Ons geheim om klantverloop te voorspellen

Klanten 'churnen' wanneer ze stoppen met het kopen van uw goederen of diensten. Maar hoe kunt u deze klanten identificeren en hen gepersonaliseerde aanbiedingen richten?
illustration

Het uitbreiden van uw klantenbestand vereist een investering van een bedrijf via marketing- en verkoopvertegenwoordigers. Als dit goed gaat en er komen nieuwe klanten binnen … dan ben je toch klaar? Maar besteed je evenveel tijd en moeite aan de klanten die je al hebt? Houd je hun gedrag bij en weet je wanneer je merkt dat ze niet meer bij je kopen? Het tijdig detecteren van een klant die overweegt uw klantenpool te verlaten, biedt u de mogelijkheid om de klant te stimuleren loyaal te blijven, bijvoorbeeld met een persoonlijke boodschap of aanbieding. Het detecteren van klanten die op het punt staan vroeg te vertrekken, is het doel van het voorspellen van klantverloop. Bij ML2Grow hebben we een lange traditie in het maken van op maat gemaakte churn-modellen die slim genoeg zijn om de unieke band die u met uw klanten heeft te begrijpen.

Het belang van klantverloop

Uit onderzoek blijkt dat het vijf keer zoveel kost om een nieuwe klant aan te werven dan om een bestaande te behouden. Bovendien is de kans groter dat bestaande klanten, wanneer ze op de juiste manier worden gekoesterd, blijven kopen en merkloyalisten worden. Merktrouwe klanten vertellen hun vrienden over uw bedrijf, proberen eerder nieuwe producten uit en worden minder snel weggejaagd door een prijsverhoging.

Klantverloop kan zich voor verschillende bedrijven op verschillende manieren manifesteren, maar het kan over het algemeen worden gedefinieerd als wat er gebeurt als een klant zich uitschrijft voor uw service, niet meer bij u koopt of gewoon stopt met de interactie met uw merk. Klanten vertrekken om verschillende redenen, en het is een onvermijdelijk onderdeel van zakendoen.

Toch slagen te veel bedrijven er niet in om het klantverloop goed aan te pakken. Hoewel meestal geen kosten worden gespaard om nieuwe klanten te vinden en aan te trekken, geldt hetzelfde voor het identificeren van klanten die klaar zijn om zich bij uw concurrent aan te sluiten. Maar hoe richt u uw inspanningen precies op de juiste klant?

De onmogelijkheid om churn te generaliseren

Een van de belangrijkste vragen is hoe het klantverloop in de eerste plaats kan worden gedefinieerd, aangezien dit verschilt per bedrijf en per situatie.

Beschouw het als een relatie, elke relatie heeft zijn interactiefrequentie. Persoonlijke relaties kunnen intens zijn waar mensen elkaar dagelijks ontmoeten. Andere relaties kunnen een veel lagere interactiefrequentie hebben, waarbij mensen die elkaar om de paar maanden of zelfs eens per jaar ontmoeten, zeer significante relaties met elkaar hebben.

Relaties met verschillende interactiefrequenties zullen ook op verschillende manieren eindigen. In intensieve relaties zal een onderbreking van enkele weken of maanden als opmerkelijk worden beschouwd en kan erop duiden dat er iets in de relatie is ontspoord. In de context van andere relaties zal een stilte van een paar maanden of zelfs een jaar niet zo ongewoon zijn.

Hetzelfde verhaal geldt voor relaties tussen bedrijven en hun klanten. Klanten communiceren op verschillende manieren en met verschillende frequenties, waardoor het moeilijk is om te bepalen wanneer een klant op het punt staat afscheid van je te nemen.

Costumer Churn

Bedrijven met een abonnement die het onderbreken van de service niet toestaan, zijn bijvoorbeeld eenvoudig te definiëren, namelijk wanneer klanten zich afmelden. Maar voor andere e-commercebedrijven heeft churn een meer vage definitie van iemand die stopt met kopen en moet het dus op een andere manier worden geïdentificeerd.

Het kan inhouden dat churners statisch worden gedefinieerd op basis van hun eerdere transactiegeschiedenis: iemand die het patroon heeft om elke twee maanden een paar keer te kopen, kan na zes maanden zonder activiteit als gekarnd worden beschouwd.

Simpel gezegd, het berekenen van een nauwkeurig verloop is moeilijk: er zijn veel verschillende formules, inspanning, interpretatie voor nodig en om eerlijk te zijn, het is nogal een puinhoop om het op de klassieke manier met spreadsheets of business intelligence te doen. Er is echter een nauwkeurigere manier om deze informatie te produceren. Het antwoord ligt, zoals je misschien al geraden hebt, in data science en machine learning.

