Zo maak je in 7 stappen een ‘predictive churn model’

Elk bedrijf heeft te maken met ‘churn’: klanten die hun abonnement opzeggen of geen producten en diensten meer afnemen. Slimme organisaties gaan dit klantverloop te lijf door de zogenoemde ‘churn rate’ te voorspellen en gerichte marketingacties op te zetten om twijfelende klanten aan zich te blijven binden. Maar hoe zet je een ‘churn predictive model’ op en maak je er effectief gebruik van binnen de organisatie?  

Er zijn twee basisvormen van churn: ‘subscription churn’ en ‘non-subscription churn’. Met een abonnementsmodel, ongeacht de duur hiervan, kunnen klanten hun contract met een aanbieder op een zeker moment opzeggen. Het definiëren van de doelgroep voor marketingacties is hierbij relatief eenvoudig: het is namelijk precies bekend wanneer het contract vernieuwd kan worden. Bij diensten zonder abonnement of bepaalde contractduur is de churn een stuk lastiger te voorspellen. Een klant kan namelijk op elk moment besluiten niet langer gebruik te maken van de diensten of producten van de leverancier. Dit proces gaat dikwijls geleidelijk: een klant schaft in een bepaalde tijdsperiode minder aan alvorens er helemaal mee stoppen.

De zeven stappen zijn voornamelijk bedoeld om juist deze ‘non-subscription churn’ te voorspellen en aan te pakken. Non-subscription churn is zeer geschikt voor een predictive model, omdat er geen sprake is van een specifieke tijd waarop een abonnement vernieuwd kan worden en het op het eerste gezicht onduidelijk is wanneer doelgroep klaar is voor marketingacties. Daarnaast vereist non-subscription churn samenwerking tussen verschillende teams binnen een organisatie. De business-analisten merken de churn op – bijvoorbeeld door een gebrek aan actie in de voorbije weken, maanden of jaren – en zorgen samen met de data-teams voor een goed model.

Overigens zijn er bedrijven die zowel te maken hebben met subscription als non-subscription churn. Denk hierbij een aan bank, waarbij de meeste diensten zonder contractvorm worden afgesloten, maar er voor het gebruik van een creditcard wel een jaarlijkse bijdrage wordt betaald.

De zeven stappen voor een predictive churn model:

1. Begrijp de business

Allereerst is het cruciaal om een goede definitie van churn te maken specifiek voor jouw organisatie of bedrijf. Een te lange ‘churn period’ heeft als risico om ‘predictive models’ te creëren met onnatuurlijk lage churn rates. Een te korte churn period maakt het voor marketingteams onmogelijk om de preventiecampagnes te evalueren, omdat ze het verschil niet kunnen zien tussen organische acties (gebruikers of klanten die ook zonder interventie zouden terugkomen) en effectieve campagnes.

Het is sowieso raadzaam om vooraf een basis-analyse uit te voeren om te kijken welke gebruikers er meegenomen moeten worden bij een churn-analyse. Neem bijvoorbeeld een klant die eenmaal een product heeft gekocht, is dit een churner als hij niet meer terugkomt? In dit geval is het waarschijnlijk slimmer om een drempelwaarde van een x aantal bestellingen over een bepaalde periode in te stellen.

Daarnaast is essentieel om vooraf vast te stellen wat er met de churn-voorspellingen zal gebeuren. Het marketingteam moet een concreet plan hebben, anders lopen organisaties het risico veel te investeren in modellen die onder in de la belanden. Churn-voorspellingen kunnen worden gebruikt voor korte termijn-oplossingen, zoals marketingcampagnes om klanten terug te winnen. Maar ze tonen vaak ook dieperliggende problemen aan. Zo kan een fout in een product ervoor zorgen dat klanten niet terugkeren. Door dit aan te passen, zal de churn rate in de toekomst naar alle waarschijnlijkheid lager zijn.

2. Verzamel de juiste data

Een organisatie heeft minimaal een vorm van klantinformatie en een datum (en tijd) van de laatste interactie nodig om een basismodel te ontwerpen. Natuurlijk zorgt meer data voor betere modellen met meer details. Denk hierbij aan demografische informatie over gebruikers of specifieke data over klantinteracties. Oftewel: ‘the more sources, the better’.

