Optimering af kundechurn med moderne teknologi - det mest undervurderede optimeringsområde i 2023

At holde kunderne tilfredse og glade er unægtelig vigtigt for alle typer forretninger, men det er i særdeleshed vigtigt og svært for virksomheder med rigtig mange kunder. Det kan være svært at skabe sig et overblik over kundernes loyalitet og tilfredshed på et givent tidspunkt, når man han flere tusind kunder eller medlemmer og måske kun en håndfuld kundeansvarlige, der måske har tendens til at fokusere dér, hvor de selv mener, der er potentiale og bør fokuseres.

Optimeringsfokus i kommercielt øjemed er ofte centreret omkring målinger af, hvordan salgsarbejdet går, og om der kommer nok nye kunder ind i forretningen. Generelt bliver der investeret meget store summer i arbejdet med at promovere virksomheder, drive marketingaktiviteter og kampagner, der skal generere ”leads”, der skal bearbejdes af salgsafdelingen. Win rate og måling af hvor leads stammer fra bliver flittigt målt og debatteret internt, der fejres lukkede salg og nye kunder, og så stopper målingerne ofte dér.

Vi oplever generelt stadig ikke i vores dialoger med kunderne, at der fokuseres i samme omfang på måling af churn og de relaterede metrikker, som kan bruges for at finde ud af, om kunderne forlader virksomheden igen.

Man kan være fristet til at sige, at der generelt hersker en tendens til at ”lukke” kunder og derefter glemme målinger, og hvis kunderne forlader virksomheden igen, være gode til at komme med undskyldninger og forklaringer på, hvorfor disse kunder ikke længere vil købe virksomhedens ydelser. Ofte konkluderes det, at det er kunderne, der er specielle og besværlige og absolut ikke virksomheden, der kunne have gjort andet. Man taler ofte ikke om det tab, der har været i forbindelse med afgangen af en kunde i form af manglende fremtidig indtjening eller hvilket potentiale, der kunne have været for salg af andre ydelser, og om dette måske kunne have afhjulpet problematikken med kunden.

Men hvad hvis det var muligt automatisk og helt uden at skulle lave lange analyser at blive klogere på, hvilke kunder der var utilfredse og hvorfor, for derefter hurtigt at kunne agere på det med de rette initiativer? Ikke kun for at undgå at kunderne skulle forlade virksomheden og forsøge at minimere en risiko, men også for at kunne sælge andre ydelser eller produkter til kunden og måske den vej igennem gøre kunden mere tilfreds.
Det er naturligvis svært at gøre i praksis og til tider nok en umulig proces for virksomheder med ekstremt mange kunder.

Svaret på ovenstående udfordring kan måske findes i intelligent arbejde med alt det data, kunderne efterlader i virksomheden. Data om hvad kunderne køber, hvad de ikke køber (som lignende kunder køber etc.) og en hel masse anden data, der siger noget om deres loyalitet. Alt det data og alt den viden skal analyseres og på baggrund af dette skabe anbefalinger, men vigtigst af alt – det skal automatiseres.

Det skal ske uden involvering af mennesker og tunge processer, der tager tid og kan være forbundet med fejl. Her kommer machine learning og automatisering ind i billedet.

Men er det svært? Og kræver det specifikke ressourcer internt for at kunne designe de underliggende algoritmer? Det gjorde det for få år tilbage, men det har ændret sig, og det er nu muligt at arbejde intelligent og let med data uden at være Data Scientist eller anden slags matematisk geni.

Baggrund for arbejdet med churn

Inden man drager konklusioner og begynder at kaste sig over interessant arbejde med data, så lad os starte med at se lidt på baggrunden for churn og områderne omkring churn.

Først og fremmest, lad os definere churn. Helt overordnet kan man sige, at churn er den procentdel af en virksomheds kunder, der har valgt at opsige abonnement/ikke vil købe ydelser eller services eller produkter i en given periode. Det vil med andre ord sige, at det er godt at have en så lav churn rate som muligt.

Specielt for abonnementsforretninger som eks. et teleselskab eller et fitnesscenter, der ofte har rigtig mange kunder og ikke dedikerede sælgere, der løbende er i kontakt med alle kunderne, kan det være ekstremt svært at holde styr på kundernes reelle holdning til virksomheden. Der er i stigende grad fokus på løbende kundetilfredshedsanalyser, som eks. NPS (Net Promotor Score), der flittigt bliver brugt og sendt ud til kunderne i alt fra online detailhandel (ofte lige efter et køb) og i B2B-øjemed, hvor virksomheden sender spørgeskema ud en gang om året.

Men er dette nok? Og er metoden korrekt?

