Den gjennomsnittlige virksomheten mister 5,6 % av kundene sine hver måned på grunn av kundeavgang. Det betyr at hvis du er som de fleste virksomheter, erstatter du halvparten av kundene dine hvert år bare for å gå i null.
Men å finne nye kunder er ikke det eneste alternativet ditt – noe som er en lettelse, fordi det koster fem ganger mer å skaffe nye kunder enn å beholde eksisterende kunder. Ved å finne ut hvorfor kundene forlater deg og oppmuntre dem til å bli, kan du øke virksomhetens vekst uten å sprenge budsjettet.
Du har sannsynligvis allerede en eller to teorier om hvorfor kundene dine forsvinner. Kanskje har du en magefølelse av at prisene dine ikke er helt riktige, eller at kundestøtten din ikke er personlig nok. Men for å ta en god beslutning trenger du data.
Det er her prediksjon av kundeavgang kommer inn.
Hva er prediksjon av kundeavgang?
Prediksjon av kundeavgang handler om å se kritisk på data fra hele virksomheten for å finne ut hva som har fått kunder til å forlate deg tidligere. Ved å analysere disse dataene kan du forutsi hvilke kunder som mest sannsynlig vil forsvinne i fremtiden. Deretter kan du konsentrere innsatsen om å få dem til å bli.
Nøkkelen til alt dette er å lage en fantastisk modell for prediksjon av kundeavgang.
Prediksjon av kundeavgang virker enkelt ved første øyekast. Hvis du vil redusere antallet kunder som forlater virksomheten din, hvorfor ikke bare kopiere de beste strategiene for kundebevaring fra andre virksomheter?
Eller – enda bedre – hvorfor ikke spørre kundene dine for å finne ut hvorfor de forlater deg?
Begge deler er gode utgangspunkter, særlig hvis du har begrensede ressurser eller ennå ikke har et alvorlig problem med kundeavgang.
Men sannheten er at kundeavgang kan være mer komplisert enn som så. Siden alle virksomheter er forskjellige, kan du ikke bare kopiere og lime inn metodene for å forhindre kundeavgang som fungerer for en annen virksomhet. Du må gå i dybden på dine egne data for å finne ut hva som gjelder for deg.
For eksempel er ikke all kundeavgang lik. Selv om 71 % av kundeavgangen er frivillig, er 29 % av den ufrivillig – noe som betyr at kundene sannsynligvis forsvinner på grunn av betalingsproblemer snarere enn misnøye.
Modeller for prediksjon av kundeavgang sorterer gjennom data for å finne ut nøyaktig hvorfor kundene dine har forsvunnet tidligere. Ved å se på trender i kundedataene kan du:
- Fastslå de viktigste risikofaktorene for kundeavgang
- Identifisere eksisterende kunder som har høy risiko for å forsvinne
Deretter kan du iverksette målrettede tiltak for å beholde kundene som ifølge prediksjonsmodellen har størst risiko for å forsvinne.
Slik fungerer modeller for prediksjon av kundeavgang
Hvis du ikke er spesielt interessert i tall, kan det være fristende å se på modeller for prediksjon av kundeavgang som en krystallkule som bare spytter ut et magisk svar på hvordan du kan beholde flere kunder.
Men hvis du ikke vet hvordan disse modellene fungerer, er det vanskelig å tilpasse dem til virksomheten din. Det er viktig å forstå i det minste det grunnleggende – særlig hvis du skal lage din egen modell.
Her er det du trenger å vite om hva som foregår i bakgrunnen.
1. Analyser historiske data
Modeller for prediksjon av kundeavgang analyserer historiske kundedata. Dette innebærer å undersøke en rekke datatyper, for eksempel demografi, bruksmønstre, faktureringshistorikk, interaksjoner med kundestøtten og mer.
Ved å se etter trender og mønstre i disse dataene kan modellen identifisere faktorer som kan ha sammenheng med atferd knyttet til kundeavgang.
Modellen kan for eksempel oppdage en sammenheng mellom høyere avgangsrate og en økning i antallet supportsaker kundene oppretter. Eller den kan finne ut at en bestemt aldersgruppe eller region har en tendens til å ha høyere avgangsrater. Denne informasjonen kan deretter brukes i arbeidet med å beholde kundene.
2. Bruk maskinlæring
Når de historiske dataene er analysert, brukes maskinlæringsalgoritmer til å trene modellen for prediksjon av kundeavgang. Algoritmer som logistisk regresjon, beslutningstrær eller modeller for dyp læring kan brukes til å forutsi sannsynligheten for at hver enkelt kunde forsvinner.
Etter hvert som algoritmen lærer av dataene, blir den stadig bedre til å finne kunder som står i fare for å forlate deg.