3. Onderzoeken en voorbereiden

De data onderzoeken en voorbereiden is een belangrijk onderdeel in het proces, omdat dit zomaar 80 procent van de totale tijd voor het project kan besparen. Het is raadzaam om te onderzoeken wat de verschillende variabelen in de dataset betekenen, alvorens te beginnen met het opschonen en aanvullen van de informatie zodat alle data uniform is.

4. Verrijken

Zijn er verschillende datasets die beide bruikbaar zijn? Voeg ze dan samen. De essentiële informatie (klantdata + datum/tijd klantinteractie) kan hier worden aangevuld met bijvoorbeeld demografische informatie of de tijd tussen twee aankopen of de gemiddelde duur van een aankoopproces. Uiteraard is het hierbij belangrijk om data te gebruiken die ook daadwerkelijk waarde heeft voor het predictive churn model.

5. Tijd om te voorspellen

Een organisatie wil uiteraard dat een predictive model leert wat zij willen weten. Een van de bekende valkuilen bij churn modelling is dat het model wordt getraind op zowel toekomstige events als gebeurtenissen in het verleden. Om deze veelgemaakte fout te voorkomen, is het belangrijk om te denken in het moment dat het model gebruikt zal worden: welke data heeft de organisatie dan nodig? Voor welke tijdsperiode wil de organisatie de voorspelling weten, over een week, maand of een jaar?

Een belangrijk stap bij het voorspellen, is de interactie en iteratie tussen predictive modelling en het toevoegen van features. In de vierde stap is de data verrijkt, nu is het tijd om te zien of deze aanvullingen ook daadwerkelijk bijdragen aan het model. Zorg eerst voor een kleine set aan features en test de performance van de modellen. Voeg dan stap voor stap nieuwe informatie toe en evalueer het effect op de nauwkeurigheid van het model.

Om het beste model te vinden, is het belangrijk een meetmethode te hebben die aansluit bij de bedrijfsbehoeften. Dit klinkt misschien ingewikkeld, maar de juiste metric kan een wereld van verschil maken. Het doel kan voorbeeld zijn om iedereen te identificeren met een kans groter dan N om te churnen. Het marketingteam benadert al deze klanten met de ambitie ze te behouden. Als het budget echter krap is en het marketingteam keuzes moet maken, dan is het beter om te kijken naar de ‘lifetime value’ van een klant die op het punt staat te stoppen met het afnemen van producten of diensten.

6. Visualiseer

De zesde stap is het beschikbaar maken van de informatie voor het marketingteam via visualisaties. Dit stelt het eindgebruikers – in dit geval marketeers – in staat om de data snel en eenvoudig te begrijpen. Zorg dus dat de visualisaties voldoen aan de vraag van je afdeling, anders is het alsnog zonde van de tijd en energie. Een aantal visualisaties die handig zouden kunnen zijn voor de marketingafdeling zijn: de verandering van churn door de tijd heen en de targeted churners of product features die van invloed zijn op de churn. 

7. Itereer en gebruik

Welk model is effectief? Hier bepalen de data-analisten de business samen welke modellen ze effectief kunnen inzetten. Natuurlijk moet het model daarna ook daadwerkelijk worden gebruikt. Een keer kijken naar de churn of modellen blijven evalueren, zonder echte actie te ondernemen, heeft maar weinig positief effect op de terugloop van churn.  

Een succesvol model – en dan?

Nadat er een succesvol predictive churn model is gemaakt, is de volgende stap het ondernemen van acties op basis van de voorspellingen. Veel bedrijven maken de verkeerde keuze om de churners met de hoogste score (met andere woorden: ‘most likely to churn’) aan te pakken, terwijl het veel slimmer is om een poging te wagen die groep daar net onder voor het bedrijf te behouden. Slimme teams maken een model waarbij ze klantgroepen clusteren en kijken naar de ROI van marketingcampagnes. Met andere woorden: je target diegenen die waarschijnlijk goed zullen reageren op een marketingactie. Om deze groep te behouden worden vaak korte marketingacties, zoals speciale deals of kortingen, ingezet. Welke acties het meeste effect hebben? Dat kun je weer meten met een ander model.