Ofte giver disse analyser et øjebliksbillede, der kan være farvet af en kundes humør på en given dag eller omkring en given ordre og kan være helt anderledes dagen efter, hvor kunden evt. har haft en god oplevelse ifm. et besøg i et fitnesscenter, et nyt køb online (hvor kunden måske oplevede at sparede penge og dermed var glad) eller andet.

Øjebliksbilleder siger ikke altid nok om en kundes reelle loyalitet og lysten til at kunne finde på at forlade virksomheden og dermed churne. Det er langt mere interessant at se på det løbende billede af en kundes adfærd og ageren overfor og med virksomheden. Det er interessant at få et så objektivt billede af en kundes loyalitet og holdning som muligt. Altså, se det fra et andet og mere nuanceret perspektiv end ved bare at spørge kunden, om han eller hun er tilfreds, og i hvor høj grad kunden er villig til at anbefale virksomhedens produkter til venner og familie.

Det er derfor afgørende at kunne være i stand til (helt automatisk uden løbende analysearbejde) at få viden om en kundernes ageren, valg og holdninger. Dette skal være faktabaseret og ikke bestemt af kundens humør i et givent øjeblik.

Derfor går vi lidt tilbage til arbejdet med data og baggrunden for systematisk indsamling af information. Denne indsamling af information om kunderne, specielt når der er rigtig mange, skal naturligvis ske automatisk og løbende og må ikke kunne tolkes på. Det skal være helt klart hvilke kunder, der har gjort hvad og hvad dette betyder.

Hvor ligger ansvaret i arbejdet med churn?

Det næste, man kan spørge sig selv om, er naturligvis hvor ansvaret ligger for arbejdet med churn. Er det sælgernes? Er det kundeservice? Er det marketingchefen? Og er det slet ikke driftschefen?

Som tidligere nævnt er der ofte meget fokus på at ”lukke” nye kunder, og derigennem er der en helt klar ansvarsfordeling og struktur for dette i virksomhederne. Både mht. måling og styring men også mht. ansvar.

I forbindelse med churn-arbejdet ligger det ofte mere spredt i virksomheden, og i salg er man ofte ikke udpræget interesseret i at blive målt på kundeafgang, da det kan være ude af sælgernes hænder, hvad der sker, når kunden er i forretningen og køber. Så må det ifølge salgsafdelingen være i driften, at ansvaret skal placeres, og marketing mener det samme. Marketing skal i bund og grund danne salgs-leads og promovere virksomheden. Gerne ud fra kreative ideer og metoder, der ikke er forbundet med måling af arbejdsindsatser og resultater. Sådan er det måske ofte og det kan måske være en af årsagerne til, at arbejdet med churn stadig ikke er så højt prioriteret.

Vi mener, at arbejdet med churn er en opgave for hele virksomheden og at ansvaret skal fordeles ligeså. Det vil sige, at det skal være noget både salg, marketing og drift skal måles på. Vi mener, at det altid er en god ide at tænke kunden ind i alle processer i en virksomhed og se om en given proces eller arbejdsgang giver mening for slutkunden. Også selvom det er i HR, i finans og i IT.

Teknologier der kan hjælpe med churn prediction

I dag findes der et stort udbud af platforme og services, der kan hjælpe med opbygningen af arbejdet med analyser på kundebaser og deres adfærd.

En af disse analyser er meget ofte baseret på churn prediction og analyse. Analyserne er ofte meget statiske og afklaring af metoder for beregning af churn prediction er ofte langtrukken, og investeringen i arbejdet bliver meget høj.

Teknologier, som leveres af Microsoft, baserer sig meget ofte på hele den datamængde, som Microsofts kunder anvender, og er dermed uden sammenligning ét af de bedste grundlag for at lave churn analyse og prediction.

Baseret på denne kæmpestore kundebase (i anonymiseret form, naturligvis) kan man indsende sine egne kundedata. På baggrund af indbygget machine learning og algoritmer vil man med meget få ressourcer i tid kunne få dyb indsigt i ens egen kundebase og deraf afledte årsager til kundeflugt eller mangel på nye kunder i den samlede base.

Mht. machine learning metode-metoder findes der forskellige muligheder til selv at lave disse analyser på både i en supervised og un-supervised tilgang.

Supervised tilgang er, hvor man som forretning selv styrer, hvilke variabler modellen skal indeholde, og hvad deres navne er. Her vil metoden ofte basere sig på klassifikation og regression for at finde de bedste resultater.

En un-supervised tilgang bruger andre tilgange som clustering, association og dimensional reduktion for at komme til resultaterne. Denne tilgang er også den, som er sværest at forklare resultatet af. Metoden anvender algoritmer til at finde de bedste variabler til bestemmelse af et givent resultat, og giver ikke slutbrugeren direkte og let adgang til de anvendte variabler og algoritmerne bag resultatet.