Het voorkomen van klantverloop een prioriteit maken

De meeste bedrijven weten dat het belangrijk is om het klantverloop in de gaten te houden, maar realiseren zich niet allemaal dat het voorkomen van klantenverloop rechtstreeks verband houdt met hun winstgevendheid. Merken, vooral die in een volwassen markt, moeten zich er terdege van bewust zijn wanneer hun klanten op het punt staan te churnen en proberen ze terug te winnen voordat ze dat doen. Klanten hebben nu veel opties; tenzij u als eerste op de markt komt, bestaat de kans dat ze nooit meer terugkomen.

Uit onze ervaring zien we dat de meeste bedrijven hier zich hier zeer bewust van zijn, maar de technologie en knowhow missen om dit risico nauwkeurig te mitigeren. Een eenvoudige maar algemeen geïmplementeerde benadering is bijvoorbeeld het gebruik van een eenvoudige, tijdgestuurde metriek. Een voorbeeld hiervan zou zijn om een klant na bijvoorbeeld drie maanden als churned te beschouwen. Deze one-size-fits-all benadering negeert de interactiefrequentie van individuele klanten, de behoeften van de klant en leidt meestal tot slecht getimede en ineffectieve marketingstrategieën. Bovendien gaat het volledig kapot als een klant maar gedeeltelijk churnt, met andere woorden, alleen stopt met het kopen van bepaalde diensten of producten.

Wanneer je klanten automatisch bestempelt als churned na een vast tijdvenster, wordt er geen rekening gehouden met het gedrag van elke klant in de context. Veronderstel deze benadering toe te passen op persoonlijke relaties. Als je je partner na drie weken stilte belt, krijg je een ferme uitbrander. Aan de andere kant heeft het helemaal geen zin om je collega om de twee dagen te sms’en tijdens zijn zomervakantie.

Machine Learning is de sleutel tot het maken van gepersonaliseerde oplossingen die het zware werk doen

Voor de datagestuurde marketeer is het nu nog gemakkelijker om het klantverloop te begrijpen op manieren die voorheen gewoon niet mogelijk waren. Dezelfde impact die klantgegevens hebben op het uitzoeken wat voor soort e-mailmarketingberichten bij klanten zullen resoneren, kan worden gebruikt om precies te begrijpen hoe en waarom, en nu, wanneer klanten churnen. Het wordt niet langer betwist dat machines beter zijn in het berekenen van cijfers en kansen dan wij. Nog belangrijker is dat algoritmen en modellen voor machine learning zich nu vertalen in computerprogramma’s die zich kunnen aanpassen aan de informatie die wordt verwerkt. Door modellen te gebruiken die rekening houden met recentheid, frequentie en geldwaarden van klanten die eerder hebben gekocht, kunnen deze modellen niet alleen het klantverloop berekenen, maar ook een stap verder gaan en voorspellen.

Machine Learning helpt patronen van koopgedrag op te sporen door enorme hoeveelheden gegevens te doorzoeken en gemeenschappelijke kenmerken van klantgedrag te identificeren. Dit vertaalt zich in de mogelijkheid om te identificeren welke soorten klantacties het vaakst tot churn leiden, zelfs als die actie iets kleins is of niet gemakkelijk meetbaar. Het belang van het voorspellen van klantverloop is niet alleen de verstrekte gegevens, hoewel dat op zich behoorlijk belangrijk is. Het echte belang ligt in wat marketeers en verkopers vervolgens met die informatie kunnen doen, namelijk deze gebruiken om uw klanten beter te begrijpen en hen te bereiken op basis van waar ze zich bevinden in de levenscyclus van de klant. Het verandert iets dat informatief of analytisch is en gaat een stap verder om het bruikbaar te maken. Door te identificeren welke klanten het risico lopen om te churnen, weet u wanneer u hen een aanbieding moet sturen om ze terug te winnen. Door te voorspellen wanneer de kans het grootst is dat ze weglopen, krijgt u de informatie die u nodig hebt.

ML2Grow’s persoonlijke benadering om klantverloop te voorspellen

Advertenties en aanbiedingen zijn belangrijk om uw klanten beter te informeren over uw assortiment. Via drukwerk, online advertenties en nieuwsbrieven vindt deze informatie zijn weg naar de klant, alleen wat zijn de artikelen die u aanbeveelt? De best mogelijke selectie van artikelen maximaliseert het aantal verkopen, maar elke klant is uniek en dus is een gepersonaliseerde selectie ook noodzakelijk. Het succes van wereldspelers als Netflix, Amazon of Facebook bewijst de enorme kracht van deze persoonlijke aanpak. We hebben dit besproken in onze vorige blogpost hoe u uw verkoop kunt stimuleren met aanbevelingssystemen.

Als u dit combineert met ons aanbevelingssysteem om de timing van uw aanbiedingen precies goed te krijgen, komt dit neer op een serieuze klantinteractie op het volgende niveau.

