Jednym z najważniejszych wyzwań stojących przed współczesnymi przedsiębiorstwami jest radzenie sobie z migracją klientów (ang. churn). Waga zagadnienia zapobiegania odejściom klientów jest coraz większa ze względu na konieczność sprostania z jednej strony coraz silniejszej konkurencji, a z drugiej coraz większym wymaganiom klientów domagających się wyższej jakości za niższą cenę. Ponadto migracja klientów (churn) dotyka coraz szerszej grupy branż.
- Telekomunikacji (zob. przykład wdrożenia systemu zapobiegania churn w Netia S.A.)
- Bankowości
- Ubezpieczeń (zob. Analiza churn w TUiR Warta)
- Sieci sprzedaży detalicznej
- Dostarczania energii elektrycznej
- Serwisów internetowych
Przeciwdziałanie migracji klientów jest korzystne, ponieważ koszty pozyskania nowego klienta są zazwyczaj wyższe niż utrzymania obecnych klientów. Warto też zwrócić uwagę, że długoterminowa współpraca z klientem powoduje zwiększenie całkowitej wartości klienta w dwóch aspektach:
- bezpośrednim – poprzez zwiększenie przychodów
- w nieco szerszym znaczeniu – lojalni, długookresowi klienci stanowią najlepszą promocję dla firmy i produktu
Mamy dwa zasadnicze typy migracji klientów:
- z inicjatywy klienta (ang. voluntary churn) – tym razem to klient rezygnuje z produktu
- wymuszone (ang. involuntary churn) – w tym wypadku dostawca decyduje o przerwaniu współpracy, najczęściej z powodu niewnoszenia opłat lub innego naruszenia warunków umowy
W przypadku odejścia z inicjatywy klienta (voluntary churn), chcemy się dowiedzieć, którzy klienci mogą odejść, dlaczego, jakie są objawy zwiększającego się ryzyka odejścia, a także w jaki sposób najlepiej zapobiec odejściu. Ponadto przewidywanie odejść klientów pozwala wyznaczać spodziewany całkowity czas pozostawania klientem i łączną wartość klienta.
Kliknij na obrazek, aby otworzyć broszurę .pdf |
Na pierwszy rzut oka może wydawać się, że przewidywanie wymuszonego odejścia (involuntary churn), jest niecelowe, bo przywidujemy własną decyzję. Jednak w rzeczywistości przewidzenie konieczności podjęcia takiej decyzji może być bardzo użyteczne. W przypadku wymuszonego odejścia naszym celem jest znalezienie klientów, którym w przyszłości będziemy musieli wypowiedzieć umowę. Dzięki temu będziemy mogli zrobić to na tyle wcześnie, żeby nasze straty były jak najmniejsze. Z drugiej strony korzystne bywa zaproponowanie klientowi tańszej usługi, na którą będzie go stać.
Przy zapobieganiu odejściom analizę danych stosujemy do pozyskania ogólnej wiedzy o klientach (dotyczącej całej zbiorowości) i analizy szczegółowej, w której przewidujemy odejście konkretnego klienta. Do uzyskania ogólnej wiedzy o klientach stosujemy m.in.:
- analizę oraz monitorowanie zadowolenia i lojalności klientów (zob. przegląd metod stosowanych do badania lojalności i zadowolenia klientów i przykład stosowania kart kontrolnych do monitorowania zadowolenia klientów)
- badanie potrzeb i preferencji klientów (badania sondażowe) (zob. przykład badania i monitorowania satysfakcji klienta w środowisku internetowym )
- badanie reklamacji
- monitorowanie liczby odejść i wykrywanie trendów
W analizie szczegółowej stosujemy dwa podejścia. Pierwsze z nich to odkrywanie wzorców zachowań. W tym wypadku poszukujemy odpowiedzi na pytania typu „Jakie zdarzania najczęściej poprzedzają odejście?”, „Które segmenty klientów cechują się największym ryzykiem odejścia?”, „Które strategie odzyskania klienta są najbardziej skuteczne?”. Z punktu widzenia analizy w tym podejściu stosujemy tzw. metody bez nauczyciela (inna nazwa to „nieukierunkowany data mining„) takie jak: analiza asocjacji i sekwencji (analiza koszykowa), sieci Kohonena i segmentacja (analiza skupień). Zachęcamy do zapoznania się z przykładami analizy koszykowej i segmentacji w Statistica.
Kliknij na obrazek, aby otworzyć broszurę .pdf |
Drugie podejście do analizy szczegółowej polega na tworzenie modelu przewidującego dla każdego klienta prawdopodobieństwo tego, że w przyszłości zrezygnuje z naszych usług. W tym wypadku stosuje się szeroką gamę technik tworzenia modeli takich jak regresja logistyczna (logit), analiza dyskryminacyjna, drzewa klasyfikacyjne i metoda wektorów nośnych (ang. support vector machine), sieci neuronowe, drzewa wzmacniane (ang. boosted trees). Przykład tworzenia modelu przewidującego odejścia omawia artykuł Drzewa klasyfikacyjne w przewidywaniu migracji klientów (churn), zachęcamy też do zapoznania się z artykułem poświeconym tworzeniu modelu przewidującego, którzy klienci będą w przyszłości korzystać z naszych usług.
Rozwiązania data mining Statistica zawierają wymienione wyżej narzędzia wspomagające zapobieganie odejściom klientów. Ponadto systemy te umożliwiają łatwe stosowanie modeli dla nowych danych. StatSoft Polska oferuje również usługi konsultingowe dotyczące projektów zapobiegania migracji klientów oraz szkolenia dotyczące metod data mining.
Kompletnym rozwiązaniem wspierającym realizacją całego projektu zapobiegania migracji klientów (churn) jest Statistica server. Umożliwia ono łącznie w jednym środowisku modeli data mining, reguł biznesowych, zasad optymalizacji działań, operacji przygotowania danych i stosowania nawet bardzo złożonych scenariuszy decyzyjnych.
Warto przeczytać: