgeskemaundersøgelser i stedet for data. Du kan ende med at forfølge de forkerte mål for reduktion af kundeafgang i måneds- eller årevis.
Når du er klar til at afdække, hvad der virkelig foregår med din kundeafgang, har du brug for en model til forudsigelse af kundeafgang. Den hjælper dig med at identificere kunder i risiko tidligt, målrette din indsats for at fastholde kunder og i sidste ende øge kundetilfredsheden.
Hvis du ikke har erfaring med at modellere data, skal du sørge for at identificere værktøjer, der kan gøre opgaven lettere for dig – eller endnu bedre: samarbejd med en dataforsker, der kan hjælpe dig med at finjustere din model, så den bliver perfekt. Med en omhyggelig tilgang og løbende forbedringer kan din model til forudsigelse af kundeafgang blive et stærkt aktiv, der fremmer kundefastholdelse og forretningssucces i mange år fremover.
Er du interesseret i flere måder at forbedre kundeoplevelsen på? Gå ikke glip af muligheden for at tilmelde dig vores nyhedsbrev og få de nyeste CX-tips.
