Churn Welke klanten dreigen weg te lopen?

Transcriptie

1 Churn Welke klanten dreigen weg te lopen? Prof. dr. P.C. Verhoef Dr. J.E. Wieringa Rapport CIC ISBN

2 Customer Insights Center onderzoeksrapport CIC 2 Inhoud Inleiding: de betekenis van churn voor bedrijven pag. 3 pag. 11 pag. 25 pag. 35 pag. 43 Implementaties: ontwikkel een churnmodel in enkele stappen Keuzes: sommige statistische methoden werken beter Evaluaties: controleer een churnmodel voor gebruik Valkuilen: voorkom problemen met churnmodellen Conclusies & aanbevelingen: verbeter een churnmodel pag. 49 Belangrijkste referenties pag. 52 CV s van de auteurs pag. 54 Over het Customer Insights Center pag. 57

3 Inleiding De betekenis van churn voor bedrijven

4 Customer Insights Center onderzoeksrapport CIC 4 Weglopende klanten Wat betekenen zij voor uw bedrijf, omzet en winst?

5 Customer Insights Center onderzoeksrapport CIC 5 Wat betekent churn precies? Churn is een relatief nieuw begrip en werd voor het eerst toegepast in o.a. Telecom. Churn betekent: een klant die afhaakt, dus het bedrijf verlaat. Churn is dus feitelijk het omgekeerde van begrippen als loyaliteit of klantretentie. In principe zou je kunnen zeggen: Churn = (1 - klantretentie). Churn is een praktisch toepasbare metric : Bij bedrijven met doorlopende klantcontracten is churn direct meetbaar. Een klant zegt het contract op en vervolgens leidt dit tot wijzigingen in de database en gevolgen in de omzet. Bij bedrijven zonder doorlopende klantcontracten is churn niet direct meetbaar. Hier rijst de vraag of een klant echt wel vertrokken is, of dat een klant bijvoorbeeld tijdelijk geen aankopen doet. Dit vergt aannames in het (voorspellende) model, dat bijvoorbeeld kan aangeven welke klanten (dreigen te) vertrekken.

6 Customer Insights Center onderzoeksrapport CIC 6 Waarom is churn belangrijk? Klantwaardegroei (= Customer Lifetime Value, CLV) van de klantenbase wordt bepaald door klantacquisitie, klantretentie (= 1-churn), klantexpansie en klantkosten*. Klantacquisitie Klantretentie Klantexpansie Verwerving nieuwe klanten Behoud bestaande klanten Groei bestaande klanten Klantwaardegroei Toegevoegde waarde uit klanten Klantkosten Bediening (potentiële) klanten Bron: Verhoef, 2006.

7 Customer Insights Center onderzoeksrapport CIC 7 Churn is vaak de belangrijkste klantwaarde driver 6 5 Procentuele verandering in klantwaarde (Customer Lifetime Value) tengevolge van 1% verandering in churn, acquistiekosten, marge en disconteringsvoet 4, ,1 1 0,9 0,1 0 Vermindering Churn Verlaging Acquisitiekosten Verbetering Marge Verlaging Disconteringsvoet Bedrijven die sturen op klantwaarde zullen churn op de agenda moeten zetten. Bron: Gupta, Lehmann & Stuart, Amerikaans onderzoek bij Amazon.com, Ameritrade, Capital One, ebay & E-Trade.

8 Customer Insights Center onderzoeksrapport CIC 8 Let op uitzonderingen! Churn is niet bij elk bedrijf de belangrijkste driver van klantwaarde. Een voorbeeld: Omzet per klant Servicekosten per klant Weglopende klant (churn) Niet-betalende klant 69% invloed 26% invloed 3% invloed 2% invloed Klantwaardegroei Bij dit bedrijf blijkt dat het verlagen van churn de klantwaarde slechts beperkt kan laten groeien: het sturen op omzet en kosten heeft in dit geval meer effect. Bron: Snoeck, van Nierop & Verhoef, Nederlands onderzoek in de energiebranche.

