Przewidywanie churnu, czyli jak zatrzymać klientów na dłużej?

Czym jest churn i na czym polega jego przewidywanie?

Churn oznacza utratę klienta w określonym czasie. W usługach abonamentowych będzie to zwykle rezygnacja z umowy lub brak jej odnowienia. W handlu może oznaczać zaprzestanie zakupów przez klienta, który wcześniej regularnie korzystał z oferty.

Definicję trzeba dopasować do modelu biznesowego. Inaczej wygląda odejście klienta operatora telekomunikacyjnego, inaczej użytkownika platformy SaaS, a jeszcze inaczej klienta sklepu internetowego.

Jak obliczyć churn rate?

Podstawowy wzór jest prosty:

Przykład z materiałów IBM: firma, która na początku miesiąca miała 75 000 klientów i straciła w tym czasie 300, ma miesięczny churn rate na poziomie 0,4%.

Wskaźnik pokazuje skalę odpływu, ale nie odpowiada na pytanie, którzy obecni klienci mogą odejść w przyszłości. Do tego potrzebna jest analityka predykcyjna.

Model wykorzystuje dane historyczne i bieżące, aby oszacować prawdopodobieństwo odejścia klienta w określonym czasie. Microsoft w Dynamics 365 Customer Insights ma osobne modele dla odejść transakcyjnych i abonamentowych. W pierwszym przypadku model szacuje ryzyko, że klient przestanie kupować, w drugim - że zrezygnuje z subskrypcji lub usługi okresowej.

Różnica względem tradycyjnego raportu jest prosta. Raport mówi, co już się wydarzyło. Model predykcyjny wskazuje klientów, wobec których firma może jeszcze podjąć działanie. Przeczytaj też: ➡️ Od reakcji do predykcji - jak AI zmienia oblicze obsługi klienta?

Jak zacząć przewidywanie churnu?

Dobry model zaczyna się nie od wyboru algorytmu, ale od poprawnego zdefiniowania problemu. Firma musi wiedzieć, co oznacza odejście klienta i w jakim okresie chce je przewidywać.

Kiedy klient jest uznawany za utraconego?

W przypadku abonamentu będzie to najczęściej rozwiązanie umowy lub brak jej odnowienia. W handlu można przyjąć określony czas bez zakupu. Ważne, aby definicja odpowiadała rzeczywistemu zachowaniu klientów.

Model musi również wiedzieć, kiedy nastąpiło odejście. Dzięki temu można powiązać wcześniejsze zachowania klienta z późniejszą rezygnacją i szukać sygnałów, które się przed nią pojawiały.

Jak daleko w przyszłość prognozować?

Firma może potrzebować informacji o ryzyku odejścia w ciągu 30, 90 albo 180 dni. Nie ma jednej wartości odpowiedniej dla wszystkich branż. Operator może analizować klientów przed odnowieniem umowy, firma SaaS - przed kolejnym okresem rozliczeniowym, a sklep internetowy - na podstawie typowej przerwy między zakupami.

Im lepiej okres prognozy odpowiada realnemu procesowi sprzedaży i obsługi, tym łatwiej wykorzystać wynik modelu w rzeczywistości.

Jak wygląda proces budowy modelu?

Algorytm jest więc tylko jednym elementem całego rozwiązania.

Jakie dane pomagają przewidywać odejście klienta?

Model potrzebuje informacji opisujących zachowanie klienta. Największą wartość daje połączenie danych z kilku źródeł.

Spadek aktywności klienta jako sygnał ostrzegawczy

Spadek wykorzystania produktu może być sygnałem ostrzegawczym. Przykłady to mniejsza liczba logowań, rzadsze korzystanie z usługi, spadek liczby transakcji albo rezygnacja z części funkcji.

Sam spadek aktywności niczego jednak nie przesądza. Znaczenie pojawia się wtedy, gdy można go zestawić z innymi zdarzeniami. IBM wśród nietypowych zmian, które warto śledzić w modelach przewidujących odejścia, wymienia nagły przyrost negatywnych opinii klientów, spadek korzystania z produktu oraz więcej próśb o zwrot towaru lub pieniędzy.

Historia kontaktów z contact center

Contact center dostarcza danych, których często nie widać w podstawowym profilu klienta.

Nie każdy częsty kontakt oznacza problem. Klient może intensywnie korzystać z usługi i po prostu potrzebować informacji. Inaczej wygląda sytuacja, gdy kilka kolejnych kontaktów dotyczy nierozwiązanej sprawy.

Sam wynik „wysokie ryzyko" nie wystarczy konsultantowi

Sama informacja, że klient ma wysokie prawdopodobieństwo odejścia, niewiele mówi konsultantowi, który właśnie odbiera od niego telefon.

