Churn-voorspelling is een methode om relatief snel winst te maken met machine learning. De potentiële waarde ervan voor een organisatie is enorm, waardoor het een geweldig proof of concept (POC) -project is. Wanneer je kan voorspellen welke klanten mogelijk gaan opzeggen kan je hier beter op inspelen en met extra acties het opzeggen voorkomen.
Aangezien het 5 tot 10 keer meer kost om een nieuwe klant te werven dan om een bestaande klant te behouden, lijkt het duidelijk dat alle bedrijven een zekere mate van churn-preventie moeten aangaan. Vanwege zijn zakelijke impact en zijn relatief eenvoudige uitvoering is churn-voorspelling voor veel soorten bedrijven een geweldig eerste project om aan te pakken met machine learning en AI.
‘Het werven van nieuwe klanten kan 5x meer kosten dan het tevreden stellen en behouden van huidige klanten. Een toename van 2 procent in klantbehoud heeft hetzelfde effect op de winst als kostenbesparingen met 10 procent. Het gemiddelde bedrijf verliest elk jaar 10 procent van zijn klanten. Een vermindering van 5 procent in het aantal defecten bij klanten kan de winst met 25-125 procent verhogen, afhankelijk van de branche’
Bij het bouwen van een op machine learning gebaseerd model moet men oppassen dat het model daadwerkelijk het juiste leert, dit is ook zeker het geval bij het voorspellen van churn. Een van de veel voorkomende valkuilen voor een project voor het modelleren van churn, is dat het model getraind moet worden op gebeurtenissen in het verleden en in de toekomst. Om dit te kunnen doen moet u nadenken over wat het model zal weten wanneer het eenmaal in productie is genomen. Hiervoor moet u binnen de organisatie kijken naar de volgende onderdelen:
- Zijn de gegevens beschikbaar? Ook van langere tijd terug?
- Gebruik van tijdschema’s. Wat is de waarschijnlijkheid dat een klant gaat opzeggen in de komende week? En binnen de komende maand?
Een ander veel voorkomende valkuil is het ontwikkelen van een model dat alleen klanten voorspelt waarbij het onvermijdelijk is dat ze gaan opzeggen en die niet meer gevoelig zijn voor marketingacties. In plaats daarvan moeten modellen de mensen aangeven die er over denken om op te gaan zeggen en een vroeg waarschuwingssysteem activeren.
Ten slotte is de laatste valkuil om een churn-model te zien als een eenmalige studie. Meerdere beoordelingen en iteraties creëren een succesvolle strategie om klantloyaliteit te behouden en te vergroten. Dit zal waarschijnlijk ook de schaalbaarheid en reproduceerbaarheid van het project verbeteren.