Przeciętna firma traci 5,6% swoich klientów miesięcznie z powodu rezygnacji. Oznacza to, że jeśli jesteś jak większość firm, co roku wymieniasz połowę swoich klientów tylko po to, aby wyjść na zero.
Jednak pozyskiwanie nowych klientów nie jest jedyną opcją — co jest ulgą, ponieważ pozyskanie nowych klientów kosztuje pięć razy więcej niż utrzymanie obecnych. Ustalając, dlaczego klienci odchodzą, i zachęcając ich do pozostania, możesz przyspieszyć rozwój swojej firmy bez nadmiernego obciążania budżetu.
Prawdopodobnie masz już jedno lub dwa przypuszczenia dotyczące tego, dlaczego Twoi klienci rezygnują. Być może intuicyjnie czujesz, że Twoje ceny nie są odpowiednie albo że obsługa klienta nie jest wystarczająco spersonalizowana. Aby jednak podjąć dobrą decyzję, potrzebujesz danych.
I właśnie tutaj pojawia się predykcja rezygnacji klientów.
Czym jest predykcja rezygnacji klientów?
Przewidywanie rezygnacji klientów polega na krytycznej analizie danych z całej firmy w celu ustalenia, co spowodowało odejście klientów w przeszłości. Analizując te dane, możesz przewidzieć, którzy klienci najprawdopodobniej zrezygnują w przyszłości. Następnie możesz skupić swoje działania na przekonaniu ich do pozostania.
Kluczem do tego wszystkiego jest zbudowanie świetnego modelu predykcji rezygnacji klientów.
Na pierwszy rzut oka przewidywanie rezygnacji wydaje się proste. Jeśli chcesz zmniejszyć liczbę klientów odchodzących z Twojej firmy, dlaczego po prostu nie skopiować najlepszych praktyk utrzymania klientów stosowanych przez inne firmy?
Albo — jeszcze lepiej — dlaczego nie przeprowadzić ankiety wśród klientów, aby dowiedzieć się, dlaczego odchodzą?
Oba podejścia są dobrym punktem wyjścia, szczególnie jeśli masz ograniczone zasoby lub nie zmagasz się jeszcze z poważnym problemem rezygnacji klientów.
Prawda jest jednak taka, że rezygnacja klientów może być bardziej skomplikowana. Ponieważ każda firma jest inna, nie możesz po prostu skopiować i wkleić metod zapobiegania rezygnacji, które działają w innej firmie. Musisz zagłębić się we własne dane, aby ustalić, co sprawdza się w Twoim przypadku.
Na przykład nie każda rezygnacja wygląda tak samo. Chociaż 71% rezygnacji ma charakter dobrowolny, 29% z nich jest niezawinione — oznacza to, że klienci prawdopodobnie rezygnują z powodu problemów z płatnościami, a nie niezadowolenia.
Modele predykcji rezygnacji analizują dane, aby dokładnie ustalić, dlaczego Twoi klienci rezygnowali w przeszłości. Analizując trendy w danych klientów, możesz:
- Określić najważniejsze czynniki ryzyka rezygnacji
- Zidentyfikować obecnych klientów, którzy są narażeni na wysokie ryzyko rezygnacji
Następnie możesz podjąć ukierunkowane działania, aby utrzymać klientów najbardziej narażonych na rezygnację, korzystając ze swojego modelu predykcyjnego.
Jak działają modele predykcji rezygnacji klientów
Jeśli nie jesteś osobą, która dobrze czuje się w świecie liczb, kuszące może być postrzeganie modeli predykcji rezygnacji jako kryształowej kuli, która po prostu podaje magiczną odpowiedź na pytanie, jak utrzymać większą liczbę klientów.
Jeśli jednak nie wiesz, jak działają te modele, trudno jest dostosować je do swojej firmy. Ważne jest, aby rozumieć przynajmniej podstawy — zwłaszcza jeśli zamierzasz zbudować własny model.
Oto, co musisz wiedzieć o tym, co dzieje się za kulisami.
1. Analizuj dane historyczne
Modele predykcji rezygnacji analizują historyczne dane klientów. Obejmuje to analizę różnych rodzajów danych, takich jak dane demograficzne, wzorce korzystania z usług, historia rozliczeń, interakcje z obsługą klienta i inne.
