Churn

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

Churn og loyalitet: Opgaven starter ved det første køb

Bedre loyalitet betaler sig på mange niveauer

Datadrevet churn-analyse

Churn-analyse for mindre organisationer

Prædiktiv churn-analyse med machine learning for større organisationer

Fra churn-analyse til churn-forebyggelse

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.

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 kan 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-analyse 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 datadistributører, 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-analyse beskriver karakteristikaene ved de kunder, der churner. Det giver dig indsigt i, hvornår de churner, hvilke variable, der har den største forklaringskraft og 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

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 et 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 modellen ud fra de læringer som tid, dine kunders adfærd og nye data giver, 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

Mere fantastisk content om at implementere ML i din organisation