Churn prediction hos finansielle virksomheder: Sådan kommer du i gang

Tilfredse kunder er fundamentet for de fleste virksomheder. De genererer en fast indtjeningsstrøm og er mere åbne for mersalg. Samtidig viser undersøgelser, at det koster fem gange så meget at få en ny kunde som at fastholde en eksisterende.

16.03.2020

Sponseret

Jonathan Hvithamar Rystrøm, Kapacity

Derfor er det vigtigt at fokusere på, hvordan du kan fastholde eksisterende kunder. En central del af at fastholde kunder er at kunne forudsige, hvilke kunder der er på vej væk – gerne inden de selv ved det. Det virker umiddelbart som en næsten umulig opgave.

Heldigvis behøver du ingen krystalkugle for at løse den; med de rette data, forretningsforståelse og machine learning kan du komme i gang med churn prediction, så du kan forudsige, hvem der risikerer at forlade dig inden for den nærmeste fremtid.

Selvom det sikkert kribler i fingrene for at drysse AI-tryllestøv over forretningen, er der en række tanker, du skal gøre sig inden du går i gang med churn prediction. Dataarbejde i den finansielle sektor er nemlig et tveægget sværd. På den ene side rummer det fantastiske muligheder; der er ekstremt detaljerede, historiske data på ting som demografi, finansiel status og tidligere transaktioner.

Denne store mængde af data fører på den anden side udfordringer med sig; øget kompleksitet kan komplicere adgangen til data, da de kan være opbevaret i siloer med forskellige adgangsniveauer. Samtidig er de data personfølsomme, så du skal holde GDPR-tungen lige i munden. Heldigvis vil vi nu guide dig gennem de spørgsmål, du skal overveje, så du bedst muligt kan bruge machine learning-magien.

Hvem er det egentlig, vi vil fastholde med churn prediction?

Rig data fører til rige muligheder. Derfor får man hurtigt lyst til at starte med en kæmpe model, der kan forudsige alle typer churn, så man ikke misser nogen muligheder. Der er dog to grunde til, at det ikke er den bedste fremgangsmåde:

1. Machine learning virker bedre med mere specifikke definitioner. På den måde kan modellerne bruge mere energi på at fange dybe mønstre og interaktioner. Dermed udløser man for alvor machine learnings overmenneskelige evne til at overskue store datamængder.

2. Mere specifikke modeller er lettere at handle på for forretningen. Hvis man f.eks. laver en model målrettet små- og mellemstore erhvervskunder, kan man sørge for at churn-scores kommer frem til de rigtige i forretningen. Det betyder ikke, at man skal låse sig fast på ét nichesegment for altid. I takt med, at man får flettet churn-scoring ind i forretningen, kan man bygge flere modeller, der rammer forskellige segmenter.

Der er grundlæggende to spørgsmål, man skal besvare for at udvikle en succesfuld churn prediction-model. Det første spørgsmål er, hvordan man definerer churn. Ofte kan kunder skifte profil men blive inden for forretningen, f.eks. ved at ændre kontotype. Her er det ikke sikkert, at man vil tælle det med som churn, da man ikke mister nogen indtægt. En kunde kan også skifte en andel af sine midler – f.eks. alle obligationer – over til en konkurrent. Vil man tælle det som churn, eller f.eks. sætte en grænseværdi for churn? Det er den slags spørgsmål, der i sidste ende gør, at modellen kan inkorporeres i forretningsflowet.

Det andet vigtige spørgsmål er, hvem målgruppen er. Ikke alle kundegrupper er skabt lige. Adfærden for en nystartet virksomhed er markant anderledes end et ældre ægtepar. Det gør det sværere for modellerne at fange mønstre, hvis den skal dække begge grupper. Samtidig bliver de to grupper håndteret i forskellige dele af forretningen, hvilket kan gøre resultaterne mindre relevante. Det er derfor utroligt vigtigt at sikre, at man rammer en relevant og værdiskabende målgruppe.