Dermed er det ofte den supervised tilgang, man ser implementeret manuelt i organisationer. Det gælder også selv om det ofte (slet ikke altid) er den un-supervised learning, som kan give de bedste resultater.

Microsoft har allerede implementeret AI/ML i deres arbejde med churn i en række services. Disse services giver ud-af-boksen funktionalitet og indsigter i den samlede kundebases analysegrundlag og resultater for bl.a. virksomhedens churn rate, customer lifecycle value osv.

Eksempler på disse services er:

1. Customer Insights
2. Digital Contact Center

Begge anvender ML/AI modeller som er drevet af logik og viden fra den samlede kundebase fra alle Microsofts kunders kunder (heri også dine kunder) dog i kraftig anonymiseret form.

Denne tilgang giver et meget bredt datagrundlag for opbygningen af algoritmerne og for at teste modellerne for korrekt metode til udregning af de viste metrikker.

Hvordan sikrer man succes med churn-arbejdet?

Når man som virksomhed har besluttet at arbejde struktureret med churn og gerne vil engagere organisationen, herunder salg, marketing og drift med henblik på at skabe en forandring, hvordan sikrer man så en god churn rate? Hvordan sikrer man, at et projekt skaber den ønskede forandring, og hvad skal man være opmærksom på i den nye måde at arbejde med kunderne på?

Først og fremmest handler det om at få defineret opgaven, få inddraget og informeret hele organisationen om, at der nu arbejdes struktureret med churn, og at der vil komme til at ske ændringer i relation til måden, man arbejder med kunderne på. Kommuniker hurtigt at denne ændring er til alles fordel og ikke nødvendigvis betyder ændrede arbejdsgange eller mere administration for den enkelte medarbejder.

Det er afgørende, at arbejdet og ideen og formålet er helt forankret i linjeledelsen, og at linjelederne er klar til at praktisere og tage ejerskab fra starten. Dette for at sikre, at alt fra salg og kundeservice til f.eks. kreative personer i marketing bliver klar over gennem deres ledere, at de nye tiltag er vejen frem for virksomheden og godt for alle.

Det er samtidig afgørende, at alle afdelinger taler godt sammen fra start og er åbne overfor de forskellige perspektiver på churn-arbejdet, der kunne være for forskellige afdelinger. Derfor er indledende workshops med repræsentanter fra alle afdelinger afgørende for at skabe den bedste startdialog mellem afdelingerne i hele organisationen.

Dernæst handler det om at turde tage handling og agere på de nye anbefalinger og den viden, man vil få ud af at basere sin analyse på data. Etabler hurtigt konkrete indikatorer og definitioner for churn-risiko. Det handler om at være proaktiv og have målinger eller indikatorer for churn-risiko. Start med at definere disse i fællesskab og hold fast i dem. Det er lettere at tage handling på noget og stå ved det, når hele organisationen har været med i beslutningen om definitionen af disse.

Vær ikke bange for at skabe ændringer i processer og metoder indenfor salg og marketing, men vær opmærksom på, at det ikke må ske for hurtigt. Det kan virke lidt selvmodsigende, men det handler om at turde gøre noget hurtigt, men stadig på det rette grundlag. Det rette grundlag skabes af data, skabt af en model, der er blevet trænet i tilpas nok tid til, at den giver de rette anbefalinger. En churn-model baseret på data og underliggende machine learning-algoritmer skal trænes og bliver bedre og mere præcis, når der er kørt en tilpas mængde data igennem den.

Lad være med at finde undskyldninger og benægte realiteterne. Vær parat til at lære af de kunder, der forlader virksomheden og den info dit churn-apparat vil give. Analyser tendenserne omkring disse kunder og lad disse tendenser være et objektivt billede af ting, der skal ændres for at kunne skabe en mere rentabel forretning med større kundetilfredshed.

Vær også klar til at se koldt og kynisk på ikke-rentable kundeforhold og lad være med at finde undskyldninger for at prøve at vinde ikke-rentable kunder tilbage (ved f.eks. at tilbyde dem bedre priser eller rabatter). Det er en klassiker at lade sin stolthed tage over og blive ærgerlig over, at en kunde vælger virksomheden fra ved at forlade virksomheden.

Faldgruber og generelle begrænsninger

I relation til de faldgruber, og hvad man generelt skal være opmærksom på ifm. igangsættelse af churn-arbejdet, ligger det naturligvis meget i tråd med succeskriterierne som beskrevet ovenfor. Altså undervurdering af change management aspektet og det menneskelige og kulturelle aspekt af projektet.