Wyszukując trendy i wzorce w tych danych, model może zidentyfikować czynniki, które mogą mieć związek z zachowaniami prowadzącymi do rezygnacji.
Model może na przykład odkryć korelację między wyższymi wskaźnikami rezygnacji a wzrostem liczby zgłoszeń do działu obsługi składanych przez klientów. Może też ustalić, że określona grupa wiekowa lub region charakteryzuje się wyższymi wskaźnikami rezygnacji. Informacje te można następnie wykorzystać w działaniach mających na celu utrzymanie klientów.
2. Zastosuj uczenie maszynowe
Po przeanalizowaniu danych historycznych do trenowania modelu predykcji rezygnacji wykorzystuje się algorytmy uczenia maszynowego. Do przewidywania prawdopodobieństwa rezygnacji każdego klienta można zastosować algorytmy takie jak regresja logistyczna, drzewa decyzyjne lub modele głębokiego uczenia.
W miarę jak algorytm uczy się na podstawie danych, coraz dokładniej wskazuje klientów zagrożonych odejściem.
3. Uwzględniaj aktualne dane
Pamiętaj, że prawdopodobnie 5% Twoich klientów rezygnuje każdego miesiąca. Oznacza to, że skład bazy klientów — a także zachowania klientów — szybko się zmienia. Aby zachować aktualność, Twój model rezygnacji musi stale pobierać nowe dane.
Have an account? Log In
4. Oceń i udoskonal
Aby zachować dokładność, modele przewidujące rezygnację klientów muszą być monitorowane i udoskonalane. Kluczowe wskaźniki, takie jak dokładność, precyzja, czułość i wynik F1, można wykorzystać do oceny skuteczności modelu. Na podstawie tych wskaźników można udoskonalać model poprzez dostosowywanie parametrów, testowanie różnych algorytmów lub uwzględnianie dodatkowych cech.
Ten iteracyjny proces pomaga zwiększyć skuteczność modelu.
Biznesowe zastosowania przewidywania rezygnacji klientów
Przewidywanie rezygnacji klientów dostarcza szerokiego zakresu danych wspierających podejmowanie decyzji w firmie. Przyjrzyjmy się trzem przykładom wartościowych informacji biznesowych, które można uzyskać w wyniku tego procesu.
Identyfikowanie klientów zagrożonych odejściem
Jedną z najcenniejszych informacji dostarczanych przez modele przewidywania rezygnacji klientów jest wczesne identyfikowanie klientów zagrożonych odejściem. Wykrywając sygnały ostrzegawcze wskazujące na możliwość rezygnacji, firmy mogą dostosować działania mające na celu utrzymanie klientów do ich potrzeb, zanim zdecydują się odejść.
Oto przykład:
Siłownia może uruchomić model przewidywania rezygnacji klientów i odkryć, że członkowie, którzy ograniczają wizyty na siłowni, są obarczeni wysokim ryzykiem rezygnacji.
(To zrozumiałe: wszyscy przez to przechodziliśmy.)
Mając informacje z modelu predykcyjnego, menedżer siłowni może skontaktować się z członkami zagrożonymi rezygnacją, aby zrozumieć, co powstrzymuje ich przed przychodzeniem na siłownię — oraz co siłownia może zrobić, aby zachęcić ich do częstszego korzystania z jej usług.
Analizowanie przyczyn rezygnacji klientów
Modele przewidywania rezygnacji klientów mogą również pomóc odkryć podstawowe przyczyny odpływu klientów w firmie — i dostosować produkt tak, aby rozwiązywał problemy klientów.
Na przykład firma oferująca oprogramowanie jako usługę (SaaS) może odkryć, że główną przyczyną rezygnacji klientów jest proces wdrażania, który nie angażuje ich w wystarczającym stopniu. W odpowiedzi firma mogłaby stworzyć bardziej kompleksowy proces wdrażania, rozbudować swoją bazę wiedzy lub nawet poprosić specjalistów ds. sukcesu klienta o osobiste przeprowadzenie klientów przez proces wdrażania.
Ocena strategii biznesowych
Gdy zastosujesz przewidywanie rezygnacji klientów w swojej firmie, w naturalny sposób stanie się ono częścią jej strategii biznesowej.
