Obecně platí, že zachránit zákazníka je levnější, než získat nového. Pokud se tedy zrovna nesnažíte zachránit někoho, kdo nemá v plánu odejít... Jak zjistit, u kterých zákazníků je nejvyšší riziko odchodu, jak mu zabránit (a ne ho pouze oddálit) se dozvíte v tomto článku.
Původní verze mi vyšla v CRM Fórum 6/2011
Postup nazývaný churn prediction vyčleňuje zákazníky s nejvyšší pravděpodobností výpovědi, které je třeba marketingově podchytit a zachránit pro vaši společnost.
Churn prediction jako svébytná technika se používá v oblastech, kde zákazníci mají smlouvu na dobu neurčitou a platí měsíčně určitou částku. Nejprve tedy model aplikovaly obory telekomunikací a utilit. Postupně trend „záchrany zákazníků“ následují další obory, jejichž business je založen na smlouvě s koncovými zákazníky, např. banky, pojišťovny apod. Modelování churnu stojí na myšlence, že zachráněný zákazník stojí společnost méně peněz, než zákazník, kterého společnost loví z trhu jako nového.
Odcházející zákazníky by chtěl zachránit každý. Se ztracenými zákazníky vám totiž nevyhnutelně unikají finance.
Churn predicion model obvykle vyčlení skupinu zákazníků, kteří budou vypovídat smlouvy několikanásobně častěji, než zákazníci ostatní. Tito zákazníci mají obvykle „dobrý důvod“ odejít. Typickým výsledem je, že námi vybraná skupina má 2x-5x vyšší pravděpodobnost výpovědi než zbytek zákaznické báze. Podstatná je i skupina, která má nízkou pravděpodobnost odchodu, a můžeme ji tedy zcela vynechat ze záchranné komunikace.
Nejdříve třeba stanovit, jaké důvody mohou vést k možnému ohrožení zákazníků. Mezi zcela zjevné průvodní znaky postupného odchodu ke konkurenci může patřit například příliš malá aktivita zákazníka. Pokud zákazník netelefonuje nebo nepoužívá účet v bance, pravděpodobně jeho provoz již přitáhl konkurent. Také příliš vysoké poplatky mohou signalizovat budoucí problém. Zákazník, kterému se zásadním způsobem nevyplatí pokračovat ve vztahu se společností, bude dříve nebo později zvažovat alternativy.
K možnému odchodu zákazníků mohou však vést další, daleko subtilnější proměnné. Nevhodná volba tarifní služby, špatná dostupnost služeb nebo zákaznického centra patří ještě k těm odhadnutelným. Často ale je zákazník přesvědčen někým blízkým, kdo již odešel ke konkurenci. I takovýto fakt se dá zjistit s transakční historie. Pokud náš zákazník najednou posílá platby do „cizí“ banky, nebo telefonuje najednou pouze k „cizímu“ operátorovi, jeho loajalita je možná narušena odchodem partnera ke konkurenci. Když na to přijde řeč, může partner našeho zákazníka lanařit ke konkurenci. Příliš horečná aktivita na call centru může zase znamenat nevyřešenou stížnost, která zcela podlomí loajalitu zákazníka.
Data miner stojí často spolu s managementem před volbou, jaký model předpovědi výpovědí bude nejlepší. Na jedné straně existují sofistikované modely, řekněme neuronových sítí, které jsou obvykle vysoce účinné. Jejich nevýhodou je téměř úplná nečitelnost, a také riziko rychlého zastarání, které se týká příliš složitých modelů.
Na druhé straně existují čitelné modely, které jednoduše sčítají rizikové faktory. Takovým modelem je například regrese, která převádí rizikový faktor na jednoznačné číslo. Přehledným modelem je často rozhodovací strom, ve kterém se riziko výpovědi větví vizuálně.
Ačkoli analytici se rádi chlubí modely s nejvyšší přesností, praxe nás naučila, že matematicky nejvýkonnější model je málokdy ten nejlepší. Velkým rizikem je přeučení modelu. Příliš složitý model funguje perfektně na jednom časovém výseku, ale když ho přeneseme na jiné časové období, jeho výkonnost rychle klesne. Nezanedbatelnou výhodnou jednodušších, robustnějších modelů je také fakt, že se dají vysvětlit managementu a tím pádem lépe „prodat“ uvnitř organizace. Pro jednoduchost hovoří také snadná implementace a odolnosti vůči „zubu času“.
V mnohých firmách je churn prediction vnímán pouze jako nástroj k výběru zákazníků. Z našeho pohledu je to jednoznačně škoda. Promarněnou příležitostí je často interpretační síla modelu. Model odhalí například, kde vznikají „hnízda“ zákazníků se zcela nevhodnými tarify. Můžeme se dozvědět, kde jsou naše slabá místa proti konkurenci, a jaké racionální důvody mají naši zákazníci ke zvažovanému odchodu.
Pokud se podíváme po jednotlivých větvích rozhodovacího stromu, můžeme se například dozvědět, že naše služby jsou výhodné pouze pro zákazníky, kteří mají účty ve středním cenovém pásmu. Zákazníci s příliš nízkými účty a zákazníci s nejvyššími účty se jeví jako ohrožení. V tomto případě by bylo preventivním opatřením bylo změnit tarifní plány pro vybrané skupiny zákazníků.
Jako v jakékoli jiné marketingové úloze nelze podcenit roli komunikace v prevenci churnu. Správná antichurnová nabídka musí splňovat několik podmínek. Za prvé je jasné, že zákazník na odchodu se málokdy dlouhodobě spokojí se symbolickým zvýhodněním. Pro dlouhodobou loajalitu je nutné, aby marketingová nabídka narovnala vztah mezi zákazníkem a společností do polohy oboustranné výhodnosti. Drobné pozornosti servírované zákazníkům, mohou jejich rozhodnutí odejít pouze oddálit.
Úspěch prevence výpovědí spočívá často v jednoduchém churn prediction modelu, ze kterého je společnost schopna se poučit a udělat procesní změny. Z hlediska marketingových nabídek musí být nabídka atraktivní pro zákazníka a nesmí být ztrátová pro společnost. Anti-churnové aktivity je nutné vyhodnocovat z hlediska přínosu pro dlouhodobou loajalitu a ziskovost. Mnohdy v praxi vítězí jednoduché nabídky nad příliš složitými schématy. Hodnota vložená do zákaznické loajality se však obvykle vrací.
Chcete vlastní anti-churnový model nebo jinou analýzu? Napište nám na info@datamind.cz a očekávejte výhodnou nabídku spolupráce. Provádíme i segmentace zákazníků a ostatní strategické analýzy.
DATA mesh
Šárka Kotlaříková
24. června 2024
DATA mesh
Šárka Kotlaříková
24. června 2024
DATA mesh
Šárka Kotlaříková
24. června 2024
DATA mesh
Šárka Kotlaříková
24. června 2024
DATA mesh
Šárka Kotlaříková
24. června 2024
DATA mesh
Šárka Kotlaříková
24. června 2024
DATA mesh
Šárka Kotlaříková
24. června 2024