Begge spørgsmål kan være svære at få helt styr på i første hug. Men så længe man sørger for god kommunikation mellem data scientisten, der udvikler modellen, og forretningen, som ender som slutbruger, kan det ikke gå helt galt.

Hvilke data er tilgængelige til churn prediction?

En churn-model er kun så god som de data, den bygger på. Derfor er det vigtigt at have et overblik over tilgængelige data, inden projektet kommer i gang. Der er mange forskellige typer data, man kan inddrage, f.eks:

  • Historiske data med kundetransaktioner: Hvornår og hvordan har kunden brugt jeres produkt? Har det fortrinsvis været mange små transaktioner eller få større?
  • Stamdata på kunden: Hvis der tale om privatkunder, hvad er så køn, alder og evt. geografi? Hvad er samlivsforholdene? For erhvervskunder kunne det være sådan noget som virksomhedens størrelse og branche.
  • Interaktioner med kunden: Modtager kunden nyhedsbreve, og hvis ja, bliver de læst? Har der været nogen form for korrespondance? Tekstdata kan være en sand guldgrube, hvis man kender de rigtige værktøjer. Læs mere om Natural Language Processing (NLP) her.
  • Se en fuld checkliste over de data, du skal bruge til churn prediction her.

Ud over ens egne data, kan man med fordel overveje eksterne datakilder. Det kunne f.eks. være data fra finansielle markeder, demografiske data fra dansk statistik eller omtalen af ens brand på Twitter. Kun fantasien – og dygtige data scientists – sætter grænserne!

Hvordan får du churn-scoring ud og leve i forretningen?

Når du har fået styr på definitioner og data, kommer det muligvis vigtigste spørgsmål: Hvordan får du det meste ud af churn-scoring? Den mest hyppige use-case er at målrette kampagner og tilbud. Hvis du skyder med spredehagl i dine kampagner, bruger du potentielt en masse unødvendige ressourcer på kunder, der ikke havde tænkt sig at forlade dig.

I stedet kan du bruge churn-scoren til at lave en prioriteret liste over kunder, der er mest tilbøjelige til at churne. Der er trin, du kan tage for at gøre churn-scoren endnu mere værdifuld. For eksempel kan du kombinere churn-scoren med en kundesegmenterings-model, så du yderligere kan skræddersy dine kampagner til kundetypen.

Derudover kan du tilføje en såkaldt Customer Lifetime Value-beregning (CLV), der giver et databaseret bud på den forventede indtjening på kunden. På den måde kan du fokusere din energi på de mest værdiskabende kunder.

Udover de rent operationelle fordele, churn-scoring giver, kan det også give indsigt i forretningen. Det kan være, du finder ud af, at kunder, der modtager nyhedsbreve, er mindre tilbøjelige til at churne, eller at folk især churner, når de lige er blevet gift. Du kan også ved hjælp af særlige modeller få information om konkrete kunde-cases, hvilket kan være gavnligt for kundesupport.

Churn-scoring kan for alvor blive et værdifuldt værktøj til at fastholde kunder, få nye indsigter og lave mere relevante kampagner. I dette blogindlæg har vi givet nogle generelle tips til, hvilke overvejelser du skal gøre dig, inden du kommer i gang. Hvis du vil vide mere i forhold til din specifikke virksomhed, så tag fat i os til en uforpligtende snak på +45 26309001.

11.02.2021Kapacity

Sponseret

Microsoft etablerer datacenterregion i Danmark

19.08.2020Kapacity

Sponseret

Tre områder, hvor Machine Learning kan skabe mere værdi til din CRM-indsats

01.04.2020Kapacity

Sponseret

Computer Vision i den finansielle sektor

16.03.2020Kapacity

Sponseret

Churn prediction hos finansielle virksomheder: Sådan kommer du i gang

20.02.2020Kapacity

Sponseret

Hvordan driver man succesfulde dataprojekter, så de skaber værdi?

07.08.2019Kapacity

Sponseret

Unifeeder dykker dybere i deres data med IBM Cognos fra Kapacity