Churn

Intet er mere smertefuldt end at se kunderne gå ud af døren og fravælge ens forretning. Og churn er dyrt.
På denne side kan du blive klogere på churn og churn-analyser med machine learning

Fra churn-analyse til prædiktive churn-modeller - en guide

Churn-analyser handler om at kende sine kunder - og prædiktive churn-modeller handler om at kunne være proaktiv i forhold til kunderne og kunne handle inden de forlader dig. Denne guide er for virksomheder, der gerne vil blive klogere på, hvordan de kan skabe sammenhæng mellem deres churn-analyse og deres loyalitets-indsatser for i sidste ende at forbedre kundernes tilfredshed og livstidsværdi

Guiden her hjælper dig med at få et klarere billede af, hvad der skal til for at du kan nyde fordel af ML i forbindelse med churn-forebyggelse i forhold til budgetter, værktøjer, ressourcer etc., uanset om du i dag har en detaljeret churn-strategi eller først lige skal til at gå i gang

 

Navigér på siden


Definitionen på churn

Udtrykket “churn” bruges om kunder, der forlader dig. Afhængig af, hvilken branche eller type forretning du driver, kan definitionen på, hvornår en kunde har forladt dig dog variere; for abonnementsforretninger er churn typisk, når en kunde opsiger sit abonnement, men for andre typer virksomheder må definitionen afhænge af, hvor ofte en aktiv kunde køber eller der er en transaktion; genkøbsfrekvensen varierer jo voldsomt på tværs af brancher fra optikere, til tøjforretninger til finansielle tjenester etc.

 

Har du ingen branchestandard at læne dig op ad, men du har en god portion transaktionsdata, er første skridt for at definere churn at få faslagt, hvor ofte henholdsvis dine bedste og gennemsnitlige kunder køber. For nogle kan det være, at en kunde er churnet, hvis de ikke har købt noget de sidste 30 dage, mens det for andre kan være inden for 12 måneder og så videre


Churn og loyalitet:
Opgaven starter ved det første køb

Tillykke med din nye kunde! Én har lige købt noget af dig eller oprettet et nyt abonnement, så nu begynder din indsats for, at vedkommende skal blive en loyal kunde. Skematisk findes der tre livsfaser for din kunde: on-boarding, aktiv, sovende/win-back. Det kræver ingen professor-titel at regne ud, at det er i fasen "aktiv", din kunde er mest tilfreds, og dit mål er at holde kunden her så længe som muligt. Derfor kan vi ikke tale om churn uden også at tale om loyalitet; churn-forebyggelse og loyalitet er to sider af samme mønt

 

Benchmarks

Selv glade kunder churner dog, så et vist churn-niveau er uundgåeligt, uanset dine mange bestræbelser for at undgå det. Det kan være i forbindelse med store livsomvæltninger som når de flytter, stifter familie, får nyt arbejde eller lignende. Om din churn-rate er for høj, afhænger derfor af, hvad der er standarden i din branche eller din organisations interne KPIer. Det er svært at finde offentligt tilgængelige benchmarks, men hvis du ikke kender benchmarket for din branche og gerne vil orientere dig i mere globale tal, er Recurly Research et godt bud  (de dækker 10 brancher, der dog har det tilfælles, at de alle er abonnmentsforretninger)

Bedre loyalitet betaler sig på mange niveauer

Ønsket om at have kontrol over og mindske churn er en almindelig nøgle-målsætning for de fleste virksomheder. Det skyldes selvfølgelig, at det er meget dyrere at få nye kunder end at holde på dem, man allerede har!

Med velvalgte aktiviteter til churn-forebyggelse kan kundernes tilfredshed desuden forbedres, og det styrker jo også dit brand. What’s not to like?

 

Men intet ændrer sig som bekendt, hvis man gør, som man altid har gjort. Derfor er det vigtigt at være organisatorisk klar til forandringer, for en churn-analyse kan meget vel påvirke arbejdsgangene i hele organisationen og i kunde-flows, dine tilbud eller produktpakker, processer, systemer mv.