3. Inkluder ferske data
Husk at det er sannsynlig at 5 % av kundene dine forsvinner hver måned. Det betyr at sammensetningen av kundebasen din – og kundenes atferd – endrer seg raskt. For å holde seg relevant må modellen for kundeavgang kontinuerlig hente inn ferske data.
Have an account? Log In
4. Evaluer og forbedre
For å forbli nøyaktige må churn-modeller overvåkes og forbedres. Viktige måltall som nøyaktighet, presisjon, gjenkalling og F1-skår kan brukes til å vurdere hvor godt modellen fungerer. Basert på disse måltallene kan du forbedre modellen ved å justere parametere, prøve ut ulike algoritmer eller inkludere flere funksjoner.
Denne iterative prosessen bidrar til å forbedre modellens effektivitet.
Forretningsmessig bruk av churn-prediksjon
Churn-prediksjon gir deg et bredt spekter av beslutningsdata som du kan bruke i virksomheten. La oss se på tre eksempler på verdifull forretningsinnsikt som kan komme ut av denne prosessen.
Identifisere kunder i faresonen
En av de mest verdifulle innsiktene churn-prediksjonsmodeller gir, er tidlig identifisering av kunder i faresonen. Ved å oppdage varselsignaler på churn kan virksomheter tilpasse kundebevaringsarbeidet sitt for å imøtekomme disse kundenes behov før de bestemmer seg for å forlate virksomheten.
Her er et eksempel:
Et treningssenter kan kjøre en churn-prediksjonsmodell og finne ut at medlemmer som reduserer antallet treningsbesøk, har høy risiko for churn.
(Helt forståelig: Vi har alle vært der.)
Med informasjon fra prediksjonsmodellen kan treningssentersjefen følge opp medlemmer som står i fare for å avslutte kundeforholdet, for å forstå hva som hindrer dem i å komme innom – og hva treningssenteret kan gjøre for å oppmuntre dem til å øke bruken.
Analysere årsaker til churn
Churn-prediksjonsmodeller kan også hjelpe deg med å avdekke de underliggende årsakene til kundefrafall i virksomheten – og justere produktet for å håndtere kundenes utfordringer.
For eksempel kan et programvareselskap som tilbyr programvare som tjeneste (SaaS), finne ut at en viktig årsak til churn er introduksjonsprosessen, som ikke er engasjerende nok for kundene. Som svar kan selskapet lage en mer omfattende introduksjon, bygge ut sin kunnskapsbase eller la kundeansvarsspesialister følge kundene personlig gjennom introduksjonsprosessen.
Evaluere forretningsstrategier
Når du tar i bruk churn-prediksjon i virksomheten, vil det naturlig bli en del av forretningsstrategien din.
Et teleselskap kan for eksempel finne ut at det meste av churn kommer fra kunder som har sendt inn et stort antall henvendelser til kundestøtten. I dette tilfellet kan dataene fortelle teleselskapet at det å styrke kundestøtteteamet er en god strategi.
Eller, hvis kunder med årsabonnement avslutter kundeforholdet i langt mindre grad enn kunder med månedsabonnement, kan du vurdere å øke rabatten på årsabonnement for å motivere kundene – eller fjerne månedsabonnement helt.
Ved å bruke churn-prediksjon kan du gjøre betydelige endringer i forretningsmodellen med større trygghet for at beslutningene sannsynligvis vil styrke virksomhetens helse.
Kasusstudie: Prediksjon av churn hos en strømmetjeneste for musikk
For å forstå hvordan dette ser ut i praksis, kan vi se på et eksempel fra virkeligheten.
Perceptive Analytics, et selskap innen markedsanalyse, gjennomførte en kasusstudie om churn-prediksjon basert på 11 års data fra en strømmetjeneste for musikk kalt KKBOX. Datasettet inneholdt demografiske medlemsdata, transaksjonsdata og daglig brukeraktivitet i appen.
Analyseselskapet utviklet en modell som forutså hvilke kunder som kom til å avslutte kundeforholdet, med 96 % nøyaktighet. Etter å ha gjennomført churn-dataanalyse fant de noe overraskende:
Brukeraktivitet hadde nesten ingen sammenheng med churn.
Overraskende, ikke sant?
Man skulle tro at mindre aktive brukere ville få mindre verdi, og derfor ha større sannsynlighet for å avslutte kundeforholdet enn aktive brukere. Men i dette tilfellet var det ikke det dataene viste.
I stedet var de viktigste faktorene for churn:
- Pris: Brukere med dyrere abonnement hadde større sannsynlighet for å avslutte kundeforholdet.
