twoday kapacity Customer Churn & Retention Framework

Churn-modellen bruger machine learning og dine data til at forudsige, hvor sandsynligt det er, at hver enkelt kunde forlader forretningen. Ved brug af performance metrics og en test-periode kan vi måle, hvor præcist churn-modellen kan forudsige, hvilke kunder der vil churne. Vil du vide mere om, hvilke data churn-modellen skal bruge, kan du læse dette blogindlæg.

Retention Value er en samlet score, der bliver beregnet ud fra kundens sandsynlighed for at churne sammenholdt med kundens værdi for forretningen. Det er ikke nødvendigvis den bedste løsning at gå efter de kunder med størst sandsynlighed for at forlade dig, hvis de ikke er værdifulde for forretningen – det tager Retention Value højde for.

På baggrund af vores churn-model kan vi analysere på globale og lokale effekter. Globale effekter ser på de overordnede trends fra churn-modellen. Det kan f.eks. være, at kunder, der ikke modtager nyhedsbrev – eller en særlig aldersgruppe – har særlig høj risiko for at churne. Fra de lokale effekter kan du se, hvordan hver churn-driver påvirker hver enkelt kunde, hvad de vigtigste drivers er for netop den kunde man kigger eller interagerer med og hvor stor en indflydelse den specifikke driver har.

Den viden, vi opnår, når vi ser på churn-effekter, kan vi bruge til at foretage retention actions. I første omgang handler det om at segmentere kunderne for i sidste ende at finde frem til de kunder, der kan overtales til at blive med den rigtige kommunikation og de rette handlinger. Her er one-size-fits-all ikke godt nok – der er brug for skræddersyede forslag, da kunder reagerer forskelligt og har brug for forskellige tiltag og produkter.