9 Customer Insights Center onderzoeksrapport CIC 9 Hoe relevant is churn voor uw bedrijf? Verlaging van churn heeft in theorie een positieve invloed op klantwaarde. Wetenschappelijk onderzoek ondersteunt dit. Bepaal echter vooraf of churn ook in uw branche en bedrijf relevant is bij het realiseren van klantwaardegroei. + Bij bedrijven met een relatief hoog klantenverloop alsmede een hoge omzet per klant is churn vaak belangrijk als determinant van klantwaardegroei. Vooral in verzadigde markten is churn relevant, omdat daar klantbehoud essentieel is om de omzet op peil te houden. - Bij bedrijven met een laag klantenverloop (bijv. minder dan 10 a 20% van het jaarlijkse klantenbestand) levert de inzet van churn management en churn modellen minder klantwaardegroei op. Deze bedrijven hebben vaak meer baat bij kostenverlagingen en klantexpansie (meer omzet per klant). Juist dat wordt interessant bij een lage churn.

10 Customer Insights Center onderzoeksrapport CIC 10 Business case*: wat levert zo n churn project op? Totale bedrijfsomzet: Totale nettowinst 10% van de omzet: Totaal aantal actieve klanten: Verlies 10% actieve klanten (= churners): euro afgelopen jaar euro afgelopen jaar personen afgelopen jaar personen afgelopen jaar Gemiddelde omzetklantwaarde per klant: Gemiddelde winstklantwaarde per klant: Omzetverlies bij niets doen, elk jaar opnieuw: Winstverlies bij niets doen, elk jaar opnieuw: (= omzet / klanten) (= winst / klanten) (= omzetkw x churners) ( = winstkw x churners) Ontwikkel- en analysekosten churnmodel: Salariskosten team klantbehoud: Realisatie 22% minder churners: Churnproject levert jaarlijks extra winst op: Churnproject Return On Investment (ROI): ruim 150% (= globale schatting) (= globale schatting) (= churn% x winstkw) (= optelling bovenstaande) (= opbrengst / investering) * Illustratieve cijfers, gebaseerd op praktijkervaringen van het Customer Insights Center in de zorgverzekeringsbranche.

11 Implementaties Ontwikkel een churnmodel in enkele stappen

12 Customer Insights Center onderzoeksrapport CIC 12 Churnmodellen kunnen drie vragen beantwoorden 1. Waarom churnen klanten? (beschrijvend) 2. Welke klanten churnen? (voorspellend) 3. Hoe behouden we klanten? (voorschrijvend) Dit onderscheid is geen academische futiliteit, want het beïnvloedt: a. Het gebruik van data. b. De keuze van modellen. c. De interpretatie van uitkomsten. Daarom is het belangrijk om vooraf duidelijk te hebben wat de onderliggende kernvraag is bij het ontwikkelen van het model.

13 Customer Insights Center onderzoeksrapport CIC 13 Transactiedata of marktonderzoeksdata? Marktonderzoeksdata Totale klanten base Transactiedata + CLV Beschrijven: inzicht in redenen van vertrek Voorspellen: inzicht in welke klanten vertrekken Voorschrijven: op welke klanten moet een actie tot behoud worden gericht en waaruit moet deze bestaan?

14 Customer Insights Center onderzoeksrapport CIC 14 Marktonderzoeksdata voor churnmodellen Relevante marktonderzoeksdata voor een churnmodel zijn: klanttevredenheid, loyaliteit, bestedingen bij uw bedrijf versus bestedingen bij de concurrentie, etc. Door de opkomst online gekoppelde databases wordt in de toekomst een grotere beschikbaarheid van deze data verwacht. + Voordelen: Ze zijn rijker en kunnen inschattingen opleveren van een breed scala aan marketinggerelateerde variabelen. - Nadelen: Ze zijn niet voor alle klanten beschikbaar. Ze worden niet continu van updates voorzien voor elke klant. Ze kunnen meetfouten bevatten.