- Kilde: Brukere som hadde registrert seg fra én kilde, hadde større sannsynlighet for å avslutte kundeforholdet enn de som hadde registrert seg fra andre kilder.
- Automatisk fornyelse: Brukere som valgte automatisk fornyelse av betalingen, hadde mindre sannsynlighet for å avslutte kundeforholdet.
Tenk på hvilken klarhet dette gir deg som virksomhet.
Ved å fokusere nøyaktig på hva problemene med kundefrafall er – i dette tilfellet pris, fakturering og kundeanskaffelse – kan du gi deg selv langt bedre muligheter til å forbedre kundebevaringen raskt.
Bygge en modell for å forutsi kundefrafall
Så – du er interessert i å bygge en modell for å forutsi kundefrafall. I neste del skal vi se på verktøy som kan hjelpe deg. Men først er det viktig å forstå hvordan prosessen fungerer.
Trinn 1: Samle inn og klargjøre data
Grunnlaget for enhver modell for å forutsi kundefrafall er data. Begynn med å identifisere relevante datakilder, som kan omfatte kundedemografi, bruksmønstre, faktureringsinformasjon og interaksjoner med kundeservice.
Når du er ferdig med dataklargjøringen, må du rense og forhåndsbehandle dataene. Dette kan innebære å håndtere manglende verdier, fjerne avvik og standardisere formater.
Det stemmer – dette er den kjedelige delen av prosessen.
Men hold ut, for nå blir det snart interessant.
Når du har klargjort dataene, bør du opprette egendefinerte funksjoner som er relevante for virksomheten din. Du kan for eksempel opprette en «poengsum for kundeengasjement» ved å kombinere måltall som bruksfrekvens og tid brukt på plattformen din.
Trinn 2: Velge riktig modell
Når dataene er klare, er det på tide å velge riktig prediksjonsmodell. Vanlige alternativer omfatter logistisk regresjon, beslutningstrær, tilfeldige skoger og nevrale nettverk.
Hver modell har sine fordeler og ulemper. Logistisk regresjon er for eksempel enkel og lett å tolke, men kan ha problemer med komplekse data. Nevrale nettverk kan derimot håndtere kompleksitet godt, men kan være vanskeligere å administrere.
Du kan også vurdere å teste flere modeller for å se hvilken som fungerer best for ditt bruksområde.
Trinn 3: Trene og teste modellen
Når du har valgt en modell, deler du dataene inn i trenings- og testsett. Tren modellen ved hjelp av treningssettet, og evaluer deretter ytelsen på testsettet.
Husk at det at en modell gjør det bra på treningsdataene dine, ikke betyr at den vil prestere nøyaktig med nye data. Du må kanskje finjustere modellens parametere eller justere funksjonene du bruker for å optimalisere ytelsen.
Trinn 4: Implementere og overvåke modellen
Etter at du har finjustert modellen, må du integrere den i virksomheten din.
Dette kan for eksempel innebære å sette opp arbeidsflyter og automatiseringer som genererer prediksjoner for kundefrafall og utløser kundebevaringskampanjer for kunder med høy risiko.
Du bør også følge med på modellens ytelse over tid og holde den oppdatert med nye data. Ved å bruke en tilnærming med kontinuerlig forbedring holder du modellen nøyaktig og relevant etter hvert som kundebasen og virksomheten utvikler seg.
Verktøy for å bygge modeller som forutsier kundefrafall
Det blir enklere å bygge modeller som forutsier kundefrafall med de riktige verktøyene, som kan hjelpe med datainnsamling, analyse, visualisering samt trening og evaluering av modeller.
Din plattform for kundeinnsikt eller CRM kan allerede ha innebygde verktøy for å forutsi kundefrafall, men hvis ikke kan du vurdere et av disse verktøyene for å effektivisere prosessen:
- RapidMiner: RapidMiner er en kraftig datavitenskapsplattform med et intuitivt visuelt grensesnitt for å bygge, distribuere og administrere modeller for frafallsforutsigelse. Plattformen gjør det enkelt å forhåndsbehandle data, utvikle maskinlæringsmodeller og evaluere ytelsen deres.
- Python: Hvis du er dataforsker, kommer du sannsynligvis til å bygge din egen modell for frafallsforutsigelse i Python, et allsidig programmeringsspråk for datahåndtering, utvikling av egenskaper og trening av maskinlæringsmodeller.
- Tableau: Tableau er et verktøy for datavisualisering som er populært blant Fortune 500-selskaper. Tableau kan være spesielt nyttig for å visualisere frafallsrelaterte måltall og trender, samt overvåke ytelsen til modellen for frafallsforutsigelse.