Bekijk onze use case met HLS in hoe we een aangepast analyse-, ontwikkelings- en visualisatieplatform hebben gemaakt voor klantverloop en hoe we dit hebben geïntegreerd met hun verkoopteam.

Door te voorspellen hoe waarschijnlijk het is dat een klant zal churnen en wanneer ze zullen churnen, kunnen marketeers preventief omgaan met relevante aanbiedingen, waardoor verloren klanten weer in de koopcyclus worden gebracht. Mensen zijn echter om een aantal redenen geen klant meer, wat het voorspellen van deze waarde buitengewoon moeilijk maakt.

Meer dan ooit zien we dat algemene churn-voorspellingsalgoritmen die out-of-the-box worden aangeboden in dataplatforms meer kwaad dan goed doen, omdat ze zijn ontworpen om op een algemene manier te werken en de specifieke kenmerken van uw unieke bedrijfsklant niet begrijpen.

Neem bijvoorbeeld de volgende afbeelding uit een echte use-case waarin klassieke en algemene AI-modellen niet echt intelligente systemen zijn.

De grafiek geeft de hoeveelheden verschillende artikelen weer die een specifieke klant in de loop van de tijd heeft gekocht en de verschillende lijnen vertegenwoordigen verschillende producten. Merk je iets speciaals op? Sterker nog, telkens wanneer de klant het oranje product meer kocht, bestelde hij minder van het blauwe product en vice versa. In deze setting zou een klassiek out-of-the-box-systeem constant het individuele productverloop van een van de twee items voorspellen. In werkelijkheid was de klant echter al jaren een trouwe klant en had hij gewoon meer van het oranje product nodig als het warm was en meer van het blauwe product als het buiten koud was.

Hier komen onze op maat gemaakte machine learning-modellen van pas om voorspellingen te doen. Een nauwkeurig churn-risico wordt individueel per klant berekend op basis van de kennis en inzichten die uit al uw klantinteracties worden gehaald.

Deze aanpak geeft bedrijven een dieper en nauwkeuriger inzicht in het gedrag van elke klant. Het geeft je ook een veel betere kans om duurzame klantrelaties te bevorderen. Met deze kennis kunnen bedrijven op het juiste moment gepersonaliseerde campagnes voor klanten gebruiken om loyaliteit en klantbetrokkenheid te stimuleren.

ML2Grow heeft een methode ontwikkeld om het klantverloop nauwkeurig te voorspellen, waarbij onze unieke aanpak voor het berekenen van individuele churn-cut-offs fundamenteel is. Deze methode is getest en gevalideerd als een nauwkeurige en effectieve methode.
Joeri Ruyssinck, CEO ML2Grow

Relax en focus je op de essentiële zaken met onze geavanceerde churn-voorspellingstechnologie

We bieden om te beginnen een cloudgebaseerd churn-voorspellingsplatform dat ook kan worden gecombineerd met onze aanbevelingsengine: voor elke klant wordt een risicobeoordeling gemaakt op basis van de periodieke gegevens van verkochte artikelen. We laten zien hoe u veranderend klantgedrag kunt detecteren en hoe u klanten kunt identificeren die op het punt staan hun abonnement of aankopen op te zeggen. We laten zien hoe dit kan worden vermeden met een gepersonaliseerde aanpassing.

Dankzij het voorspellen van klantverloop behoudt u de focus en voorkomt u dat dure inspanningen bij het verwerven van klanten verloren gaan. Meer specifiek in de detailhandel en groothandel heeft ML2Grow uitgebreide ervaring met aanbevelingssystemen (die klantspecifieke productaanbevelingen geven, of de distributeur specifiek klanten aanbeveelt die openstaan voor een bepaald product) en churn-voorspelling, die automatisch de klanten identificeert met een verhoogd risico. Deze technieken kunnen ook omgekeerd worden gebruikt: het identificeren van de slechtste aanbevelingen en de klanten met het laagste risico op churn of dus de hoogste acceptatiegraad.

Zonder al te veel te onthullen over het geheime recept van ML2Grow’s voorspellingstechnologie voor klantverloop, vertrouwt de aanpak op een specifieke individuele churn-cut-off berekening en een unieke aanpassing van het probleem aan een meer traditioneel classificatieprobleem. Door meer geavanceerde modellen te gebruiken, kunnen we extra informatie in het systeem vastleggen, zoals details over de klant, de bestellingen en de producten of diensten die worden verkocht.

Neem vandaag nog contact met ons op voor meer informatie over hoe we u kunnen helpen met ML2Grow’s Customer Churn Prediction-technologie. Sta ons toe om uw marketingcampagnes eenvoudig te optimaliseren om bestaande klantenuitgaven te verhogen en klantenverloop te verminderen.