Na przykład firma telekomunikacyjna może odkryć, że większość rezygnacji pochodzi od klientów, którzy przesłali dużą liczbę zgłoszeń do działu obsługi klienta. W takim przypadku dane mogą wskazywać firmie telekomunikacyjnej, że wzmocnienie zespołu obsługi klienta jest skuteczną strategią.
Jeśli natomiast klienci korzystający z planów rocznych rezygnują znacznie rzadziej niż klienci korzystający z planów miesięcznych, można rozważyć zwiększenie rabatu na plany roczne, aby zachęcić klientów do ich wyboru — lub całkowite wycofanie planów miesięcznych.
Dzięki przewidywaniu rezygnacji klientów możesz wprowadzać znaczące zmiany w modelu biznesowym z większą pewnością, że prawdopodobnie poprawią one kondycję firmy.
Studium przypadku: przewidywanie rezygnacji klientów w serwisie strumieniowego przesyłania muzyki
Aby zrozumieć, jak wygląda to w praktyce, przyjrzyjmy się przykładowi z prawdziwego świata.
Perceptive Analytics, firma zajmująca się analityką marketingową, przeprowadziła studium przypadku dotyczące przewidywania rezygnacji klientów na podstawie 11 lat danych z serwisu strumieniowego przesyłania muzyki o nazwie KKBOX. Zbiór danych obejmował dane demograficzne członków, dane transakcyjne oraz informacje o codziennej aktywności użytkowników w aplikacji.
Firma analityczna stworzyła model, który z dokładnością 96% przewidywał, którzy klienci zrezygnują. Po przeprowadzeniu analizy danych dotyczących rezygnacji klientów odkryła coś zaskakującego:
Aktywność użytkowników prawie w ogóle nie była powiązana z rezygnacją.
Sprzeczne z intuicją, prawda?
Można by pomyśleć, że mniej aktywni użytkownicy czerpaliby mniejszą wartość z usługi, a co za tym idzie, częściej rezygnowaliby niż aktywni użytkownicy. Jednak w tym przypadku dane nie potwierdziły tego założenia.
Zamiast tego kluczowymi czynnikami wpływającymi na rezygnację były:
- Cena: Użytkownicy korzystający z droższych planów częściej rezygnowali.
- Źródło: Użytkownicy, którzy zarejestrowali się za pośrednictwem jednego ze źródeł, częściej rezygnowali niż ci, którzy zarejestrowali się za pośrednictwem innych źródeł.
- Automatyczne odnawianie: Użytkownicy, którzy wybrali automatyczne odnawianie płatności, rzadziej rezygnowali.
Pomyśl, jaką klarowność daje to firmie.
Skupiając się dokładnie na tym, jakie są problemy związane z rezygnacją klientów — w tym przypadku na cenie, rozliczeniach i pozyskiwaniu klientów — możesz znacznie zwiększyć swoje szanse na szybkie poprawienie utrzymania klientów.
Tworzenie modelu przewidywania rezygnacji klientów
A więc interesuje Cię stworzenie modelu przewidywania rezygnacji klientów. W następnej sekcji przyjrzymy się narzędziom, które Ci w tym pomogą. Najpierw jednak warto zrozumieć, jak przebiega ten proces.
Krok 1: Gromadzenie i przygotowanie danych
Podstawą każdego modelu przewidywania rezygnacji klientów są dane. Zacznij od określenia odpowiednich źródeł danych, które mogą obejmować dane demograficzne klientów, wzorce korzystania z produktu, informacje rozliczeniowe oraz interakcje z działem obsługi klienta.
Po zakończeniu przygotowywania danych oczyść je i poddaj wstępnemu przetwarzaniu. Może to obejmować obsługę brakujących wartości, usunięcie wartości odstających oraz ujednolicenie formatów.
Tak, to właśnie ta żmudna część procesu.
Ale wytrzymaj jeszcze chwilę, bo zaraz zrobi się ciekawie.
Po przygotowaniu danych warto utworzyć niestandardowe cechy istotne dla Twojej firmy. Możesz na przykład stworzyć „wskaźnik zaangażowania klienta”, łącząc takie dane, jak częstotliwość korzystania z platformy i czas spędzony na platformie.