15 Customer Insights Center onderzoeksrapport CIC 15 Transactiedata voor churnmodellen Relevante transactiedata voor een churnmodel zijn: relatieduur, klachten, aantal producten per klant, omzet per klant, aankoopdatum, ontvangen mailings, contactkanaal waarop de klant is geworven, et cetera. + Voordelen: Transacties van klanten in databases maken het gedrag van klanten zichtbaar. - Nadelen: Transactionele data geven wel inzicht in gedrag, maar niet in de achtergrond hiervan. In transactionele data kunnen nog wel eens zelfverstopte paaseieren zitten: klanten die loyaal zijn worden vaker benaderd en daarom zijn ze loyaal. Of klanten die via directe kanalen binnen komen zijn loyaler dan klanten die via indirecte kanalen binnen komen. Komt dit door zelfselectie, aangezien loyalere klanten eerder het directe kanaal kiezen? Interpretatie van de effecten van transactionele data zijn niet altijd duidelijk. Een belangrijke controlevraag luidt: wat gebeurt er nu echt?

16 Customer Insights Center onderzoeksrapport CIC 16 Beschrijvende en/of voorspellende modellen? Vaak lijken er maar weinig verschillen tussen beschrijvende en voorspellende modellen te bestaan: veelal worden zelfs dezelfde modellen gebruikt. Echter: Voor voorspellende modellen is de voorspelkracht van het model van belang. In hoeverre is het mogelijk om de switchkans (p in het model hieronder) goed te bepalen. De manier waarop (de rechterkant van het = teken) mag een black box zijn. Voor voorschrijvende modellen is het van belang om ook in de black box te kunnen kijken. Welke van de verklarende variabelen (de X-en hieronder) zijn relevant? Dat is vast te stellen aan de hand van de grootte van geschatte effecten (de β s in het model). p ˆ = f ( α + β X + β X ) Focus van voorspellend model Focus van beschrijvend model

17 Customer Insights Center onderzoeksrapport CIC 17 Beschrijvende en voorspellende modellen samen! Steeds meer wetenschappelijke studies maken gebruik van een combinatie van een meer beschrijvende aanpak en de voorspellende aanpak. Een gecombineerd churnmodel met transactionele data is beter theoretisch gefundeerd. De analist wordt gedwongen om na te denken over wat hij/zij in het voorspellingsmodel stopt en wat de resultaten betekenen. Zo n churnmodel kan churn voorspellen en biedt daarnaast handvatten gericht op het beïnvloeden van weglopende klanten. Venkatesan en Kumar, 2004

18 Customer Insights Center onderzoeksrapport CIC 18 Implementatiestappen Om de beoogde resultaten (minder vertrekkende klanten, minder omzeten winstverlies) te kunnen verzilveren met een goed churnmodel worden vier stappen voorgesteld die door het Customer Insights Center in de praktijk zijn getoetst bij diverse organisaties. Na stap 4 kan desgewenst een nieuwe brainstormronde (stap 1) volgen om het churnmodel te verbeteren en daarmee een zogenaamde learning loop in de organisatie te creëren. Stap 1: brainstorm! Stel een lijst op met mogelijke drivers van klantverloop uit markt-onderzoeksdata: waarom zouden klanten weglopen? Stap 2: ontwikkel! Breng in kaart welke variabelen het klantverloop het beste voorspellen en ontwikkel het churnmodel. Stap 3: organiseer! Identificeer churners, zet medewerkers in op klantbehoud en meet de resultaten in vergelijking met een controlegroep. Stap 4: herijk! Evalueer en toets het churnmodel om het te verbeteren. Klopt het model in een latere periode nog steeds?

19 Stap 1: brainstorm! Stap 2: ontwikkel! Stap 3: organiseer! Stap 4: herijk! Customer Insights Center onderzoeksrapport CIC 19 Stap 1: brainstorm! Welke variabelen zouden het weglopen van klanten wel eens kunnen verklaren? Suggestie: start eens met het Dutch Customer Performance Index model en bediscussieer welke variabelen ervoor zorgen dat bepaalde klanten naar de concurrentie verdwijnen. Value-to-Customer (V2C) Ontvangt de klant voldoende waarde in zijn/haar perceptie? Relation Equity (RE) Communicatie Klantrelatie Value Equity (VE) Oordeel prijzen Prijs/kwaliteit Brand Equity (BE) Sterkte merk Innovativiteit Verbondenheid Aantal klachten Aantal aankopen Waarde aankopen Unieke propositie Concurrentiepositie Emoties Positieve emoties: blijdschap, geluk, etc. Negatieve emoties: boosheid, spijt, etc. Voor meer informatie over DCPI zie RE, VE: gebaseerd op Rust, Lemon & Zeithaml, BE: gebaseerd op Verhoef, Langerak & Donkers, 2007.

