English

Předpověď výpovědi zákazníka

Předpovídat výpovědi (churn prediction) je výhodné pro firmy, které mají své zákazníky uvázané smlouvou s pravidelným poplatkem. Pro telekomunikace, banky, ale i ostatní „subscription based“ dodavatele (např. energetiky) je vždy přínosné vědět, u koho hrozí, že podá výpověď. Říká se, že zachránit zákazníka je vždy levnější než sehnat nového. To je sice obecná pravda, ale neplatí, pokud zachraňujeme zákazníky, kteří se ve skutečnosti nechystají odejít. Ovšem zachránit správně vybraného zákazníka dobrou nabídkou je vždy ziskové.

Jak se pozná, kdo je ohrožený

Předpověď nastávajících výpovědí se řídí příklady zákazníků, kteří již výpověď dali. Proč tito zákazníci odešli? Jak se lišili od ostatních zákazníků? Co dělali zhruba 2 měsíce před svou výpovědí?

Pokud nalezneme na tyto otázky odpověď, máme klíč k tomu, jaké zákazníky budeme zachraňovat. Budou to nejspíše ti, kteří se něčím vymykají. Buď mají nevhodně zvolený tarif, nebo je firma něčím rozlítila – extrémně vysokou fakturou, změnou tarifního plánu apod.

Pro předpověď se použije modelů založených na rozhodovacích stromech nebo na jiných data miningových modelech.

Co mi to přinese

Obrázek pod tímto textem pochází z reálně vytvořeného modelu. Vidíme na něm, že „nejohroženější“ desetina zákazníků má více než čtyřnásobnou pravděpodobnost odchodu oproti ostatním. To znamená, že pokud retenční nabídku dostanou pouze tito zákazníci, budeme čtyřikrát efektivnější. Můžeme jim tak dát v rámci stejného rozpočtu čtyřikrát lepší nabídku, takže je daleko spíše zachráníme.

Výstupy, které dostanete

Výstupem ze skóringu je seznam zákazníků s přiřazeným rizikem výpovědi. Zákazníci mohou být také zařazeni do jednotlivých skupin rizika. Důležitým výstupem pro management je i charakteristika ohrožených zákazníků. Často je možné se poučit z profilu zákazníků, kteří jsou v ohrožení, a zasáhnout drobnou změnou firemní politiky tak, aby se příště zákazníci do stavu ohrožení nedostávali.  Pro již ohrožené zákazníky vymýšlíme retenční nabídky, které je získají zpět svojí výhodností. 

Chcete svůj vlastní model? Nebo jen vědět více? Neváhejte nás kontaktovat. Rádi vám poradíme.

Zpět na hlavní menu
Slovníček:

(Pro)aktivní retence - Aktivity k udržení zákazníka, kde na začátku je předpověď možné výpovědi

Antichurn - Marketingová strategie pro udržení zákazníků, složená z prediktivní složky (churn prediction), předpovídající výpovědi zákazníků a z následných marketingových aktivit jako jsou speciální retenční nabídky

Churn rate - Míra výpovědí zákazníků z důvodů jako je přechod ke konkurenci apod. Důvody výpovědi smlouvy, které nelze ovlivnit (např. stěhování) se obvykle vylučují z definice churnu

Churn prediction model – Model předpovídající pravděpodobnost podání výpovědi z důvodů, které jsou odvratitelné jako je např. přechod ke konkurenci apod.

Pasivní retence – viz Reaktivní retece

Retence - Snaha o udržení zákazníka marketingovými prostředky

Reaktivní retence - Aktivity k udržení zákazníka, kde na počátku je vstup zákazníka, např. jeho stížnost nebo vyslovený záměr přejít ke konkurenci

Subscription based – Obchodní model založený na pravidelných poplatcích, tedy obvykle na měsíčním paušálu

Kontakt:

Data Mind s.r.o.

Telefon: +420 720 705 639, +420 220 386 449
E-mail: info@datamind.cz
Sídlo: U Průhonu 22 / 466, Praha 7 – Holešovice, 170 00
IČO: 28953789

face.png, 26 kB Mgr. Jan Matoušek

Telefon: +420 720 705 639
E-mail: jan.matousek@datamind.cz


linkedin.com
Napište nám vzkaz:
captcha