Regn ud, hvad din churn-omkostning er nu og lav en business case

Det er lettere at opstille KPIer for churn-forebyggelse og loyalitetsforbedringer, hvis du kender dine nuværende omkostninger. Nedenfor er en simpel udregning, der kan give dig en fornemmelse af, hvor meget du kan vinde på at reducere churn og dermed forbedre din bundlinje. I "vi kan hjælpe dig"-kolonnen får du desuden en standardiseret udregning for, hvor meget vi kan hjælpe dig med at reducere dine omkostninger til churn med en ML-drevet prædiktiv churn-model. Den reelle besparelse afhænger naturligvis af din nuværende churn-forebyggelse og kan potentielt være meget højere

Hvad koster churn dig i dag?

Hvor mange kunder har du?

kunder

Hvad er din margin pr. kunde på årlig basis?

kr.

Hvor mange % af dine kunder churner per år?

Så koster churn dig i dag: 

kr.

Vi kan hjælpe dig

Med vores hjælp kan du reducere dine omkostninger til churn med op til:

kr.

Så i fremtiden kan din omkostning reduceres helt ned til:

kr.

 

Udregningen er baseret på dine indtastede information og en antagelse om, at du med udgangspunkt i en datadrevet churn-model med efterfølgende indlejring af recommendation scores fra os kan reducere din årlige churn med 2 %-point

Datadrevet churn-analyse

Der er ingen tvivl om, at enhver churn-analyse skal baseres på data; du er nødt til at basere dine fremtidige loyalitetsindsatser på fakta. For at få det bedste resultat, bør en churn-analyse baseres på både interne data og eksterne tredjepartsdata

 

Interne data

Der er meget at lære om dine kunders churn i dine interne data. Og der er meget data – “big data”. Nedenfor er en liste over de hyppigst brugte interne variable, når man laver churn-analyser

  • Adresse
  • Alder
  • Produkter
  • Tid, de har været kunde
  • Transaktioner:
    • Hvad de købte?
    • Til hvilken pris?
    • Hvornår
    • Hvor betaler/betalte de
  • Interaktion med jeres kommunikationskanaler
  • Kundeservice:
    • Support-anmodninger
    • Datoer
  • Kundetilfredshed
    • NPS/kundetilfredshedsdata
  • Marketing
    • Marketing-samtykker
    • Nyhedsbrevs-/marketing mail-engagement
    • Digitalt engagement

Klargøring af data

Data er ikke altid let og komme til, og de er heller ikke altid strukturerede og klar til brug. Og nogle data kan være temmeligt besværlige at få fat i. Som en tommelfingerregel skal du derfor opveje datas nødvendighed efter devisen "nice to have" vs "need to have", altså en afvejning af den indsigt eller fordel data vil give i analysen og så hvor svært eller komplekst det vil være at få adgang til og klargjort data. Det handler dybest set om at finde ud af, hvad du som minimum har behov for; nogle gange kan en variabel virke virkelig vigtig, men den kan måske undværes, hvis man opvejer, hvor mange ressourcer, du kommer til at bruge for at få adgang til den eller gøre den klar til brug. Mange churn-analyser er strandet her, fordi man som virksomhed gerne vil starte med det ultimative setup og derfor bruger alt for meget tid på dette, frem for en mere pragmatisk tilgang, hvor de besværlige data så evt. kan tilføjes senere

Eksterne tredjepartsdata

Begrebet eksterne data dækker typisk over tredjepartsdata, der kan supplere den viden, du selv har om dine kunder. Hovedargumentet for at inddrage tredjepartsdata er selvfølgelig, at de kan belyse dine kunders karakteristika, når de ikke er i dit univers. Det viser sig ofte at være den blinde vinkel i kundeanalyserne; der er imidlertid mange data, der bidrage til at give dig et 360° indblik i dine kunders karakteristika, præferencer og behov

 

De eksterne data kan variere i deres oprindelse og struktur, men de har til fælles, at de belyser dine kunders karakteristika. Det styrker din churn-analyser mærkbart, for ofte forårsages churn af eksterne ændringer i din kundes liv; de flytter, bliver skilt, stifter familie osv. På grund af GDPR og andre lovgivninger kan du ikke få 1:1-data på alt, men tredjepartsdata som klyngedata eller data triggers kan forbedre din model og beskrive dine kunder

Eksterne data, der oftest bruges til churn-analyser:

  • Demografiske data
  • Forbrugertype
  • Forbrugerpræferencer
  • Digital adfærd
  • Ejendomsdata
  • Triggers (flytninger, én person forlader husstanden, etc.)