Znacznie bardziej użyteczne jest połączenie wyniku modelu z informacjami, które pomagają zrozumieć sytuację. Konsultant może zobaczyć na przykład, że klient ograniczył korzystanie z usługi, kilkakrotnie zgłaszał ten sam problem i zbliża się termin odnowienia umowy.

Ma to znaczenie również przy automatyzacji. IVR (Interactive Voice Response) może skierować klienta do właściwej ścieżki obsługi, a bot zebrać podstawowe informacje przed przekazaniem sprawy konsultantowi. W Contactis Automation agent AI rozpoznaje klienta, który wraca z tym samym tematem, zna historię zgłoszenia i może przekazać rozmowę konsultantowi, który prowadził sprawę wcześniej. Dane z takich rozmów powinny jednak trafiać do szerszego obrazu relacji z klientem, a nie zostawać w samym kanale. Przeczytaj też: ➡️ Speech analytics po sezonie: ile rozmów naprawdę sprawdzisz?

Co zrobić, gdy model wykryje ryzyko churnu?

Wynik predykcji powinien trafiać bezpośrednio do procesu obsługi. Sam raport z listą klientów zagrożonych odejściem niewiele zmienia, jeśli nikt nie odpowiada za kontakt z nimi.

Dlatego sygnał wysokiego ryzyka najlepiej zamienić w zgłoszenie: z osobą odpowiedzialną, terminem i priorytetem. W Contactis Ticketing System taka sprawa ma właściciela, historię i termin, którego pilnuje system. Wynik modelu z CRM lub hurtowni danych może trafić do systemu zgłoszeń dzięki integracji systemów w contact center, a lista ryzyka przestaje być arkuszem, który co miesiąc ktoś przegląda.

Pracownik, który przejmuje sprawę, potrzebuje dostępu do informacji, które pomagają zrozumieć sytuację: historii kontaktów, nagrań rozmów, aktywności klienta, nierozwiązanych zgłoszeń czy informacji o umowie. Część z nich i tak powstaje w contact center, więc nie trzeba ich zbierać od zera.

Dopiero wtedy można dobrać reakcję. Klient, który przestał korzystać z produktu, może potrzebować informacji o dostępnych funkcjach. Osoba wielokrotnie zgłaszająca ten sam problem powinna trafić do pracownika, który może go rozwiązać, a jeśli usterka wymaga wizyty serwisanta, zgłoszenie idzie dalej, do dyspozycji i wykonania w terenie. Przy końcu umowy właściwym działaniem może być kontakt zespołu zajmującego się odnowieniami. Przeczytaj też: ➡️ Obsługa posprzedażowa - jak zatrzymać klienta na dłużej?

Sprawa kończy się zamknięciem zgłoszenia z opisem, co zrobiono i z jakim skutkiem. Ta informacja wraca do danych: przy kolejnej wersji modelu widać, które interwencje zatrzymały klientów, a które tylko kosztowały.

Jak ocenić, czy model działa?

Ocena modelu i ocena działań retencyjnych to dwie różne kwestie. W przypadku modelu trzeba sprawdzić między innymi, ilu klientów rzeczywiście zagrożonych odejściem udało się wykryć (czułość) oraz jak często wskazani klienci faktycznie odchodzili (precyzja). Sama dokładność modelu może być myląca, szczególnie gdy klientów rezygnujących jest znacznie mniej niż tych, którzy pozostają.

Z perspektywy biznesowej ważne jest natomiast to, czy predykcja prowadzi do lepszych decyzji.

FCR i AHT pomagają ocenić pracę contact center, ale ich interpretacja powinna uwzględniać rodzaj obsługiwanych spraw.

Przy ocenie działań retencyjnych warto również wykorzystać grupę kontrolną. Dzięki niej można porównać zachowanie klientów objętych interwencją z podobną grupą, wobec której takich działań nie podjęto. Pozwala to lepiej ocenić, czy zaobserwowana zmiana rzeczywiście ma związek z działaniem retencyjnym.

Warto uwzględnić także wartość klienta. Kosztowna interwencja może mieć inne uzasadnienie w przypadku klienta generującego wysoką wartość w całym okresie współpracy niż w przypadku relacji o niewielkiej wartości.

Przewidywanie churnu w różnych branżach

Każda branża ma własne sygnały poprzedzające odejście klienta.

W każdej z tych branż trzeba jednak dopasować definicję odejścia, dane i okres prognozy do rzeczywistego sposobu korzystania z usługi. Nie istnieje jeden zestaw sygnałów, który można bezpośrednio zastosować w każdej firmie.

Kto odpowiada za klienta z wysokim ryzykiem odejścia?

Najczęściej brakującym elementem nie jest algorytm, tylko odpowiedzialność za reakcję. Model może trafnie wskazać kilkuset klientów z wysokim ryzykiem, ale jeśli żaden z nich nie ma przypisanej sprawy i terminu, lista zestarzeje się szybciej, niż ktoś do niej zajrzy.