In marketingland heet dit ‘predictive churn’. In deze blog over klantbehoud wordt er besproken wat een predictive churn analyse voor uw bedrijf kan betekenen. In de volgende blog leest u hoe u zelf een predictive churn model opzet. De laatste in deze reeks helpt u predictive churn te integreren in uw bedrijfsprocessen.
Het terugdringen van de churn ratio is een van de eerste en belangrijkste stappen voor bedrijven die aan de slag gaan met data driven marketing. Het in kaart brengen van klanten die mogelijk weglopen en het terugdringen hiervan is een relatief ‘eenvoudige’ manier om uw winstgevendheid te verbeteren. Immers, het werven van nieuwe klanten kost uw bedrijf gemiddeld 7 keer meer dan het behouden van een klant. Ook kunt u met relatief weinig data al een verschil maken: een goede business case dus om te bewijzen dat data driven marketing vruchten afwerpt. Wat bedoelen we precies met predictive churn?
Predictive churn is gebaseerd op de gedachte ‘the near future will be similar to the near past’. Als u inzicht heeft in waarom klanten in het verleden afscheid van u namen, weet u ook waarom klanten dat in de toekomst gaan doen. Met dat inzicht kunt u actie ondernemen om klanten te binden en klanten te behouden.
"The near future will be similar to the near past."
Veel bedrijven zijn gefocust op nieuwe klanten werven, terwijl klanten behouden en klanten binden juist voor enorme winst kan zorgen. Waarom veel moeite steken in het binnenhalen van klanten aan de voordeur, terwijl ze er via de achterdeur harder uitlopen? Slechts 1% ‘churn’ (weglopende klanten) terugdringen kan al zorgen voor een grote verbetering in uw winstgevendheid. Met predictive churn krijgt u:
Maar hoe krijgt u inzicht in al deze waardevolle informatie? Dit begint met het ontwikkelen van een predictive churn model. Onthoud hierbij: dit is geen doel op zich, maar een middel om uw doel te bereiken, namelijk de churn ratio terugdringen. Een goed churn model geeft antwoordt op drie brandende vragen, namelijk: dat u weet wie wanneer wegloopt en waarom.
Het model moet daarnaast ruimte bieden om steeds nieuwe criteria toe te voegen. Gaat het slecht in een bepaalde markt en zijn er veel faillissementen? Dan kan dit effect hebben op de afname van uw producten, omdat dit klantsegment kosten gaat besparen en minder gaat bestellen. Maar denk ook eens aan een wisseling bij uw klant in het bestuur. Vaak nemen directieleden hun eigen netwerk mee naar het bedrijf waar zij gaan werken. Het kunnen allemaal redenen zijn waarom klanten weglopen - en die criteria moeten dus ruimte kunnen krijgen in uw model.
Een predictive churn model kan drie verschillende doelen hebben. Bij deze doelen horen ook drie verschillende modellen en onderzoeksmethodieken. U gebruikt de data dus op een andere wijze om een andere uitkomst te krijgen. Deze drie vormen zijn:
Doel 1: Inzicht krijgen in wie op de korte termijn afscheid nemen. Dit zegt dus iets over wat u op korte termijn kunt doen om klanten te behouden.
Doel 2: Inzicht in factoren waarom bedrijven bij u weglopen. Dit geeft meer inzicht in wat u op de lange termijn moet doen om uw propositie, service of kwaliteit te verbeteren en klanten te binden.
Doel 3: Inzicht in hoe lang bepaalde segmenten klant bij u blijven en wanneer zij weglopen, zodat u weet wat de lifetime per klantsegment is. Dit zegt meer over aan wie u aandacht moet schenken en waar u minder hoeft te investeren
"Een goed churn model geeft antwoordt op drie brandende vragen, namelijk: dat u weet wie wanneer wegloopt en waarom."
Definitie van een verloren klant: Allereerst is belangrijk dat iedereen met dezelfde definitie werkt van ‘wanneer een klant wegloopt’. Meestal zegt een klant immers niet op, hij bestelt gewoon niet meer. Wanneer krijgt hij dan de titel ‘churn’? Na een week? Een maand? Een jaar?
Data, data en nog eens data: Vervolgens heeft u data nodig. Afhankelijk van hoeveel data u beschikbaar heeft – en dus hoe volwassen u bent aan de hand van het data driven maturity model – kunt u zowel interne als externe bronnen gebruiken. Hoe beter en vollediger uw data en uw model is, des te beter is uw inzicht. Echter: ook bij predictive marketing geldt dat u met 20 procent inspanning al 80 procent van het resultaat behaalt. Richt uw energie dus vooral op gegevens die u relatief eenvoudig boven water kunt krijgen.
Juiste data: Een ander belangrijk onderdeel in het proces is dat u zeker weet dat uw datakwaliteit goed is. Is de informatie up-to-date? Kunt u zowel vanuit uw offline als online touchpoints de klant herkennen als één en hetzelfde bedrijf?
Waarschijnlijk denkt u nu ‘dat is alleen iets voor de grote jongens’ met een hoge omloopsnelheid, of enkel voor B2C bedrijven met veel klanten. En gedeeltelijk heeft u dan gelijk. Grote (B2C) bedrijven beschikken over veel data en dus is het logisch dat juist telecom-, energie- en bijvoorbeeld verzekeringsbedrijven al jaren bekend zijn met predictive churn.
Toch kunnen ook iets kleinere bedrijven profiteren van het inzicht in klantbehoud, zolang de kosten maar lager zijn dan het rendement. U kunt klein beginnen door op cruciale momenten uw klanten na te bellen. Dit klinkt heel logisch, maar veel bedrijven slaan deze stap over.
Voorbeeld situatie: Bij een bedrijf bleek het aantal opzeggingen erg hoog na de eerste bestelling. Nader onderzoek wees uit dat klanten in het begin meer instructies nodig hadden bij het product. Klanten die daar het geduld niet voor hadden, haakten af. We hebben vervolgens twee testgroepen gestart:
Groep 1: Klanten die niet gebeld werden na de eerste verkoop
Groep 2: Klanten die wel gebeld werden na de eerste verkoop
Ondanks dat groep twee meer resources (en dus geld) kostte, bleek de churn ratio veel lager na een belletje. Na een simpele rekensom bleek het meer geld te kosten klanten kwijt te raken dan te investeren in klantcontact na de eerste bestelling. Met makkelijke eerste stappen, kunt u dus al goed resultaat bereiken. Bedenk eens welke eerste stap u kunt maken.
"Marketing moet veel meer feitelijke kansberekening worden in plaats van ‘spray and pray’."
Bent u overtuigd om aan de slag te gaan en uw klantbehoud te verbeteren? Lees dan in de volgende blog hoe u daadwerkelijk een predictive churn model opzet. Als u beide aspecten kunt combineren (klanten behouden en klanten beter laten converteren) kunt u op korte én op lange termijn het resultaat van uw marketingcampagnes aanzienlijk verbeteren.
Whitepapers
De laatste best practices in credit, risk en data management.
Maturity model data driven marketing
Naar een datagedreven organisatie.
Analyseer en voorspel u klantgedrag
In 10 stappen naar klantsegmentatie.
Gerelateerde blogartikelen
De laatste trends in credit, risk en data management.