Churn: Slik holder du på kundene

Hos DXC Technolgy har vi bred erfaring med hvordan du kan forutsi dette ved hjelp av verktøyene i IBM SPSS Modeler.

Med denne metoden kan du også innlemme kundeinnsikt i statistiske modeller som kan utnyttes bredt i virksomheten for å realisere gevinstpotensialet og fastholde kundene lengre.

Den modellbaserte tilnærmingen kan være et viktig verktøy for virksomheten, ikke minst fordi det er langt billigere å fastholde eksisterende kunder enn å skaffe nye. Du trenger heller ikke å være ”statistikknerd” for å utnytte mulighetene. Her kan du lese mer om systematisk bruk av modellbaserte, datadrevne beslutningsmodeller for å forutsi kundeatferd.

Forebygg kundeflukt med konkret informasjon fra spss modeler

Alle virksomheter lever av kundene sine, og det er helt avgjørende at man oppnår et visst salg. Her er det viktig å forstå kundenes motivasjon for å handle nettopp med deg – og særlig hvorfor noen på et tidspunkt kanskje ønsker å avslutte samarbeidet.

Ved hjelp av modellbaserte metoder kan du forutsi – med ganske stor nøyaktighet – hvilke kunder du er i ferd med å miste og hvordan det vil påvirke forretningen.

Blant annet er det smart å benytte mønstergjenkjenning for å forutsi kundeflukten – det gjør at du kan gjenkjenne karakteristiske trekk ved kunder som er på vei bort. Spørsmålene du ønsker svar på i den forbindelse er blant annet:

Figur 1. Det er mye dyrere å skaffe nye kunder enn å holde på dem du allerede har. Imidlertid er ikke magefølelsen alltid nok til å forutsi når kundene er på vei bort. Ved å innlemme kundeinnsikt i statistiske modeller blir det derimot lettere å tilby de beste og mest økonomiske løsningene som gjør at du beholder kundene lengre.

Spørsmålene kan besvares ved å bruke den modellbaserte metoden, som ofte er langt mer nøyaktig enn bare magefølelsen når det gjelder å forutsi hvilke kunder som søker seg bort. Med prediktive analysemodeller kan du altså basere virksomhetens beslutninger på et sikrere grunnlag, blant annet gjennom statistisk beslutningsteori for beregning av sannsynligheter for og konsekvenser av kundenes handlinger. Dermed sikrer du en ensartet og effektiv håndtering av kundeinnsikten du har samlet gjennom kundenes atferd.

Som modelleringsverktøy for dette arbeidet anbefaler DXC å benytte SPSS Modeler, markedets fremste verktøy for prediktive analyser og data mining. Programmet bygger på mer enn 30 års dokumentert historikk, og brukes i dag av de største selskapene i verden som generelt analyseverktøy for mange typer analyser på dette området.

SPSS Modeler har etter hvert gjort det stadig enklere å jobbe med komplekse statistiske modeller og er oppbygd slik at det bryter ned prosessen i intuitive steg. Samtidig guider programmet brukeren ved automatisk å velge den statistiske modellen som passer best til de aktuelle dataene – og selve modellberegningen skjer også automatisk.

Forstå kundenes motiver og prioriteter

Aller først må imidlertid kundeinnsikten være på plass, for som i andre sammenhenger avhenger sluttresultatet av kvaliteten på forarbeidet.

I første omgang er det derfor interessant å finne ut når og hvordan kunder har en tendens til å forsvinne. I enkelte bransjer kan det være ved å si opp et abonnement – andre steder kan det være ved ikke å betale fornyelser. Derfor må du gjennomgå dataene grundig og finne ut nøyaktig når du kan fastslå at du har mistet en kunde.

Figur 2: Gjennom å justere analysemodellene løpende ved å trekke inn for eksempel ny kundeinnsikt eller data vedrørende effekten av kampanjer, sørger du for at modellen fungerer optimalt i forhold til informasjonen du har om kundenes atferd og motivasjoner.

Deretter må du finne ut hva som kjennetegner kunder som er i ferd med å forsvinne. Det kan være demografisk informasjon, men også informasjon om produktkjøp, kontakthistorikk og leveringsytelse. Ha gjerne en idédugnad der alle relevante forhold tas med. Samle deretter informasjonen – for eksempel i form av uttrekk av data.