Dog er noget af det mest afgørende set med kommercielle briller at være opmærksom på kunderne og ikke at glemme at inddrage dem i arbejdet med churn. Det er let at lade arbejdet være en intern øvelse og ikke lade de eksisterende kunder være del af processen. Derfor er det afgørende at starte foranalysen, inden man går rigtigt i gang, med en kundetilfredshedsundersøgelse. Denne undersøgelse må meget gerne være både kvantitativ og kvalitativ og gerne med udvalgte kundegrupper som semistrukturerede interviews, hvor man lader kundernes holdning danne grundlag for, hvad man vil måle på og i sidste ende danne sin ”churn-score”.

Med hensyn til faldgruber og generelle begrænsninger indenfor det tekniske aspekt af et churn-projekt er der andre områder, man også skal være særdeles opmærksom på. Bl.a. at man på et eller andet tidspunkt bliver nødt til at blive færdig med at definere en kunde, og hvornår en kunde er en kunde. Definitioner fra forretningen kan tage utrolig lang tid. Så er det bedre at komme i gang med analyserne på et aftalt grundlag for definitioner og derfra begynde at arbejde reelt med kunderne og den base, man har.

Samtidig skal forretningen og de tekniske kompetencer som arbejder med churn analyse også være opmærksomme på ikke at blive ”fartblinde” og bare rulle afsted, selvom der er pres fra beslutningstagerne. Det er yderst vigtigt, at man er opmærksom på de analyser, man leverer og den kvalitet de kommer i. Skrækscenariet er at få forkerte data og begynde at tage beslutninger på baggrund af dette; så tager man forkerte beslutninger meget hurtigt.

På den tekniske del er der også en del at tage vare på, når man starter arbejdet med churn. Der kan postes rigtig mange penge i teknik og interessante services, som er det nye sort inden for data og analyse. Det er derfor vigtigt at holde fast i den strategi og de valg, der er taget i starten af processen, blive komfortabel med disse i en sådan grad, at de bliver en del af hverdagen og inkorporeret så godt, at det er naturligt at anvende. Først derefter er det anbefalet at kigge på, om der er kommet nye services eller andre hjælpemidler, som kan gøre arbejdet med churn endnu bedre.

Hvis man på den anden side forsøger hele tiden at være med på den tekniske platform og have det nyeste teknologi, så bliver man aldrig rigtig fortrolig med selve den værdiskabende proces. En sådan tilgang bliver også alt for dyr for forretningen, da der ikke kommer nogen reel værdi ud af arbejdet. Og arbejdet og projektet bliver lukket med henvisning til manglende værdiskabelse.

Konklusion

At holde kunderne tilfredse og glade er unægtelig vigtigt for alle typer forretninger, men det er i særdeleshed vigtigt og svært for virksomheder med rigtig mange kunder. Vi oplever generelt stadig ikke i vores dialoger med kunderne, at der fokuseres i samme omfang på måling af churn og de relaterede metrikker, som kan bruges for at finde ud af, om kunderne forlader virksomheden igen.

Svaret på ovenstående udfordring kan måske findes i intelligent arbejde med alt det data, kunderne efterlader i virksomheden. Det er afgørende at være i stand til (helt automatisk uden løbende analysearbejde) at få viden om en kundernes ageren, valg og holdninger. Dette skal være faktabaseret.

Samlet set kræver et succesfuldt churn-projekt en kombination af dataanalyse, forudsigelig modellering og proaktive kundefastholdelsesstrategier. Det er vigtigt løbende at overvåge og justere projektet for at opnå de bedste resultater.

Vi mener, at arbejdet med churn er en opgave for hele virksomheden og at ansvaret skal placeres ligeså. Det vil sige, at det skal være noget, som både salg, marketing og drift skal måles på.

I dag findes der et stort udbyd af platforme og services, som kan hjælpe med opbygningen af arbejdet med analyser på kundebaser og deres adfærd.

Microsoft har allerede implementeret AI/ML i deres arbejde med churn i en række services. Disse services giver ud-af-boksen funktionalitet og indsigter i den samlede kundebases analysegrundlag og resultater for bl.a. churn, customer lifecycle value osv.

Eksempler på disse services er:

1. Customer Insights
2. Digital Contact Center

For at få succes med arbejdet handler det overordnet om at få defineret opgaven, få inddraget og informeret hele organisationen om, at der nu arbejdes struktureret med churn, og at der vil komme til at ske ændringer i relation til måden man arbejder med kunderne på. Dernæst handler det om at turde tage handling og agere på de nye anbefalinger og den viden, man vil få ud af at basere sin analyse på data.