Krok 2: Wybór odpowiedniego modelu
Gdy dane są już gotowe, czas wybrać odpowiedni model predykcyjny. Do często stosowanych rozwiązań należą regresja logistyczna, drzewa decyzyjne, lasy losowe i sieci neuronowe.
Każdy model ma swoje zalety i wady. Na przykład regresja logistyczna jest prosta i łatwa do interpretacji, ale może mieć trudności ze złożonymi danymi. Z kolei sieci neuronowe dobrze radzą sobie ze złożonością, ale mogą być trudniejsze w zarządzaniu.
Możesz również rozważyć przetestowanie kilku modeli, aby sprawdzić, który najlepiej sprawdza się w Twoim przypadku.
Krok 3: Trenowanie i testowanie modelu
Po wybraniu modelu podziel dane na zbiór treningowy i testowy. Wytrenuj model za pomocą zbioru treningowego, a następnie oceń jego działanie na zbiorze testowym.
Pamiętaj, że dobre wyniki modelu na danych treningowych nie oznaczają, że będzie on dokładnie działać na nowych danych. Może być konieczne dostrojenie parametrów modelu lub dostosowanie używanych cech w celu zoptymalizowania jego działania.
Krok 4: Wdrażanie i monitorowanie modelu
Po dostrojeniu modelu trzeba zintegrować go z działalnością firmy.
Może to na przykład oznaczać skonfigurowanie przepływów pracy i automatyzacji w celu generowania prognoz rezygnacji klientów oraz uruchamiania kampanii retencyjnych dla klientów zagrożonych odejściem.
Warto również monitorować działanie modelu w czasie i aktualizować go za pomocą nowych danych. Dzięki podejściu opartemu na ciągłym doskonaleniu model pozostanie dokładny i odpowiedni w miarę rozwoju bazy klientów i firmy.
Narzędzia do tworzenia modeli przewidywania rezygnacji klientów
Tworzenie modeli przewidywania rezygnacji klientów staje się łatwiejsze dzięki odpowiednim narzędziom, które mogą pomóc w gromadzeniu danych, analizie, wizualizacji oraz trenowaniu i ocenie modeli.
Twoja platforma analityki klientów lub CRM może już mieć wbudowane narzędzia do przewidywania rezygnacji klientów, ale jeśli nie, rozważ użycie jednego z poniższych narzędzi, aby usprawnić ten proces:
- RapidMiner: RapidMiner to zaawansowana platforma do nauki o danych z intuicyjnym interfejsem wizualnym służącym do tworzenia, wdrażania i zarządzania modelami przewidywania odejść klientów. Platforma umożliwia łatwe wstępne przetwarzanie danych, opracowywanie modeli uczenia maszynowego oraz ocenę ich skuteczności.
- Python: Jeśli jesteś analitykiem danych, prawdopodobnie będziesz tworzyć własny model przewidywania odejść klientów w języku Python — wszechstronnym języku programowania do obsługi danych, konstruowania cech i trenowania modeli uczenia maszynowego.
- Tableau: Tableau to narzędzie do wizualizacji danych popularne wśród firm z listy Fortune 500. Tableau może być szczególnie przydatne do wizualizowania wskaźników i trendów związanych z odejściami klientów oraz monitorowania skuteczności modelu przewidywania odejść.
- Microsoft Azure Machine Learning: Azure Machine Learning umożliwia użytkownikom tworzenie, trenowanie i wdrażanie modeli przewidywania odejść klientów z wykorzystaniem różnych algorytmów, a także łatwą integrację tych modeli z istniejącymi aplikacjami i usługami. Jeśli masz doświadczenie w pracy z platformami firmy Microsoft, docenisz znajomy interfejs usługi Azure Machine Learning Studio.
- Google Cloud AI Platform: Podobnie jak w przypadku Azure, zaletą Google Cloud jest to, że stanowi kompleksowe rozwiązanie — i może przechowywać Twoje dane. Dzięki przyjaznemu interfejsowi oraz płynnej integracji z innymi usługami Google Cloud jest to wygodny wybór dla firm, które chcą wykorzystać potencjał sztucznej inteligencji.
Kluczowe wskaźniki oceny modeli przewidywania odejść klientów
Wskaźniki stosowane w modelach przewidywania odejść klientów nie są dla większości osób tak znajome jak na przykład wskaźniki obsługi klienta. Zamiast nich, omawiając przewidywanie odejść klientów, mamy do czynienia z bardziej opartymi na danych wskaźnikami, takimi jak czułość i wynik F1.