På grunnlag av disse dataene kan du så bygge en forutsigelsesmodell. Signifikante variabler identifiseres automatisk, og modellen kan deretter brukes til å identifisere kunder i ”risikogruppen”, det vil si der sannsynligheten er størst for at samarbeidet opphører.

Imidlertid er det viktig at modellens anbefalinger ikke bare vises i SPSS Modeler. For å få full nytte av kunnskapen om kundenes atferd og prioriteringer er det viktig å spre informasjonen i hele virksomheten. På den måten får alle – også de enkelte kundemedarbeiderne – et best mulig grunnlag for å endre handlingsmønster.

Avhengig av størrelsen på kundemassens kan du også vurdere å opprette en kontrollgruppe for effektevaluering. Da blir det lettere å fastslå hvordan de enkelte kundegruppenes atferd skiller seg fra hverandre etter at du har iverksatt tiltakene som modellen har anbefalt sammenlignet med om tiltakene ikke var blitt iverksatt.

Under alle omstendigheter er det smart å foreta effektmålingen, da den bidrar til å synliggjøre verdien av å jobbe strukturert med kundeopplysningene som foreligger.

Modellen må justeres løpende selv om du oppnår gode resultater med de første gjentakelsene. Da kan du nemlig dra nytte av ny kundeinnsikt, akkurat som en oppfølging av kampanjer alltid gjør det innlysende å innarbeide ny informasjon.

Det er altså ikke et svakhetstegn å måtte revidere innsats og modeller løpende, men snarere en naturlig konsekvens av at reisen mot en mer datadrevet forretning er i full gang.

Bygg fleksible analysemodeller

SPSS Modeler er modulbasert, og du bygger modeller ved å sette inn og binde sammen “byggeklosser”. Det gir en umiddelbar forståelse av dataflyt og oversikt over hele prosessen. Nedenfor ser du et eksempel på modellbygging:

Figur 3. Med SPSS Modeler er det enklere å få oversikt over og tilpasse dataflyten.

Ideen med å sette inn og binde sammen moduler av klosser er at det tydelig fremgår hvilken vei dataene beveger seg i modellen. Den første klossen inneholder en lenke til data som for eksempel kan ligge i en database- eller Excel-fil. Dobbeltklikker du på datakilden, kan du tilpasse ”klossen” slik at du importerer data fra nettopp den relevante kilden. Du kan også inkludere data fra flere datakilder og koble sammen informasjonen i SPSS Modeler før du starter selve analysen. Deretter kan du omdanne data etter behov og for eksempel spesifisere hvilke variabler analysen skal omfatte.

Når alle data er klargjort og tilrettelagt i modellen, velger du en modelleringskloss som inneholder selve modellberegningene. Det er mange teoretiske modeller å velge mellom, men det er også mulig å velge en kloss som automatisk regner gjennom alle relevante modeller, slik at du kan finne den mest optimale modellen til forutsigelsen.

Når modellberegningen er ferdig, oppretter SPSS Modeler en såkalt ”golden nugget” som inneholder den foreslåtte modellen i tillegg til de relevante variablene. SPSS Modeler har valgt ut de statistisk signifikante variablene og modellparametrene.

Til slutt blir resultatene eksportert til et sluttbrukerverktøy som viser forutsigelsen om de enkelte kundene. På den måten blir den nye, datadrevne kundeinnsikten ikke bare forbeholdt en liten gruppe eksperter, men kan bidra til å gi alle relevante medarbeidere – også i frontlinjen – grunnlag for å ta de rette valgene i møtet med kundene. Det er ganske enkelt forutsetningen for å høste maksimal økonomisk og kundemessig gevinst av metodikken.

Det kan dessuten være smart å føre data helt tilbake til ERP-/CRM-systemet med angivelse av hva som proaktivt må gjøres i kontakt med kundene. Samtidig kan den nye kundeinnsikten danne grunnlag for nye salgs- og markedsføringskampanjer.

