Churn verminderen met Big Data

Abonnementen verlopen, maar je wilt voorkomen dat klanten ook daadwerkelijk opzeggen. Gelukkig is het mogelijk om op basis van data analyse je ‘churn rate’ substantieel te verbeteren.

QUESTHoe kunnen we op basis van klantdata en –informatie voorspellen wie er om welke reden gaat opzeggen en wie zijn contract probleemloos zal verlengen? Onze opdrachtgever werd geconfronteerd met een aanzienlijk aantal opzeggingen en men vroeg zich af welke oorzaken daar werkelijk aan ten grondslag liggen. Wat zijn nu de werkelijke motivaties om een contract te beëindigen en hoe krijgen we al dan niet bevestigd of onze ‘vermoedens’ ook onderbouwd kunnen worden met data analyses. Hoe kunnen we klantgedrag voorspellen? Hoe optimaliseren we klant retentie en hoe voorkomen we churn? De vraagstelling resulteerde ook in een aantal relevante deelvragen: hoe kunnen we op basis van algoritmen automatisch content genereren voor abonnees? Hoe kunnen we machine learning inzetten om informatieartikelen beter te laten aansluiten op de klantbehoeften?

ACTION
GEADATA is gestart met het verzamelen van historische abonnement data. Hieraan werd alle data die mogelijk relevant is voor de keuze die een klant maakt gekoppeld, zoals “ik zeg op/ik blijf”. Beter te veel dan te weinig, is de insteek aan het begin van zo’n traject. Vervolgens is er een logistieke regressie toegepast op deze uitgebreide dataset. Dit kwantificeerde welke variabelen welke mate van invloed hebben op de kans dat een klant blijft of gaat opzeggen. De verkregen inzichten zijn in een model vastgelegd en toegepast op het hele klantenbestand. De klanten krijgen een score tussen de 0 (blijft) en de 1 (gaat weg). Elke maand wordt de top-2000 van de klanten die mogelijk weggaan gebeld met vier verschillende interventies waar ze uit kunnen kiezen (als ze minimaal een jaar verlengen).
Binnen zes maanden is er met de nieuwe data gedreven strategie een verbluffend resultaat geboekt om het opzeggen van abonnementen substantieel te verminderen. In de oude situatie was de churn meer dan 20%. Het callcenter had slechts een conversierate van 17-25%. Na de data analyse en daaruit gegenereerde interventies daalde de churn binnen zes maanden naar 8% en was de callcenterconversie gestegen naar 84-92%. Door het aangepaste aanbod richting de klant en nieuwe positionering van de vier interventies, wordt er tevens meer data gegenereerd over de voorkeuren en ‘smaken’ van de klant. Hiermee wordt op termijn de grip op de klant verder verbeterd en verstevigd.







 

Comments are closed.

UA-57560273-2