churn

Bibehåll kundstock med hjälp av Data Science

Detta blogginlägg är baserat på tidigare kundcase som genomfördes under 2019. Projekten hittades och konkretiserades via en Data Science Workshop och genomfördes därefter som Analytics Jumpstarts. Detta inlägg syftar till att inspirera och beskriva hur man kan bearbeta sin kundstock mer proaktivt med hjälp av Data Science och Machine Learning.

Att behålla kunder är en av de främsta tillväxtpelarna för företag, speciellt för dem med en prenumerationsbaserad affärsmodell. Konkurrensen är hård på marknaden där kunderna ofta kan välja mellan flera leverantörer inom samma produktkategori. Flera dåliga upplevelser – eller bara en – och en kund kan byta leverantör. Därför blir det viktigare och viktigare att vara relevant i sin marknadsföring och att använda sina säljresurser optimalt. Att manuellt skapa skräddarsydda upplevelser för varje kund blir snabbt tidskrävande och komplext. Istället bör detta göras på ett mer skalbart sätt med smarta verktyg – exempelvis machine learning. 

Men det är inte bara den externa kommunikationen som kan gynnas av att tillämpa machine learning. Även de interna processerna kring kundresor kan berikas och effektiviseras med hjälp av prediktioner. Ett exempel på ett begrepp som ofta används i arbetet med att förstå och kartlägga kundresan är CHURN – när företaget tappar en kund.

Proaktiv bearbetning av kunder för att motverka CHURN
CHURN inträffar alltså när en kund slutar att göra affärer med ett företag. Procentandelen kunder som slutar att använda ett företags produkter eller tjänster under en viss tidsperiod kallas CHURN-rate och är ofta en hälsoindikator för företag vars kunder är prenumeranter och betalar för tjänster på en återkommande basis.

Kostnaden för att förvärva en ny kund är vanligtvis högre än kostnaden för att behålla en befintlig. Ett vanligt tillvägagångssätt för många företag idag är dock att reaktivt försöka vinna tillbaka kunder som redan sagt upp sitt abonnemang eller slutat vara kunder (win backs). Genom att istället prediktera vilka kunder som förmodligen kommer att sluta handla inom en viss framtid, kan företagen istället proaktivt försöka engagera kunderna innan de lämnar.

Samtidigt är det viktigt att förstå vad som menas med CHURN och vilka insikter som eftersträvas med analysen. Kort sagt måste företagen bestämma sig för vilken fråga de vill ställa och följaktligen vilket typ av problem de ska lösa. Hur CHURN definieras och vilken typ av analys som är lämplig skiljer sig åt mellan företag beroende på bland annat bransch och affärsmodell.

Några exempel på intressanta frågeställningar kan till exempel vara:

  • Vilka kunder är sannolika att lämna företaget?
  • Om hur lång tid kommer olika kunder sannolikt att lämna företaget?
  • Vilka kunder är inte sannolika att förnya sin prenumeration?
  • Vilka kunder är sannolika att nedgradera en prisplan?

Prediktera CHURN med machine learning
Machine learning hittar och utnyttjar mönster i historisk data för att lösa ett visst problem. Det är därför viktigt att spara alla interaktioner som görs med alla kunder på tillgängligt format. En stor fördel med att använda just machine learning är att verktyget kan hantera mycket data om en kund, flera hundratals kundattribut är inget problem. Tack vare denna skalbarhet har dessa typer av algoritmer en möjlighet att hitta mer komplexa mönster i datan än vad vi människor kan göra under liknande tidsåtgång.

Några exempel data som kan användas är:

  • Demografi: Grundläggande information om en kund som ålder, kön och boende.
  • Konsumtion: Hur och vad för tjänst eller produkt som en kund använder. Exempelvis avtalstyp, antal inloggningar, sessionslängder, antal köp per produktgrupp, etc.
  • Interaktion: Hur kunden kommunicerar med företaget genom exempelvis kundsupport (antal samtal eller frågor), via mobil eller dator, kundnöjdhet, etc.

Då återstår det att välja och anpassa en machine learning-algoritm på de historiska kundbilderna, där vilka kunder som har CHURN:at och vilka som är kvar är tydligt definierat. Genom att sedan regelbundet tillämpa algoritmen på befintlig kundstock får man ut en predikterad sannolikhet för CHURN för varje kund, vilken sedan kan användas för att berika processer för bearbetningen av befintlig kundstock.

I ett av projekten uppnådde machine learning algoritmen en precision för CHURN på 70 %. Detta betyder att när modellen säger CHURN så har den rätt i 70 % av fallen. Samtidigt hade den ett värde på recall71 %, vilket betyder att av alla som har lämnat företaget, så hittade den 71 % av dem. Resultatet tyckte både vi och kunden var bra, det är ändå människors agerande vi försöker förutspå, vilket kan påverkar av många för oss okända faktorer som inte speglas i datan. Om du vill läsa mer om just detta projekt finns det en kortare beskrivning på hemsidan.

Prioritera din kundbearbetning med beslutsoptimering
CHURN-analysen skapar inget affärsvärde om inte företaget agerar på den. Detta kan göras på flera olika sätt och nivåer. Ett första steg brukar vara att hantera de som har hög risk för att lämna som ett eget segment. Detta segment kan exempelvis automatiskt få erbjudanden via mail via en regel i ett marketing automation-verktyg eller kanske bli flaggade för uppringning av säljare. Men prioriteringen i vilka kunder som ska bearbetas bör ta hänsyn till flera faktorer som speglar en potentiell vinst från varje kund, inte bara risken att de kommer att lämna.

Ett vanligt proaktivt nyckeltal här är CLV (Customer Lifetime Value), där man vill förutsäga hur mycket företaget kan förväntas tjäna på en given kund under den kundens förväntade livslängd (eller i alla fall en längre period framåt). Genom att kombinera detta med en CHURN-prediktion från tidigare så kan företag få en förståelse för vilka kundrelationer som är både lönsamma och i riskzonen för CHURN. Tillsammans blir dessa nyckeltal mycket mer intressanta i arbetet med att prioritera kundrelationer och eventuella utskick. För företag vill väl inte lägga tid eller pengar på kunder som de ändå inte kommer att tjäna på?

Ett ytterligare steg kan vara att addera hur mycket det skulle kosta att behålla kunden i form av marknadsföring, erbjudanden och säljresurser för varje kommunikationskanal. Prioriteringslistan är nu ett bra beslutsunderlag men kan bli för komplex för att hantera manuellt. Istället kan företaget optimera marknadsföringen med hjälp av beslutsoptimering. Alltså, vilken kund borde få vilket erbjudande i vilken kanal, givet affärsregler, budget och andra begränsningar.

Tveka inte på att höra av dig om det är något du undrar, skicka bara ett mail till victor.backman@advectas.se så diskuterar vi frågan vidare.

Victor Bäckman, Data Scientist, Advectas

Victor Bäckman
victor.backman@advectas.se
Jag som skrivit detta heter Victor och jobbar som Data Scientist på Advectas. Min bakgrund är teknisk fysik på Chalmers och har därefter jobbat på ett start-up i Göteborg. På Advectas har jag haft flera spännande projekt, bland annat inom prediktiv analys (ex. prognoser) och textanalys på svenska. Utöver Advectas har jag även lite av en entreprenöriell sida och drivit ett eget företag i många år.

Alla inlägg av Victor Bäckman