Bruk kundeopplysninger til å ta velfunderte beslutninger

En av løsningsmodellene som SPSS Modeler kan bruke til å forutsi hvilke kunder som er på vei bort, er å omgjøre de relevante kundeopplysningene til bestemte beslutningstrær. For hver enkelt kundetype angis en betinget sannsynlighet for at kunden er på vei bort. I møtet med en kunde kan du derfor – på bakgrunn av ganske få variabler – bli mye flinkere til å forutsi sannsynligheten for at nettopp denne kunden vil forsvinne.

Figur 4. Her ser du eksempel på et helt enkelt beslutningstre basert på få variabler – alder, anrop til Help Desk og bånd- bredde – som gjør det mulig for en Internett-virksomhet å forutsi sannsynligheten for at bestemte kunder forsvinner.

I eksempelet ovenfor bruker en Internettvirksomhet informasjon om kundealder, båndbredde og antall anrop til Help Desk til å forutsi sannsynligheten for at kundene blir eller sier opp avtalen i nær fremtid. I andre tilfeller vil antall signifikante variabler være høyere, og da vil beslutningstreet omfatte flere – kanskje mange flere – relevante variabler.

Oppgaven består altså i stor grad av å finne frem til mulige variabler og la SPSS Modeler automatisk beregne hvilke som er relevante – og utforme beslutningstreet ut fra dette. På bakgrunn av beslutningstreet kan nye kunder ”skåres” av modellen for å identifisere kunder som sannsynligvis vil forsvinne.

Beslutningstreet er bare én av analysemetodene som SPSS Modeler kan bruke til å forutsi kundeatferd. Nedenfor finner du en oversikt over noen av de øvrige modellene:

Figur 5. SPSS Modeler omfatter en rekke ulike modeller – også flere enn ”beslutningstreet” som er behandlet grundigere i denne teksten – for å gjøre det enklere å forutsi kundenes atferd og tilknytning til virksomheten.

Alle modellene har sine styrker og svakheter. Som bruker er det kanskje nærliggende å velge den metoden du er mest komfortabel med og som antas å være mest relevant. Men du kan også stille inn verktøyet så det automatisk regner gjennom samtlige modellvarianter og velger modellen som er optimal for de aktuelle dataene.

Synliggjør verdien av tapte kunder

En del av oppgaven med å identifisere kunder som er på vei bort består i å kunne synliggjøre verdien som kundene i faresonen representerer. Dermed kan du også beregne den konkrete økonomiske verdien knyttet til å iverksette bestemte tiltak overfor hver enkelt kundegruppe.

Figur 6. Med en systematisk, datadrevet kundetilnærming basert på SPSS Modeler er det ikke bare mulig å forutsi sannsynligheten for at bestemte kunder forsvinner – den kan også synliggjøre kostnadene ved å iverksette de mest effektive tiltakene for å fastholde kundene. Da blir det enklere å tilpasse og planlegge kundearbeidet slik at du styrker kundeforholdet og optimerer fortjenesten for hver enkelt kundegruppe.

Forutsigelsen sier altså ikke bare noe om den sannsynlige risikoen for at hver enkelt kunde skal forsvinne – den kan også omfatte informasjon om hvilke tilbud det kan være aktuelt å gi for å holde på kunden. På bakgrunn av Customer Lifetime Value (CLV) kan du altså beregne verdiveksten av de foreslåtte tiltakene. Det gir et godt grunnlag for å vurdere hvor mye ressurser virksomheten er villig til å bruke for å sikre at bestemte kundegrupper fortsatt velger deg som leverandør.

Bruk av resultatene sikrer derfor at du i større grad selv kan bidra til å definere hvor den fremtidige kundeinnsatsen skal rettes for å styrke kundeforholdene og optimere fortjenesten.

Konklusjon

Hos DXC betrakter vi datadrevet, prediktiv analyse av kundeatferd som et verdifullt verktøy til å oppnå høy kundetilfredshet, optimere kundesamarbeidet og sørge for konstant oppdatert, handlingsorientert beslutningsgrunnlag. Vi har gode forutsetninger for å hjelpe deg og virksomheten med å utnytte metodikken, og vil gjerne fortelle nærmere om hvordan den kan hjelpe deg med å få større forståelse for kundenes atferd og motivasjoner.