Asiakaspoistuman ennakointi

Tutkimusten mukaan uuden asiakkaan hankkiminen on merkittävästi kallimpaa kuin nykyisen asiakkaan pitäminen. Asiakaspoistuman (churn) minimointi on siis asia, johon kannattaa panostaa. Tässä blogissa tullaan käymään läpi, miten prediktiivistä analytiikkaa hyödyntämällä voidaan asiakkaan poistumariskiä ennakoida ja myös ennakoivilla toimenpiteillä minimoida.

Asiakaspoistumaan vaikuttaa usein erilaisia tekijöitä riippuen toimialasta tai siitä, ovatko asiakkaat kuluttajia vai yrityksiä. Tällaisia tekijöitä ovat tyypillisesti esimerkiksi mitattava asiakastyytyväisyys ja muutokset asiakkaan ostokäyttäytymisessä. Asiakastyytyväisyyttä voidaan usein mitata suoraan asiakastyytyväisyyskyselyillä tai tehdä analyysiä asiakkaan viestinnän sävystä. Asiakkaan ostokäyttäytymisen luokitteluun ja sen muuttumisen tarkkailuun yleisesti käytetty menetelmä on RFM-segmentointi. Tässä blogissa tarkastellaan tarkemmin RFM-segmentin vaikutusta asiakkaan poistumariskiin.

Lyhenne RFM koostuu sanoista Recency (viimeaikaisuus), Frequency (lukumäärä) ja Monetary (rahallinen määrä). Näiden kolmen ostokäyttäytymistä kuvaavan elementin avulla voidaan asiakkaista muodostaa kolmiulotteinen matriisi ja valita sitten manuaalisesti tai klusteroimalla (etsitään x määrä riittävän erilaisia segmenttejä) raja-arvot, jotka rajaavat asiakkaat määriteltyihin segmentteihin. Alla olevassa kuvassa on havainnollistettu, miten muuttujista R (aika viimeisestä ostosta) ja F (ostojen lukumäärä) voidaan matriisissa muodostaa neljä erilaista luokitusta: VIP, Uusi, Passiivinen, Poistumariski.

 

Asiakkaiden luokittelu tällä tavalla antaa jo paljon työkaluja parempaan asiakkuudenhallintaan, kun voidaan kohdistaa asiakkaaseen erilaisia myynnin, markkinoinnin ja asiakaspalvelun toimenpiteitä ostokäyttäytymisluokituksen mukaan. Tilastollisen koneoppimisen avulla, voidaan kuitenkin tämän pohjalta rakentaa pidemmälle viety malli, joka ennakoi ostokäyttäytymisen muutosten perusteella todennäköisyyksiä asiakkaiden lopettamiseen määritellyn ajanjakson sisällä.

Tällaisen mallin toteuttamiseen tarvitaan asiakaat luokiteltuna RFM-segmentteihin ajassa, esimerkiksi kuukausittain tietyltä ajanjaksolta. Lisäksi tarvitaan listaus lopettaneista asiakkaista ja lopettamisen ajanhetkistä. Tämän jälkeen voidaan koneoppivia algoritmeja (esim. päätöspuita) hyödyntämällä kouluttaa malli, joka ennakoi asiakkaan lopettamista RFM-datan perusteella.

Jakamalla data koulutusaineistoon (esim. 70% datasta) ja testiaineistoon (esim. 30% datasta), voidaan testiaineistolla testata, miten hyvin malli ennusti asiakaspoistumat todellisia asiakaspoistumia vasten. Mikäli malli tuottaa testiaineistolla hyviä tuloksia, se voidaan julkaista käyttöön. Julkaistu malli tunnistaa automaattisesti analysoidun ostokäyttäytymisen perusteella, mikäli asiakas on vaarassa lopettaa. Malli voidaan myös kytkeä osaksi prosessia tuottamaan impulsseja operatiivisiin järjestelmiin. Poistumariskiin liputetuista asiakkaista voidaan esimerkiksi luoda ja vastuuttaa toimenpide asiakasvastaavalle tai lisätä asiakas markkinointiluetteloon, jota kautta asiakkaalle voidaan heti kohdistaa oikeanlaista viestintää.

Asiakaspoistumaa minimoivan mallin toimivuus on usein mitattavissa, kun sitä on käytetty riittävän pitkään. Muutaman kuukauden käytön jälkeen voidaan tehdä jo tilastollista vertailua:

  • Ovatko sellaiset asiakkaat, jotka tunnistettiin lopettamisriskiin ja joihin kohdistettiin ennakoivia toimenpiteitä lopettanut tilauksia vähemmän kuin historiallisesta data-joukosta ne joille tunnistettiin lopettamisriski ja joihin ei kohdistettu ennakoivia toimenpiteitä?
  • Onko lopettaneiden asiakkaiden kokonaismäärä vähentynyt ratkaisun käyttöönoton jälkeen vertailuajanjaksoon verrattuna?

 

Tilastollisen vertailun kautta ratkaisulle voidaan usein arvioida myös rahallinen arvo ja täten laskea investoinnin kannattavuus. Valmista mallia voidaan jatkojalostaa huomioimaan uusia luokituksia ja datalähteitä, joilla mahdollisesti on vaikutusta asiakkaiden poistumariskiin.

Blogissa kuvattu ratkaisu on mahdollista toteuttaa Microsoftin ratkaisualustoilla sekä pilvessä (Azure) että asiakkaan omilla palvelimilla (SQL Server).

 

Tutustu datan käyttöön ja analytiikkaan täältä. Lue myös aiempi blogikirjoitus älykkäästä CRM:stä.

Kirjoittanut

Henri Höglund työskentelee Elisan Liiketoimintaratkaisuissa ratkaisuarkkitehtinä. Tehtäviin kuuluu parhaiden mahdollisten liiketoimintaratkaisujen toteuttaminen asiakkaille hyödyntäen Microsoftin Dynamics 365 -ekosysteemiä.