- Microsoft Azure Machine Learning: Azure Machine Learning gjør det mulig å opprette, trene og distribuere modeller for frafallsforutsigelse ved hjelp av ulike algoritmer, og enkelt integrere dem i eksisterende applikasjoner og tjenester. Hvis du er vant til å arbeide med Microsofts plattformer, vil du sette pris på det velkjente grensesnittet i Azure Machine Learning Studio.
- Google Cloud AI Platform: I likhet med Azure er fordelen med Google Cloud at det er en ende-til-ende-løsning – og at den kan være vert for dataene dine. Med det brukervennlige grensesnittet og sømløse integrasjonen med andre Google Cloud-tjenester er det et praktisk valg for virksomheter som ønsker å utnytte kraften i kunstig intelligens.
Viktige måltall for vurdering av modeller for frafallsforutsigelse
Måltallene som brukes for modeller for frafallsforutsigelse, er ikke like kjente for de fleste som for eksempel måltall for kundeservice. Når man snakker om frafallsforutsigelse, møter man i stedet mer datadrevne måltall som tilbakekalling og F1-skår.
Hvert av dem er utformet for å måle ulike aspekter ved hvor godt modellen fungerer:
Nøyaktighet
Nøyaktighet viser hvor ofte modellen gir riktige forutsigelser. Det er nyttig, men ikke alltid tilstrekkelig, særlig når det er langt flere kunder som ikke faller fra, enn kunder som faller fra.
Presisjon
Presisjon forteller oss hvor god modellen er til å forutsi hvilke kunder som faller fra, på riktig måte, og unngå falske positive. Men den viser ikke hvor godt modellen identifiserer alle kunder som faller fra.
More Articles
Tilbakekalling (sensitivitet)
Tilbakekalling måler hvor god modellen er til å finne alle kunder som faller fra, selv om den gir flere falske positive. Det er viktig å balansere presisjon og tilbakekalling for å få en velfungerende modell.
F1-skår
Akkurat som i bilsport betyr en høy F1-skår at ting går bra.
F1-skåren kombinerer presisjon og tilbakekalling og gir et balansert bilde av modellens ytelse. En høy F1-skår betyr at modellen er god til å identifisere kunder som faller fra, uten for mange falske positive.
Bruk av måltall for å forbedre modeller for frafallsforutsigelse
Her er et eksempel på hvordan du kan bruke disse måltallene:
Hvis modellen din har lav tilbakekalling, fanger den kanskje ikke opp alle kundene som sannsynligvis vil falle fra. I så fall kan du eksperimentere med ulike algoritmer eller justere modellens parametere for å forbedre ytelsen.
Hvis modellen for frafallsforutsigelse har høy tilbakekalling, men lav presisjon, identifiserer den mange kunder som faller fra, men med en høy andel falske positive. Dette kan sløse bort ressurser på kunder som ikke står i fare for å falle fra. For å løse dette kan du justere modellens parametere, prøve algoritmer som prioriterer presisjon, eller eksperimentere med utvikling av egenskaper.
Ved kontinuerlig å følge med på og evaluere disse måltallene kan du finjustere modellen og forbedre evnen dens til å forutsi frafall nøyaktig, noe som til syvende og sist fører til høyere kunde-tilbakeholdelse.
Bli ekspert på kunde-tilbakeholdelse med frafallsforutsigelse
Hvis du analyserer frafallet ved å spørre brukerne dine eller følge med på poengsummene for kundestemning, er det en god start.
Men det er en grense for hvor mye innsikt du kan få ved å lytte til det kundene forteller deg – særlig hvis beslutningene dine er basert på spørreundersøkelser i stedet for data. Du kan ende opp med å arbeide mot feil mål for å redusere frafall i måneder eller år.
Når du er klar til å avdekke hva som egentlig skjer med frafallet, trenger du en modell for frafallsforutsigelse. Den vil hjelpe deg med å identifisere kunder i faresonen tidlig, tilpasse tiltakene for å beholde dem og til syvende og sist øke kundetilfredsheten.
Hvis du ikke har erfaring med datamodellering, bør du sørge for å finne verktøy som kan forenkle jobben for deg – eller, enda bedre, samarbeide med en dataforsker som kan hjelpe deg med å finjustere modellen slik at den blir best mulig. Med en grundig tilnærming og kontinuerlig forbedring kan modellen din for å forutsi kundefrafall bli en verdifull ressurs som bidrar til å beholde kunder og sikre virksomhetens suksess i mange år fremover.
Interessert i flere måter å forbedre kundeopplevelsen på? Ikke gå glipp av muligheten til å abonnere på nyhetsbrevet vårt og få de nyeste tipsene om kundeopplevelse.
