Churn, eller förlorade kunder är alla affärsverksamheter intresserade av att förhindra. Det kostar nämligen mellan fem och tjugofem gånger så mycket att anskaffa sig nya kunder istället för att behålla existerande kunder. Källa (Harvard Business Review).
Den enkla definitionen av Churn beräknas igenom att dividera antal kunder som sagt upp sitt abonnemang eller slutat köpa produkter inom en given tidperiod med antal aktiva kunder i början på samma tidperiod. Denna enkla analys ger stort värde då den kan användas som benchmark när man jämför betydelsen av sina mer avancerade prediktiva modeller. Och få reda på hur churnnivån förändras över tid eller produktgrupper kan användas för att fokusera på givna kundsegment. I denna artikel går vi djupare och berättar om prediktiv churnanalys som ger ännu större värde.
Prediktiv churnanalys
Churn behöver oftast brytas ned på mer detaljerad nivå då kunder varierar i beteende och preferenser vilket speglas i hur nöjda de är eller hur stor lusten är att gå vidare till en konkurrent. Det är här som en prediktiv churnanalys kommer till användning.
Sannolikheten av churn kan beräknas utav flera statistiska- eller maskininlärningsmetoder. Metoderna processar historisk kundaktivitet och beteendedata för att beräkna sannolikheten av churn per kund.
Var börjar man?
För att bygga en framgångsrik prediktiv churnmodell krävs först och främst ett tydligt användningsfall (use case). Inte bara för att avgöra vilka som kommer använda modellens resultat och varför, utan också till hjälp för data scientists i valet av metoder.
Användningsområden
- Skapa Churn Risk Scorekort som kan indikera vem som sannolikt ger sig av och använd denna information för att driva retentionkampanjer
- Förutse sannolikheten för Churn och använd resultatet för att flagga kunder för kommande Epost-kampanjer
- Integrera resultat från Churnmodellen med interna applikationer som kundtjänst använder för att dela churnresultet med kundtjänst och kundtjänst samlar in kundbeteende till churnmodellen.
- Mer om användningsområden i denna artikel, 7 sätt att dra nytta av en churn-analys.
Kunddata
Då en churnanalys bygger på statistik och historik lämpar sig inte en churnanalys för startups som inte fått upp kundvolym ännu, utan istället för medelstora och stora företag som funnits ett par år på marknaden.
Utförande
1. Exportera data
Första steget är att exportera historisk kunddata från kundtjänst som ett dataset. Kunddata ligger ofta i ett CRM-system eller i en databas från ett Data warehouse där varje unik kund har ett kundnummer.
2. Förbereda datasetet för analys
Det är vanligt att kunddata finns på olika platser och därför behöver hämtas från olika datasystem och sättas samman. Detta kan oftast göras i Excel eller SQL. Datasetet kan sakna värden, ha felaktiga värden eller blanda datatyper så datasetet behöver tvättas och struktureras innan det kan användas för churnanalys.
Tabell 1:Exempel på dataset.
| Kundnummer | Churn | Kön | Ålder | Antal månader som kund | Produktgrupp |
| 10001 | Nej | Man | 23 | 14 | Stor |
| 12001 | JA | Kvinna | 38 | 5 | Mellan |
| 10021 | Nej | Man | 56 | 43 | Liten |
3. Välja verktyg för Churnanalys
På marknaden finns flera verktyg för churnanalys. Från mer grafiska gränssnitt som Microsoft Machine Learning Studio och Alteryx Designer, till mer skriptbaserade verktyg som Python och R-Studio.
4. Välja metod för churnanalys.
En churnanalys kan göras med flera olika statistiska metoder som Logistisk regression, Beslutsträd eller Gradient Boosting algoritm. Presentera ditt use case för data scientist eller konsulter inom avancerad analys för att diskutera vilka metoder som ska användas.
Tips! Testa flera olika statistika metoder för att jämföra bästa modell och utfall.
5. Träna och testa modellen
Dela upp ditt dataset i ett subdataset för att träna din modell, och ett andra subdataset för att testa din modell och validera den mot ny data som inte används för att träna modellen. En vanlig fördelning är att 80 procent av raderna används för att träna modellen och resterande 20 procent används för att testa modellen. Fördelningen ska göras slumpmässigt. Bygg en modell som du tränar med hjälp av ditt dataset. I din modell som du kan bygga i Machine Learning Studio eller Alteryx väljer du statistiska metoder som du kan jämföra mot varandra. Ta gärna hjälp av en data scientist eller BI-konsult när du bygger din modell.
6. Tolka resultatet och iterera modellen
Resultatet från din modell kan du ofta få ut som en ROC-kurva där man vill uppnå en hög True-Positive rate och en låg False-positive rate.
Figur 1:ROC-kurva, Källa Towards data science.
Rådgivning inför din första churn-analys
Är du intresserad av att komma igång med churn-analys? Hör gärna av dig till oss på Random Forest så kan vi berätta mer om Machine Learning Studio eller Alteryx och hur man ska tänka kring sitt dataset och modell man ska bygga. För mer om churn-analys med Alteryx se vårt inspelade webinar nedan.
Så här kommer du igång
Eftersom kundens livstidsvärde är en av de viktigaste faktorerna för en lönsam verksamhet finns det otaliga sätt att dra nytta av churn-analys i både planering och drift. De här sju är bara några exempel som kan brytas ned i detalj och utvecklas. Ett bra sätt att komma igång är att börja med en explorativ analys och sedan bestämma det billigaste sättet att komma igång och använda modellen för att förbättra verksamheten.
