De ultieme datagedreven retentiestrategie

Je hebt als bedrijf ontzettend waardevolle informatie in handen als je in staat bent om te voorspellen of klanten gaan opzeggen of vertrekken. Zeker als je dit ook op individueel niveau kunt voorspellen. Nóg mooier zou zijn als je ook kunt ontdekken welke klanten van waarde zijn voor jouw organisatie en in wie je dus tijd en energie moet stoppen. Ook zou je willen weten welke middelen je dan moet inzetten om de belangrijkste klanten te behouden. Zodat je met deze insights de marketingcampagnes veel effectiever uitvoert. Om het plaatje helemaal perfect te maken wil je weten hoe je de klanten die uiteindelijk toch besluiten te vertrekken een mooi aanbod kunt doen om ze terug te winnen. Kortom: hoe ziet de ultieme datagedreven retentiestrategie eruit? In dit artikel leg ik je uit welke voorspellende modellen je moet inzetten om dit voor elkaar te krijgen.

4 voorspellende modellen

Hoe kom je dan tot die ultieme retentiestrategie? In dit artikel leg ik je uit welke vier verschillende voorspellende modellen je moet tackelen om tot een datagedreven retentiestrategie te komen. Bij correcte toepassing van het retentiemodel doe je aan optimaal klantbehoud, waarbij je stuurt op waarde. Deze strategie is op elke branche toepasbaar en is interessant voor iedereen die met data bezig is: van marketeers en data scientists tot aan salesmanagers en strategen.

In onderstaande afbeelding zie je de verschillende stappen die je moet nemen om tot de ultieme strategie te komen. We beginnen met het voorspellen welke klanten weg gaan (churn), daarna voorspellen wat de waarde is van de klant (CLV). Vervolgens voorspellen we wat we moeten doen om klanten te behouden (NBO/NBA), als laatste voorspellen we wie we moeten benaderen van de klanten die toch zijn weggegaan om ze te behouden (saves). Met deze voorspelmodellen kunnen we een datagedreven retentiecampagne uiteenzetten!

 

1. Churn modelling

Wat is churn modelling?

Laten we bij het begin beginnen. Wat is churn modelling precies? Churn is een term die aangeeft welke mensen (klanten) in een bepaalde periode wisselt van dienst of leverancier. Met churn modelling kun je voorspellen hoe groot de kans is dat een klant gaat switchen of opzeggen. Churn modelling geldt niet alleen voor bedrijven met abonnementsvormen als product of dienst. Churn kun je bijvoorbeeld ook definiëren in de retail: churn is in een periode van drie maanden niks gekocht.

Het algoritme trainen

De eerste stap naar het ultieme retentiemodel is het voorspellen wat een klant van plan is te doen. Vaak denk je eerst aan het risico dat de klant overstapt naar de concurrent. Of aan de kans dat de klant geen gebruik meer wil maken van de dienst of het product. Maar om echt effectief te kunnen sturen wil je nog iets verder gaan. Je wil niet alleen de kans op churn berekenen, maar ook berekenen wat de klanten met een lage kans op churn gaan doen. Daarin kunnen we onderscheid maken tussen drie soorten klanten.

Ik neem als voorbeeld een energiemaatschappij:

1. Renewals: Deze mensen blijven klant en verlengen bewust hun contract of kopen opnieuw een product bij de maatschappij.
2. Sleepers: Deze klanten zijn niet bezig met het verlengen of stopzetten van hun contract. Dit worden ook wel slapende honden genoemd. Zij laten het contract doorlopen en blijven klant, soms doen ze dit onbewust. Deze groep brengt doorgaans aardig wat geld op, soms is het slimmer om geen campagnes uit te zetten bij deze klanten (maak geen slapende honden wakker).
3. Churners: Deze klanten gaan hoogstwaarschijnlijk hun contract bij de maatschappij opzeggen of ze stappen over naar een andere leverancier.

Met data uit het verleden van renewals, sleepers en churners trainen we een algoritme. Dan kan van de patronen uit het verleden leren om te voorspellen wat er in de toekomst gaat gebeuren, op individueel niveau. Zo wordt voor alle klanten een bepaalde kans op churn, een kans op retentie (de blijvende klanten) en een kans op sleepers voorspeld. Met deze insights weten we nu bij welke klanten we ons best moeten doen om ze te behouden, welke klanten naar alle waarschijnlijkheid zelf hun product/dienst doorzetten en welke klanten gaan ‘slapen’.

