Machine Learning gør det nemmere at holde på dine kunder

Churn rate er et mål for i hvilket omfang dine kunder opsiger/ophører med at benytte din service i løbet af en given periode. Jo mere loyale dine kunder er, jo lavere churn rate.

Churn rate beregnes således:

Churn Rate = Antal mistede kunder over en given periode / Samlet antal kunder i starten af perioden

Når kunder eller medlemmer ”churner”, mister du ikke blot indtægter. Du risikerer også dårlig omtale fra utilfredse tidligere kunder. Derfor kan det godt betale sig at gøre en indsats på området – især for abonnementsbaserede ydelser, skal der blot et lille fald i churn rate til, før indsatsen kan betale sig.

Machine Learning og kundedata er nøglen til succes

Hidtil bestod ”churn prevention” mest af at interviewe kunder, der havde ophørt med at bruge en service. Dette var ikke altid en pålidelig metode, da folk der netop er stoppet med at bruge en service, ikke altid er interesserede i at bruge tid på at fortælle, hvad der fik dem til at stoppe.

Her kommer Machine Learning ind i billedet. ML algoritmer kan bruges til prædiktive churn modeller, der ”lærer” mønstre i jeres data. Så i stedet for at spørge kunderne, kan man lade deres data fortælle historien – og på den baggrund forudse, hvem der er i farezonen. Prædiktive churn modeller kan ligeledes benyttes til at opdage ”triggers” dvs., begivenheder der markant øger sandsynligheden for, at en kunde forlader dig. Disse triggers kan udløse f.eks. automatiserede mail flows, opkald fra kundeservice eller aktiveringen af bestemte tilbud, der kan få kunden til at blive.

Heldigvis er Machine Learning blevet både mere avanceret og mere tilgængeligt i de seneste år, og takket være cloud computing løsninger som f.eks. Google Cloud, kan selv virksomheder uden stor IT-infrastruktur etablere prædiktive modeller, der løbende kan forudse sandsynligheden for churn for kunder på baggrund af deres adfærd og demografi.

ML modeller benytter et datasæt med churnhistorik i en given periode sammenholdt med information om kundernes demografi, kundesegment, købs- og kontakthistorik og andet adfærdsrelateret data i begyndelsen af den periode, man måler churn i. Herefter ”træner” algoritmerne på et udsnit af data, imens et andet udsnit gemmes til kontrol. Man måler herefter, hvor god modellen ville have været til at forudsige churn på ”kontroldatasættet”, ved at holde modellens forudsigelser op imod, hvad der faktisk er sket.

En model der kan forudse churnsandsynlighed, er ikke altid noget værd i sig selv – den skal fokusere på de kunder, du har en reel mulighed for at påvirke.  Derfor er det klart, at jo mere du ved om dine egne kunder (interaktioner med jer, demografiske informationer mv), desto nemmere er det at finde frem til, hvilke kunder du er ved at miste og har en mulighed for at redde. Et samarbejde mellem modeludviklere og forretningen er også essentielt for at lave en velfungerende proces.

Segmentering er vigtigt

For at få mest ud af en churn-forudsigelses model er det vigtigt, at kunderne i størst muligt omfang er segmenteret ind i grupper, som har store indbyrdes forskelle i churn. Ellers risikerer modellen blot at fortælle dig noget, du allerede ved – f.eks. at nyuddannede har højere churn i fagforeninger, da de først nu begynder at betale kontingent, eller at a-kasse medlemmer churner meget, når de nærmer sig pensionsalderen. Laver man derimod en separat churn model for hvert enkelt segment, fanger modellen ikke blot flere nuancer end ellers. Du får også bedre muligheder for at fokusere på de kunder, hvor du virkelig kan gøre en forskel, imens kunder, som ville forlade dig under alle omstændigheder, ikke får lov at skabe støj i modellen. Samtidigt åbner det også muligheden for at benytte forskellige typer modeller til forskellige segmenter. For nogle kundesegmenter er der måske en lineær sammenhæng mellem churn og alder, mens det i andre segmenter kan være mere komplekse sammenhænge der ses.

Automatisering holder modeller ved lige

Naturligvis ændrer kundernes adfærd sig, derfor er det nødvendigt at opdatere modellerne med jævne mellemrum, så de stadig reflekterer de seneste oplysninger og tendenser. Heldigvis er det muligt at lave dynamiske modeller, der automatisk både kalibrerer modellerne, og sørger for, at der altid benyttes den bedste metode til det givne segment. Man dog altid have for øje, at særlige begivenheder i en enkelt periode kan føre til usædvanlige udsving, hvilket modellerne skal tage højde for.