Kde a koho zachraňovat
Pokud vám utíkají zákazníci, je to vždy nemilá situace. Když jste na vysoce konkurenčním trhu, jako jsou telekomunikace nebo banky, je to o to nepříjemnější, že produkty se v zásadě podobají produktům konkurence. Firmy v posledních letech zásadně posilují postupy k udržení svých zákazníků, protože získávat stále nové zákazníky je dražší a dražší.
Udržujte funkční vztahy
Dokud jsou zákazníci ve vztahu s firmou spokojení, je nejjednodušší je v tomto stavu udržet. Správná loajalitní strategie firmy tedy zahrnuje tradiční marketingový mix složený z produktu, reklamy, distribuce a ceny. V dalším kroku firma uvažuje o loajalitě svých zákazníků dále a přichází s věrnostním programem. Ten má za cíl budovat několik vazeb se zákazníky. Obvykle vnímáme jako první a nejsilnější vazbu finanční. To v zásadě znamená, že nám někdo dá jako věrnému zákazníkovi slevu. Vedle toho funguje dobře vazba sociální, kde věrným zákazníkům dáváme více informací než ostatním a chováme se k nim hezky. Vytvoříme pro ně například nějaké události, na kterých se mohou setkat, poděkujeme jim taškou zdarma nebo bezplatnou dopravou apod. Těm nejlepším pak dáme hmotný dárek.
Nespokojenci na tahu
Ať chceme nebo ne, v odvětvích, kde se platí měsíční poplatek, se přesto začne rodit skupina nespokojených zákazníků. Tito buď začnou volat a stěžovat si na výši platby, nebo začnou rovnou odcházet.
Aby se tak nedělo, připravují marketingové oddělení tzv. retenční nabídky. V rámci těchto nabídek se vybraným zákazníkům zlepšují podmínky tak, aby zůstali.
Reagujte na své stížnosti
Prvním krokem v obraně zákaznické báze je tzv. reaktivní retence. Operátoři firmy v této fázi sedí na pasivní lince a nabízí výhody těm, kde zvažují přechod ke konkurenci, nebo si stěžují. Retenční nabídka musí být i v tomto případě dostatečně zajímavá na to, aby zákazníky přesvědčila.
Vězte o výpovědi dříve než zákazník
Pokud máte vyřešenu reaktivní retenci, v bance či v telekomunikacích musíte umět téměř vždy předvídat ohrožení ještě dříve než sami zákazníci. K tomu slouží analytická technika, které se říká churn-prediction, a předvídá riziko odchodu zákazníka.
Modelové riziko se počítá tak, že se model učí na příkladech zákazníků, kteří již v minulosti odešli. V charakteristikách odešlých zákazníků je obvykle něco, co je odlišuje od zákazníků průměrných. Podezřelé jsou například extrémně vysoké účty, které dokážou většinou zákazníků rozčílit, nebo je vedou k zamyšlení, zda by nebylo u konkurence levněji. Dále má spoustu společností ve svých portfoliích produkty, které jim doslova zabíjí zákazníky. U bank to mohou být nejabsurdnější ze všech poplatků, u telekomunikací byl „oblíben“ například datový roaming, který dlouhá léta vyvražďoval zákaznické řady. V IT si vzpomeneme na Windows Vista, pamětníci na produkt Microsoft Bob, nebo na úplně první verze Windows.
Pokud to není výše účtu nebo produkt- zabiják, pátrá se po dalších příčinách. Typicky se namodeluje například 1.000 proměnných, které by teoreticky mohly mít vliv na výpověď zákazníka. Statistickou technikou se pak z této množiny vyberou ty proměnné, které skutečně vliv mají. Kromě výše zmíněných, i zákazníci, kteří nevykazují žádnou aktivitu, mohou být v ohrožení, stejně jako ti, jejichž obchodní či životní partner již utekl ke konkurenci. Takoví zákazníci padnou do ohrožené skupiny, a můžeme jim poslat „udržovací“ (retenční) nabídku, která jejich ohrožení „neutralizuje“.
Obrázek: Zjednodušené schéma modelu pro detekci ohrožených zákazníků - rozhodovací strom.
Typický model pro predikci ohrožených zákazníků je buď rozhodovací strom, který znázorňuje dělení rizika po větvích, nebo regresní model, který sčítá jednotlivá rizika do rovnice. Výhodou rozhodovacích stromů je, že jsou do určité velikosti velmi přehledné, a dá se na nich názorně demonstrovat, z jakých zdrojů ohrožení zákazníka pramení (viz obrázek). Sčítání rizik v regresních rovnicích je naopak pro běžné uživatele nečitelné, a proto se nahrazuje profilací ohrožených zákazníků. Zvláštní kapitolou jsou pak predikce pomocí neuronových sítí, kterým obvykle nerozumí ani sami analytici, jež je tvoří. Takovým modelům na principu „černé skříňky“ ovšem vedení konzervativních podniků příliš nedůvěřuje. Jednoduché modely tak mají v obchodní praxi přednost před nepřehlednou spletí čar a čísel.
Obrázek: Výstup modelu – dělení zákaznické báze dle rizika výpovědi
Učte se z vlastních chyb
Ačkoli primárním cílem modelu předpovědi výpovědí (churn prediction) je okamžitá záchrana vytipovaných ohrožených zákazníků; může firma zvolit i systémové řešení a interpretovat význam modelu. Když se zamyslíte nad tím, jaké toxické produkty otravují vaše zákazníky, můžete jich zachránit obrovský počet změnou těchto produktů. Pokud nějaká část plateb postrádá ospravedlnitelný smysl pro vás, jak se na ní asi tváří zákazníci? Bude na místě změna cenové politiky. Výstupem modelu tedy nemusí být jen seznam zákazníků k záchraně, ale také seznam firemních politik k přepracování. Komplexní využití modelu ke změně firemní politiky je sice bolestnější, ale může znamenat výrazně větší ziskový potenciál z retenčních aktivit.
Kdo předpovídá výpovědi
Na českém trhu churn prediction poskytují největší databázové firmy a oddělení přímého marketingu velkých reklamních společností. Obrátit se můžete také na data miningové specialisty, jako je naše společnost. Největší banky a operátoři si sestavují modely sami v interních oddělení plných zkušených analytiků.
Původně pro časopis Computer