 

Adgang til eksterne data

Adgangen til de eksterne tredjepartskilder kan enten opnås individuelt fra den enkelte kilde eller via dataditributører, der distribuerer flere forskellige data gennem en central ‘hub’.  Uanset er det selvfølgelig vigtigt, at også de eksterne data er strukturerede og tilgængelige på en måde, der er kompatibel med dine interne data  og til at komme til. Du læser dette på et website, der tilhører en datadistributør, der kan hjælpe dig med adgang til en lang række tredjepartsdata via vores data lake. Læs mere om det her

Churn-analyse for mindre organisationer

En churn-analyser beskriver karakteristikaene ved de kunder, der churner. Det giver dig indsigt i, hvornår de churner, hvilke variable, der har den største forklaringskraft and hvad der kendetegner dine churnere som kundesegment(er). Dermed kan du bedre forstå dit churn, så du kan bygge kampagner og flows, der tager højde for dette

 

På vores Data Analytics Platform tilbyder vi et data blending tool, der markant reducerer din forberedelsestid forud for en churn-analyse; vores blending motor kombinerer dine interne kundedata med vores nordiske data lake (på op mod 800 tredjepartsvariable), og rangerer dem efter forklaringskraft på tværs af dine egne og de eksterne data. Dermed får du et overblik over, hvilke data det giver bedst mening at inddrage i din churn-analyse - som vi også kan hjælpe dig med via vores modelbygningsværktøj Predict. Det kan bygge modeller og reducere time-to-market for din churn-forebyggelse, fordi vi har hele strukturen og frameworket  for de processer, der ikke handler om selve modellen, på plads. Modellen genereres herefter via vores self-service-platform. En slags automatiseret AI. Klik her for at læse mere

Reducér tidsforbruget på data-klargøring med op til 40 % med ML-drevet data blending

Prædiktiv churn-analyse med machine learning til større organisationer

Hvis din organisation er klar til et mere avanceret setup, er en ML-drevet prædiktiv churn model måske det, der kan løfte din churn-forebyggelse til en nyt niveau; ved at implementere en prædiktiv churn-model i dine kunde-flows, kan der opsættes recommendations scores, der udløses af dine kunders handlinger eller mangel på samme. Derved kan du være proaktiv og handle inden dine kunder churner

 

Fordelene ved en ML-drevet prædiktiv churn-model er modellens agilitet; over tid justeres den ud fra de læringer som tid, dine kunders adfærd og nye data giver den, hvilket igen betyder, at du løbende kan rette din churn-forebyggelse til - for færre omkostninger end hvis du skulle starte forfra med en ny churn-analyse

 

Vores Data Analytics Platform er designet til at gøre det let for dig at bygge ML-drevne prædiktive churn-modeller; vores data blending-værktøjer reducerer markant din forberedelsestid forud for en churn-analyse; vores blending motor kombinerer dine interne kundedata med vores nordiske data lake (på op mod 800 tredjepartsvariable), og rangerer dem efter forklaringskraft på tværs af dine egne og de eksterne data. Uanset om du efterfølgende ønsker at bygge din churn-model via vores ML-drevne modelbygningsværktøj Predict, eller om du vil bygge den i dit eget miljø, fasttracker det processen i forhold til at bygge eller forbedre din prædiktive churn model. Klik her for at læse mere

 

Fra churn-analyse til churn-forebyggelse

Vejen fra churn-analyse til implementeringen af konkrete recommendation scores i dine kundeflows er kompleks; selvom du identificerer nogle adfærdsmønstre hos dine kunder lige inden de churner og kan opsætte triggers, er det ikke altid let at definere præcis hvilken handling, der er den rigtige eller hvordan et budskab præcis skal formuleres. Men med en grundig, datadrevet churn-analyse har du det bedste udgangspunkt for denne opgave

 

Bliv inspireret af andre

Her er tre use cases, hvor vi har hjulpet kunder med deres churn-analyser og som har forskellige kompleksitetsniveauer i forhold til at blive implementeret

Øget loyalitet

Øget win-back på sovende kunder

Mikrosegmentering

Skal vi tales ved om at reducere din churn?

Skriv dig op nedenfor eller hiv fat i mig direkte

Frank K. Nielsen portrait

Frank K. Nielsen

Executive Director Sales

+45 2835 3280

Linkedin

Er du ikke på vores mailingliste endnu?

Mere fantastisk content om at implementere ML i din organisation