20 Stap 1: brainstorm! Stap 2: ontwikkel! Stap 3: organiseer! Stap 4: herijk! Customer Insights Center onderzoeksrapport CIC 20 Stap 2: ontwikkel! Combineer variabelen uit diverse bronnen en schat het churnmodel Transactiedatabase Bijv. relatieduur, wervingskanaal, loyaliteit, ontvangen mailings, crosssell & up-sell reacties, et cetera. Bijv. prijs, aantal aankopen, aantal retourzendingen, betaalgedrag, etc. Bijv. betaalde prijspremies ten opzichte van concurrenten, merkvoorkeuren, et cetera. Bijv. emotionele reacties callcenter, teruggekoppelde klantervaring (zoals verzekeringschade of winnen van prijs in loterij, et cetera) Relation Equity (RE) Communicatie Klantrelatie Value Equity (VE) Oordeel prijzen Prijs/kwaliteit Brand Equity (BE) Sterkte merk Innovativiteit Verbondenheid Aantal klachten Aantal aankopen Waarde aankopen Unieke propositie Concurrentiepositie Emoties Positieve emoties: blijdschap, geluk, etc. Negatieve emoties: boosheid, spijt, etc. RE, VE: gebaseerd op Rust, Lemon & Zeithaml, BE: gebaseerd op Verhoef, Langerak & Donkers, 2007.

21 Stap 1: brainstorm! Stap 2: ontwikkel! Stap 3: organiseer! Stap 4: herijk! Customer Insights Center onderzoeksrapport CIC 21 De praktijk bij een zorgverzekeraar leert dat een (langere) relatieduur de wegloopkans verkleint Doel: voorspellen switchgedrag per 1 januari Data: sample van klanten met totaal 40 onafhankelijke variabelen, waarvan 10 significante variabelen (waaronder relatieduur). Afhankelijke variabele: waargenomen switchgedrag per 1 januari Statistische modelkeuze: logistische regressie. Verklarende waarde: 7,5% van het switchgedrag. Op basis van dit model zijn de switchkansen voor alle klanten berekend. Bron: Dijksterhuis & Velders, 2009

22 Customer Insights Center onderzoeksrapport CIC 22 Stap 3: organiseer! Stel een behoudteam samen dat klanten overtuigt om niet over te stappen Belangrijke tips gebaseerd op diverse praktijkervaringen: Stap 1: brainstorm! Stap 2: ontwikkel! Stap 3: organiseer! Stap 4: herijk! Kies de medewerkers uit dit team zorgvuldig, want niet iedereen is van nature goed in het overtuigen en overhalen van klanten die de concurrentie overwegen. Splits de klantengroep die op basis van het churnmodel dreigt op te stappen in twee subgroepen en laat het behoudteam slechts één subgroep bewerken. Dit biedt de mogelijkheid om aan de hand van de andere controlegroep (klanten die niet worden benaderd) te toetsen hoeveel succes dit team daadwerkelijk heeft. Zorg voor voldoende mandaat bij deze medewerkers om zelf creatief mee te mogen denken met de klant en ze in bepaalde gevallen ook toezeggingen te mogen doen. Bereken periodiek wat de behoudresultaten zijn, vier successen zichtbaar in de organisatie en zorg dat het topmanagement dit team daarmee complimenteert. Hef het behoudteam niet te snel op, want meestal kost het maanden voordat het complete resultaatpotentieel wordt bereikt. Bronnen: gecombineerde ervaringen vanuit vele implementatieprojecten.