2. Customer lifetime value modelling

Nu weten we naar alle waarschijnlijkheid wat een klant van plan is. En nu? De volgende stap is het berekenen van de waarde van de klant. Dit kun je bereiken door customer lifetime value modelling in te zetten. Hierbij breng je in kaart wat de waarde is van de klant.

Wat is customer lifetime value modelling?

Customer lifetime value modelling (ook wel CLV modelling genoemd) is een techniek waarmee je berekent wat de klant zal opleveren en kosten. Deze econometrische aanpak levert inzichten op om te bepalen of een klant het waard is om een bepaald marketingbudget in te steken. In sommige gevallen kan het zelfs beter zijn om een klant te laten lopen, omdat een marketingactie bij die klanten meer geld kost dan oplevert. CLV modelling helpt om het ultieme doel te bereiken. Budget en middelen inzetten met maximale impact om meer waarde te creëren.

Ik zie bijvoorbeeld weleens dat klanten een telefoonabonnement of energiecontract met minimaal verbruik en minimale winstmarges hebben. Hier worden dan prijzige marketingcampagnes op bedreven. Slim als je een gegronde verwachting hebt dat deze klanten in de komende maanden of jaren meer omzet of marge zullen binnenbrengen. Niet slim als de verwachting is dat deze omzet minimaal zal blijven, en de marge marginaal blijft of zelfs negatief wordt. Dit is precies wat je met CLV modelling tracht te bereiken. Het in kaart brengen van huidige en toekomstige waarde van klanten. 

Blijf kritisch en werk met segmenten

Pas bij CLV modelling in de B2B-sector wel op voor de paretoverdeling (20% van je klanten vertegenwoordigt 80% van je omzet). Bijvoorbeeld in de telefoniesector. Een bedrijf met 20 telefoonnummers zal over het algemeen meer waarde hebben dan een zzp’er met 1 telefoonnummer. Dit betekent echter niet dat alle zzp’ers samen geen waarde hebben. Binnen deze groep zit namelijk ook verschil tussen de klanten. Je lost dit op door met segmenten te werken en daarbinnen de waarde ten opzichte van elkaar te berekenen. Je kunt dan beter sturen op (de potentiële) waarde binnen de segmenten. Zo voorkom je dat je een groot deel van je klanten niet meer benadert.

Next-best-offer/next-best-action modelling

Nu heb je inzicht in de waarde van je klanten en het gedrag wat ze gaan vertonen. In de volgende stap kun je gaan werken aan het beïnvloeden van het gedrag van je klanten, om zo het gewenste gedrag te creëren. Dit kun je doen met behulp van next-best-offer/next-best-action modelling.

Wat is next-best-offer/next-best-action modelling?

Met behulp van NBO/NBA modelling voorspellen we wat het passendste aanbod of actie is om het gedrag van de klant te beïnvloeden. Hierbij kijken we naar uitgezette acties of aanbiedingen uit het verleden en het effect daarvan. Op die cases trainen we een machinelearning-algoritme, waarbij we conditionele kansen voorspellen van het gedrag gegeven het aanbod of de actie. Hierdoor kunnen we effectieve keuzes maken in hoe we een klant op individueel niveau benaderen. Stel dat we ons focussen op de klanten die een hoge kans op vertrek hebben, en we willen deze kans beïnvloeden. We berekenen dan de kans op vertrek, gegeven het wel en niet uitvoeren van bepaalde marketingacties.

Voorbeeld verzekeraar

Bekijk hieronder een fictief voorbeeld van een verzekeraar. Deze verzekeraar heeft verschillende acties die ze kunnen doen om klanten te behouden. Bijvoorbeeld: geen actie, een korting of een loyalty call én het geven van een korting. Door te modelleren wat het effect is van deze acties op de churnkans kunnen we zeer effectieve keuzes maken per klant.

In dit voorbeeld zien we dat scenario 1 de kans op churn weergeeft, wanneer we geen actie zouden uitzetten. We zien tevens dat de churnkans hetzelfde blijft bij cliënt 1 en zelfs groter wordt bij cliënt 4 als we een korting zouden geven. In dit geval geeft de voorspelling dus weer dat je deze acties beter niet bij deze klanten kan uitzetten. Bij de andere klanten zien we echter een verlaging in de churnkans en hebben we een gegronde reden om de acties wel uit te zetten. Het zorgt er immers voor dat de kans op churn kleiner wordt. Deze berekeningen doe je voor alle mogelijke acties en combinaties van acties, waardoor je verschillende scenario’s per klant krijgt.