Każdy z nich służy do pomiaru różnych aspektów skuteczności modelu:
Dokładność
Dokładność pokazuje, jak często model generuje prawidłowe przewidywania. Jest pomocna, ale nie zawsze wystarczająca, zwłaszcza gdy klientów, którzy nie odchodzą, jest znacznie więcej niż tych, którzy odchodzą.
Precyzja
Precyzja pokazuje, jak dobrze model prawidłowo przewiduje odejścia klientów i unika wyników fałszywie dodatnich. Nie pokazuje jednak, jak dobrze model identyfikuje wszystkich klientów, którzy odchodzą.
More Articles
Czułość (wykrywalność)
Czułość mierzy, jak dobrze model znajduje wszystkich klientów, którzy odchodzą, nawet jeśli generuje więcej wyników fałszywie dodatnich. Równowaga między precyzją a czułością jest ważna dla dobrze działającego modelu.
Wynik F1
Podobnie jak w wyścigach samochodowych, wysoki wynik F1 oznacza, że dzieją się dobre rzeczy.
Wynik F1 łączy precyzję i czułość, zapewniając zrównoważony obraz skuteczności modelu. Wysoki wynik F1 oznacza, że model dobrze identyfikuje klientów, którzy odchodzą, bez generowania zbyt wielu wyników fałszywie dodatnich.
Wykorzystywanie wskaźników do ulepszania modeli przewidywania odejść klientów
Oto przykład wykorzystania tych wskaźników:
Jeśli czułość Twojego modelu jest niska, może on nie uwzględniać wszystkich klientów, którzy prawdopodobnie odejdą. W takim przypadku możesz eksperymentować z różnymi algorytmami lub dostosować parametry modelu, aby poprawić jego skuteczność.
Jeśli Twój model przewidywania odejść klientów ma wysoką czułość, ale niską precyzję, identyfikuje wielu klientów jako osoby, które odejdą, ale generuje przy tym dużą liczbę wyników fałszywie dodatnich. Może to prowadzić do marnowania zasobów na klientów, którym nie grozi odejście. Aby to naprawić, możesz dostosować parametry modelu, wypróbować algorytmy, które nadają priorytet precyzji, lub eksperymentować z konstruowaniem cech.
Ciągłe śledzenie i ocenianie tych wskaźników może pomóc w dostrojeniu modelu i zwiększeniu jego zdolności do dokładnego przewidywania odejść klientów, co ostatecznie prowadzi do wyższego poziomu utrzymania klientów.
Mistrzowskie zarządzanie utrzymaniem klientów dzięki przewidywaniu ich odejść
Jeśli analizujesz odejścia klientów, przeprowadzając ankiety wśród użytkowników lub obserwując wskaźniki nastrojów klientów, to świetny początek.
Istnieje jednak granica wiedzy, którą możesz zdobyć, słuchając tego, co mówią Ci klienci — zwłaszcza jeśli podejmujesz decyzje na podstawie ankiet zamiast danych. Możesz przez miesiące lub lata dążyć do niewłaściwych celów związanych z ograniczaniem liczby odejść klientów.
Gdy będziesz gotowy odkryć, co naprawdę dzieje się w związku z odejściami klientów, będziesz potrzebować modelu przewidywania odejść. Pomoże Ci on wcześnie identyfikować klientów zagrożonych odejściem, dostosowywać działania mające na celu ich utrzymanie, a ostatecznie zwiększać ich satysfakcję.
Jeśli nie masz doświadczenia w modelowaniu danych, upewnij się, że zidentyfikujesz narzędzia, które uproszczą to zadanie — albo, jeszcze lepiej, nawiąż współpracę z analitykiem danych, który pomoże Ci dopracować model do perfekcji. Dzięki starannemu podejściu i ciągłemu doskonaleniu Twój model predykcji rezygnacji klientów może stać się potężnym narzędziem, które przez wiele lat będzie wspierać utrzymanie klientów i sukces firmy.
Interesują Cię kolejne sposoby na poprawę obsługi klienta? Nie przegap okazji, aby zasubskrybować nasz newsletter i otrzymywać najnowsze porady dotyczące CX.
