Churn (eller på dansk kundeafgang) er en af de store samtaleemner i abonnementsvirksomheder og med god grund, for churn reducerer livstidsværdien af kunderelationen (CLV).
I de senere år er det blevet populært, at investere i AI løsninger baseret på neurale netværk til at bekæmpe churn, men spørgsmålet er om det virker? Kan man bekæmpe churn med AI og neurale netværk?
Neurale netværk fungerer kort fortalt ved at en computer med stor regnekraft bliver sat til at kigge efter mønstre i et datasæt som er uigennemskuelige for det menneskelige øje. Med udgangspunkt i disse mønstre kan computeren efterfølgende - med varierende succes - forudsige hvilke abonnenter eller medlemmer der er i fare for at churne. Så langt så godt..
Styrken ved det neurale netværk er imidlertid også dets achilleshæl idet evnen til, at skabe mønstre i komplekse datasæt gør det svært samtidig at isolere og vægte de enkelte elementers forklaringskraft op i mod hinaden, da det jo netop er faktorerne indbyrdes sammenhæng, der har forklaringskraften. Dette er naturligvis et problem, for hvordan finder man så ud af, hvad man skal gøre for at forhindre churn?
Et godt sted at starte er selvfølgelig, at kigge på sin afgangsanalyser, som kan fortælle noget om, hvad der udløser churn – altså får bægeret til at flyde over. Problemet er her blot, at den udløsende faktor ikke nødvendigvis giver et retvisende billede af, hvorfor bægeret var fyldt til at begynde med. Sandheden er nemlig, at churn i mange tilfælde udløses af en række (ofte dårlige) hændelser.
Lad mig give et eksempel fra en virksomhed jeg har arbejdet med:
Et forsikringsselskab spurgte i sin afgangsanalyse en kunde - der netop havde opsagt sin forsikring - ind til årsagen. Kunden svarede, at han havde fået et bedre tilbud af en konkurrent (den udløsende faktor).
Et interview med kunden kunne imidlertid fastslå, at kunden over de seneste år havde haft flere dårlige oplevelser med forsikringsselskabet som der aldrig rigtig var blevet taget hånd om. Kunden havde desuden oplevet ”i hans øjne” ubegrundede prisstigninger. Endelig oplevede kunden at en nylig fusion med et stort konkurrerende selskab som noget negativt. De tre hændelse havde til sammen over tid nedbrudt kundens loyalitet og tillid til selskabet.
Af eksemplet kan vi lære flere ting om churn bekæmpelse:
# 1. Man skal løbende være i dialog med sine kunder så man sikrer, at der er overensstemmelse ml. kundens ønsker & behov og de løsninger man leverer.
#2. Man skal arbejde med sin kunderejse for at sikre, at der sammenhæng ml. hvad man lover og hvad kunden oplever.
#3. Man skal have en god service-recovery proces.
#4. Man skal være omhyggelig med at forklare og begrunde ændring i abonnementsvilkår herunder prisstigninger.
#5. Det er en god ide løbende, at kommunikere og vise værdien af ens produkt/ydelse vis'a vis konkurrenterne.
Så nej. AI og neurale netværk alene er ikke “the silver bullit” i forhold til at reducere churn.
I samme serie: 8 håndtag til at forhindre churn
Er du nysgerrig for at høre mere om, hvad du kan gøre for at reducere churn så tøv ikke med at tage kontakt: | rar@waspcph.dk | +45 51 91 22 40 |