Uiteraard kiezen we hier voor de actie (of combinatie van acties) die de churnkans het meeste verkleint. We rekenen de inzichten verkregen uit het CLV-model door, om te beoordelen of een klant de actie wel waard is. Uiteraard kun je ook het totale marketingbudget doorrekenen, zodat je de juiste keuzes maakt binnen het budget. De combinatie van churn, CLV en NBO/NBA modelling zorgt voor grote dalingen in de churnratio. Reken maar uit hoeveel dat aan extra omzet oplevert.

Mogelijkheden andere branches

Uiteraard kun je dit ook doen voor andere branches, bijvoorbeeld in de retail. Daarbij bereken je of de kans groter wordt op aanschaf (renewal) wanneer je een specifiek product aanbiedt. Je doet dan de aanbieding (of combinatie van aanbiedingen) met de hoogste kans op aanschaf. Het is hierbij van groot belang om te kijken naar producten die de hoogste kans hebben op aanschaf na aanschaf van een eerder product.

Voorkeursproducten

Het gaat vaak fout als een algoritme te simpel wordt ingestoken, bijvoorbeeld als het alleen kijkt naar voorkeursproducten. Dan zul je zien dat het algoritme na aanschaf van een bepaald soort slippers opnieuw slippers aanraadt. Klanten kopen echter niet heel snel twee paar slippers achter elkaar. Laat het algoritme vooral kijken naar de aanschaf die vaker na de eerdere aanschaf van een specifiek product plaatsvindt. Train daar het algoritme op. Zo voorspel je zo nauwkeurig mogelijk welk aanbod de kans op een nieuwe aankoop bevordert.

Uiteraard zijn de mogelijkheden eindeloos. Zo kun je ook denken aan het voorspellen van de behoeftes in mobiele telefonie, groene energie of tijdschriften in abonnementsvorm.

More than ready

Als je deze stappen hebt doorlopen, ben je klaar om de eerste campagnes te voeren. We weten nu wie we willen benaderen en wie liever niet. We benaderen deze klanten met een persoonlijk aanbod of via een persoonlijke actie. Houd altijd een controlegroep apart, zodat je kunt meten wat het effect is. Nadat de campagnes zijn afgerond kijk je wat het heeft opgeleverd. Wat is het resultaat ten opzichte van de controlegroep? Bij het correct uitvoeren zul je zien dat er gigantische verschillen zitten in prestatie tussen de campagne- en controlegroep.

Saves modelling

Helaas loopt het niet altijd helemaal perfect. Soms voorspel je incorrect of is een klant toch niet zo gemakkelijk te beïnvloeden als gedacht. Of de concurrent voert een onvoorziene campagne die niet is meegenomen in de kansberekening. Daarom heb ik een laatste model toegevoegd in dit strategiemodel: het saves model.

Wat is saves/winback modelling?

Een aantal klanten is helaas toch gechurned. We gaan nog één laatste poging doen om ze te behouden. Voor deze klanten hebben we de saves-campagnes ingericht met behulp van saves/winback modelling. Binnen saves- of winback-campagnes worden klanten die recentelijk zijn overgestapt nog één laatste keer benaderd om ze terug te winnen als klant.

Veel bedrijven hebben telemarketingcampagnes ingericht voor de saves/winback-campagnes, omdat dit over het algemeen de hoogste conversie oplevert. Telemarketingcampagnes zijn erg kostbaar, dus een goed resultaat boeken is van groot belang. Juist omdat deze campagnes kostbaar zijn willen we enkel de waardevolle klanten benaderen. Hiervoor gebruiken we onze eerdere resultaten vanuit het CLV-model. Daarnaast willen we voorspellen wat de kans is dat iemand gesaved wordt als we hem of haar benaderen. Ook hierbij leren we van patronen in data die te zien zijn bij klanten die in het verleden gesaved zijn en klanten die juist niet gesaved zijn in een campagne. Met de voorspellingen weten we wie de meeste kans heeft om in te gaan op een saves-aanbod. We benaderen alleen de kansrijke personen. Hierdoor kun je met hetzelfde budget hetzelfde aantal of zelfs meer klanten behouden in de savescampagnes. En hoef je niet 10.000 klanten te bellen, maar 4000 waardevolle klanten waarvan je weet dat de kans groot is dat ze terugkomen.

De ultieme strategie

De hiervoor genoemde stappen zorgen ervoor dat jij het aantal klanten weet uit te breiden. Daarnaast zullen de klanten die jij in het bestand hebt zitten waardevoller en loyaler zijn. Ik ben benieuwd naar jouw ervaringen met retentiestrategieën. Laat een reactie achter bij de comments!