Find hurtigt ud af, hvilke af dine kunder i din kundegruppe der først vil forlade din virksomhed.

Blogindlæg af Milan Mirkovic

At kunne kigge dybt i krystalkuglen og se ind i fremtiden er sikkert højt på ønskelisten for de fleste virksomhedsejere. Hvis I f.eks. kan se, hvilke kunder i din kundegruppe, der snarest vil forlade jeres virksomhed, og hvilke kunder der er mest loyale. En tommelfingerregel siger nemlig, at det koster fem gange så meget at få en ny kunde, som det gør at fastholde de nuværende kunder.

”Modellen fortæller os nu med stor nøjagtighed, dels hvilke kunder der er i fare for at churne, dels hvilke den anser som sikre”

Carsten Dreyer Christensen, chef for forretningsanalyse hos Aarstiderne – læs casen her.

Ny teknologi som Machine Learning, f.eks. baseret Microsoft og open source-teknologier, gør det muligt at identificere potentielle ”churners”. Teknologien, som bliver mere og mere tilgængelig, kan hurtigt og med stor statistisk sikkerhed fortælle dig, hvilke dele af din kundegruppe som er i risikogruppen for at forlade dig – det giver dig din helt egen krystalkugle.

Og hvad kan du så bruge det til? Indsigten i dine kunders adfærd gør dig i stand til at sætte ind, før dine kunder overhovedet ved, at de vil forlade dig. Det skaber derfor stor værdi for din virksomhed at have denne viden, da det giver mulighed for at agere målrettet og plukke nogle af de lavt hængende frugter. I kan handle proaktivt og give kunden det rigtige tilbud ud fra deres specifikke adfærd, så kunden med større sandsynlighed bliver.

Forstå din kundegruppe endnu bedre

Derudover vil du lære at forstå din kundegruppe endnu bedre. Du vil få mulighed for at identificere kunder, som er i risikogruppen for at forlade dig, samtidig med at du får indblik i, hvilke karakteristika dine mest loyale kunder har. Den information kan du bruge til at målrette din marketingindsats. Du kan bruge informationen til at identificere, hvem der ligner dem og systematisk prøve at eliminere, at de også ender i risikogruppen. I sidste ende skal denne viden gøre din virksomhed mere effektiv og gøre det muligt for jer at reducere omkostningerne og øge indtjeningen.

Ved at analysere kunderne i de forskellige risikogrupper yderligere, kan du opnå en bedre forståelse, for de faktorer som ligger til grund for deres beslutning om at forlade virksomheden. Den viden kan du bruge til at investere i marketingsindsatser som vil ændre deres mening. Vores dataindsigt og brede forretningsmæssige erfaring kombineret med kundens egen indsigt giver et kraftfuldt spændingsfelt, hvor vi sammen kan afdække mulighederne for at anvende de opnåede indsigter.

Hvordan kan vi forudsige, hvem der vil forlade dig?

Vi forudsiger det på baggrund af data fra din virksomhed. Alt det data bearbejdes, og på den måde kan vi via jeres eget data fortælle jer, hvilke kunder der med størst sandsynlighed vil forlade jer. Resultatet kan ses på to måder. Fra et statistisk perspektiv – altså hvor god er modellen til at forudsige, hvem der vil forlade virksomheden – eller fra et virksomheds perspektiv – altså hvor mange penge kan der spares ved at kunne ramme potentielle ”churners” og overtale dem til at blive i virksomheden.

Du har sikkert hørt om algoritmer – teknologien er baseret på avancerede algoritmer, der løbende lærer af dine datas historik. Det vil sige, at jo længere tid du anvender analyserer dine data, jo bedre bliver algoritmen og forudsigelserne.

Hvis du synes, at det lyder interessant, så tag vores test og se, hvor meget din virksomhed kan få ud af at arbejde fokuseret med Customer Retention,

Om forfatteren

Milan Mirkovic er Data Scientist hos Kapacity A/S. Milan har over 7 års erfaring inden for open source-værktøjer og teknologier i Data Mining. Gennem de sidste 10 år har han også aktivt været involveret i flere akademiske research projekter inden for feltet. I den seneste tid har han fokuseret på at udarbejde advanced analytics-løsninger baseret på Microsoft-teknologier - forstærket af R og Python.
Se Milans profil på LinkedIn her.

Måske kunne det her også være interessant for dig: