Har du kanske blivit uppringd av din telefon- eller bredbandsoperatör med ett riktigt bra erbjudande på en ny telefon eller en surfplatta? Operatören gör inte detta bara för att den vill vara schysst, utan som grund ligger mer eller mindre avancerade modeller som löpande beräknar hur mycket du är värd för dem och väger värdet mot risken för att du väljer att lämna för en ny operatör. Att agera proaktivt mot att tappa kunder kräver mycket hjärnarbete och processorkraft, men metoderna är faktiskt ganska enkla att förstå!
I en artikelserie om tre delar diskuterar vi hur en organisation kan arbeta datadrivet, specifikt med fokus på produkt- och tjänsteledning (product management). Kundanalys är ett viktigt inslag och i den här artikeln ska vi diskutera hur du kan skapa datadrivna insikter om dina kunder och vilka som befinner sig i riskzonen för att gå förlorade (churn).
Kan vi bli bättre på att motverka att en kund lämnar oss?
Det är viktigt att analysera om vi tappar kunder, vilka kunder som tenderar att lämna oss samt när de riskerar att välja en ny leverantör. Baserat på kundernas beteendemönster och kundlivscykeln finns en möjlighet att bättre förstå när en kund är på väg att lämna oss. Genom att addera predikteringar vid analys av kundlivscykeln och lära sig av utfallet (genom att träna och uppdatera analysmodellen), finns en stor möjlighet att mer proaktivt kunna bearbeta de kunder som överväger att byta leverantör, innan de hinner göra det.
Befintliga analyser utgår ofta ifrån ett deskriptivt perspektiv vilket innebär att man tittar på historiska data för att se när och vilka kunder som lämnat företaget och varför. För att förstå vad som sannolikt kommer inträffa behöver man använda prediktiva metoder. Nästa steg, som ännu är långt ifrån självklart, är att addera ett preskriptivt analysperspektiv vilket innebär att man låter ett system väga samman information från olika källor för att väga möjligheter och risker mot varandra. Den preskriptiva analysen resulterar i att användaren blir rekommenderad en viss insats som bör göras för att nå ett så optimalt resultat som möjligt. Ett exempel är vid prognostisering av kundens sannolika tidpunkt för leverantörsbyte. Idag utförs sådan analys ofta av CRM-analytiker eller snarlika roller, som manuellt söker intressanta mönster, men det finns företag som kommit ett steg längre med dessa analysmodeller.
Analysmodellerna används exempelvis vid rekommendationsalgoritmer där man utför så kallad associationsanalys för att förutspå framtida köp och för att ta fram rekommendationer om vilka produkter som bör erbjudas ihop, baserat på kunders tidigare köp. På så sätt finns även möjlighet att erbjuda kunder bundlingar som ökar sannolikheten att de stannar. Genom att använda en mix av metoder för churnanalys kan man även prognosticera vilka kunder som företaget riskerar att tappa. Vidare kan man identifiera vilka delsegment av det potentiella kundtappet som bör bearbetas, baserat på sannolikheten att kunna vinna tillbaka dessa. Om man sammankör denna information med data på vilka kunder eller segment som är mest lönsamma (läs mer här) kan man även möjliggöra en prioritering av vilka kunder som är viktigast att bearbeta. Nu förstår du säkert lite bättre varför just du har blivit uppringd av försäljaren hos din telefonoperatör.
Hur gör man?
Det finns många modeller för att göra predikteringar, men här följer exempel med utgångspunkt i två vanligen använda och relativt enkla metoder: beslutsträd och logistisk regression. I båda metoderna kan man använda sina kända variabler, alltså vad vi vet om kunderna, och generera modeller som beskriver vilka riskfaktorer som finns.
I ett beslutsträd utgår man från en rotnod och försöker dela upp kundbasen utifrån de variabler som skapar störst separation mellan grupperna (alltså om kunden är kvar eller inte) i barnnoder. Var och en av noderna kan i sin tur ha egna barnnoder. De nedersta eller yttersta noderna brukar kallas för lövnoder. I exemplet härintill visas ett beslutsträd med data för abonnemangskunder och huruvida de är kvar som kunder tre månader efter den här mätningen. Det går att utläsa att de allra flesta som har mer än tre månaders bindningstid kvar fortfarande är kunder efter tre månader - ingenting konstigt där! Om man följer den andra grenen, de som har färre än tre månaders bindningstid kvar, ser man att det verkar finnas en skillnad mellan olika åldersgrupper, där de som är yngre tenderar att vara mer benägna att byta leverantör. Det här gör beslutsträd till en nyttig teknik för såväl segmentering som churnanalyser.
Nästa steg efter den enkla uppdelningen ovan är att granska grupperna närmare - är det värt att bearbeta den lättflyktiga kundgruppen under 29 år? Om lönsamhetsanalysen visar att det är en köpsvag och/eller olönsam grupp bör insatsen för att motverka churn anpassas därefter.
Logistisk regression är en metod som undersöker kategoriska responsvariabler (till exempel ja/nej och vinst/förlust), men i det här fallet genom att beräkna odds. Genom att använda känd information kan vi prediktera sannolikheten för ett visst utfall, exempelvis som i fallet med abonnemangskunder. Även om det faktiska tillvägagångssättet skiljer sig åt jämfört med ett beslutsträd, kan båda metoderna svara på frågan om en viss typ av kund riskerar att säga upp sitt avtal.
Det finns alltså olika metoder för predikteringar, som kan lämpa sig bättre eller sämre i olika fall. Genom att använda dessa metoder kan man skapa förutsättningar för datadrivna - och riktiga - beslut.
I nästa inlägg, det sista i denna artikelserie, kommer vi diskutera vad vi kan lära oss om kunden, vad som skapar värde för den och hur vi kan nyttja information för att skapa en ännu bättre kundupplevelse.
Har du funderingar eller vill veta mer om hur vi kan stötta din verksamhet? Hör av dig till Henrik Olofsson eller Matilda Pasanen.