fbpx

Co dělat, když se zákazník chystá odejít ke konkurenci

Udržení stávajících klientů je jednou z klíčových úloh prosperujícího podnikání. Chcete vědět, jak s touto úlohou souvisí retenční kampaně a klasická dataminingová úloha churn? Řešíte tuto úlohu, ale chybí vám potřebné know-how či softwarové vybavení? Tento článek v krátkosti popíše, jak se úloha řeší a co je pro její řešení potřeba udělat.

Akvizice versus Retence

Churn představuje odchod stávajících zákazníků. Platí, že je jednodušší a levnější si udržet stávajícího zákazníka než získat nového. Odchodu zákazníků tedy chceme zabránit, nebo ho alespoň co nejvíce omezit. Existující odchod zákazníků můžeme měřit pomocí churn rate, tedy procentem zákazníků, kteří nás za určité období opustili, a predikovat ho pomocí predikčních modelů. Ačkoli se v data miningu při řešení různých úloh soustředíme hlavně na praktickou implementaci řešení v obchodních procesech, základní popisné statistiky jsou klíčové pro určení přínosu nových modelů (benchmark) a jejich evaluaci.

Statistika jako součást marketingových kampaní

Řešení úlohy churn je založeno na predikci, na nalezení zákazníků majících potenciál k odchodu. Jedná se o úlohu, kdy hledáme algoritmy a sady datových proměnných, vhodně popisujících historické chování odešlých zákazníků. Hledáme charakteristiky a vztahy, jenž mají tito zákazníci společné, abychom je v budoucnu dokázali včas identifikovat a zabránit jejich odchodu např. vhodně zvolenou retenční kampaní. Při hledání vhodného algoritmu a prediktorů často využíváme statistické metody jako regresi nebo rozhodovací stromy, provádíme různé analýzy, např. RFM, faktorovou či seskupovací, vytváříme segmenty zákazníků. Tomu všemu předchází časově a technicky náročná datová příprava, kde pomocí vhodně zvolených datových manipulací a transformací, restrukturalizací a agregací vytváříme datovou základnu pro další analýzy.

Reaktivní vs. Proaktivní retence

Výsledkem předcházející úlohy je nalezení „ohrožených zákazníků.“ Zákazníky můžeme dále segmentovat a chovat se k nim marketingově různě. Správně zvolená retenční kampaň může zachránit spoustu zákazníků. Obsah retenční kampaně je pro každý obor podnikání, dá se říci pro každou úlohu, různý. Jistě jste při podání výpovědi u mobilního operátora či poskytovatele energií setkali s tím, že vám v zájmu udržení nabídli výhodnější tarif, levnější elektřinu, jednorázový bonus apod. Tento přístup je tzv. reaktivní retence, činnost „hasící existující požár“. Výsledkem naší úlohy je však proaktivní retence. Při analogii s požárem tady nehasíme, tady děláme prevenci, případně hasíme doutnající ložiska.

Proaktivní retence se aplikuje na zákazníky, kteří většinou sami ještě netuší, že by chtěli odejít, ale historie nám říká, že se k tomu pravděpodobně schyluje. Proaktivní retence nemusí být nutně založena na churn modelech. Velice často se realizuje nad celým zákaznickým kmenem, jenž se segmentuje do menších celků a pro něž se vybírají různé přístupy, různé kampaně. Správné zařazení je velice důležité. Oslovení zákazníka něco stojí a to, co mu chceme nabídnout, také něco stojí. Pokud budeme nabízet nesprávným zákazníkům nesprávné produkty (zařadíme je do nesprávných kampaní), budeme s tím mít spojené vícenáklady, nebo si budeme zbytečně snižovat zisky. Například zbytečnou slevovou nabídkou někomu, kdo odejít nechce.

Pokud vás zajímá detekce odchodu zákazníka podrobněji, nebo pokud hledáte různé způsoby segmentace a lepšího porozumění svých zákazníků, máme pro vás připraveny kurzy na tato témata. V kurzech se seznámíte s tím, jak se tyto úlohy řeší, co je pro ně potřeba udělat z hlediska datového, které predikční modely se zde mohou využít, jak se modely evaluují apod.

Ing. Libor Šlik
vedoucí analytického oddělení ACREA, lektor, analytik a odborný konzultant. Ve společnosti ACREA CR jsem začínal jako konzultant, správce serverových řešení a manažer technické podpory. V současnosti zastávám pozici vedoucího analytického oddělení a specializuji se na řešení rozsáhlých statistických a dataminingových projektů pro velké společnosti a na úlohy sběru dat a automatizaci analytického procesu.
Komentáře

Přidat komentář

Vaše emailová adresa nebude zveřejněna. Vyžadované informace jsou označeny *

Vaše osobní údaje budou použity pouze pro účely zpracování tohoto komentáře. Zásady zpracování osobních údajů