23 Customer Insights Center onderzoeksrapport CIC 23 Klantbehoudactie zorgt voor lagere churn Stap 1: brainstorm! Stap 2: ontwikkel! Stap 3: organiseer! Stap 4: herijk! Marktbewerking is door een behoudteam uitgevoerd op de twee hoogste decielen. Met controlegroepen is het effect meetbaar gemaakt van de marktbewerkingen. Resultaat: 20-25% lagere uitstroom in de segmenten waar marktbewerking heeft plaatsgevonden ten opzichte van de controlegroepen. Werkelijke churn Bron: Dijksterhuis & Velders, 2009 Deciel

24 Stap 1: brainstorm! Stap 2: ontwikkel! Stap 3: organiseer! Stap 4: herijk! Customer Insights Center onderzoeksrapport CIC 24 Stap 4: herijk! Tips voor additionele variabelen Suggestie: betrek het behoudteam bij het verbeteren van het churnmodel! Transactiedatabase Bijv. relatieduur, wervingskanaal, loyaliteit, ontvangen mailings, crosssell & up-sell reacties, et cetera. Bijv. prijs, aantal aankopen, aantal retourzendingen, betaalgedrag, etc. Bijv. klantinterviewdata, bereidheid om prijspremie te betalen ten opzichte van concurrenten, et cetera. Bijv. emotionele reacties callcenter, teruggekoppelde klantervaring (zoals verzekeringschade of winnen van prijs in loterij, et cetera) Zoek afgeleide variabelen in transactiedata: Betalingsgedrag tevredenheid. Hoe lang klant, aantal keren ingelogd, big/small spender commitment. Neem ook het verleden van de klanten mee: Trendvariabelen voor up-sell uitgebreider of verminderd productenof dienstenpakket, groei gespaarde punten op klantenkaart. Trendvariabelen voor cross-sell groei of vermindering aantal diensten of producten, aantal aankoopplaatsen en/of kanalen.

25 Keuzes Sommige statistische methoden werken beter

26 Customer Insights Center onderzoeksrapport CIC 26 Logistische regressie en decision trees worden het meest gebruikt om churn te voorspellen Discriminant analyse 9% cluster analyse 7% Bayesiaanse methoden 5% neurale netwerken 11% logistische regressie 45% decision trees 23% Bron: Neslin et al., 2006

27 Customer Insights Center onderzoeksrapport CIC 27 Logistische regressie en decision trees blijken ook de beste methoden om churn te voorspellen Wetenschappelijk onderzoek in een churncompetitie toont aan dat deelnemers met decision trees en/of logistric regression modellen betere churn-voorspellingen deden *. Ander wetenschappelijk onderzoek laat zien dat de verschillen in prestaties tussen deze twee methoden relatief gering zijn **. Let op: het ene model blijkt beter geschikt voor specifieke doeleinden en bepaalde data. Het is dus verstandig om vooraf na te gaan wat de doelstelling is van een te ontwikkelen churn model en welk type data beschikbaar is. * Neslin et al., Data van een Amerikaans telecom bedrijf met calibratieset van klanten en 50% churners, 171 mogelijke verklarende variabelen, validatieset periode 1: klanten, validatieset periode 2: klanten, 33 deelnemers, 44 modellen geschat, churnvoorspellingen vergeleken, groot verschil in performance. ** Diverse bronnen, waaronder Blattberg et al., 2008.

28 Customer Insights Center onderzoeksrapport CIC 28 Logistische regressie is vooral geschikt voor het voorspellen van binaire (0;1) uitkomsten De afhankelijke variabele is altijd binair (hier: 0 = klant vertrekt; of 1 = klant blijft). De voorspellers mogen zowel continu (van 0 tot 1 en alles daartussen) als binair zijn. In een churnmodel wordt de churnkans geschat op basis van het churngedrag van individuele klanten. Hierbij wordt gebruik gemaakt van de logistische transformatie. Het lineaire model ziet er dan als volgt uit: p ln = β 0 + β1 p X 1 + β2 X β 1 n X n In dit model is p de kans op churn en ln een natuurlijk logaritme. De X-en zijn voorspellers en de β s de bijbehorende parameters. Als een parameter significant van nul verschilt, dan heeft de corresponderende voorspeller een systematische invloed op de churnkans.

29 Customer Insights Center onderzoeksrapport CIC 29 Decision trees zijn toegankelijker voor managers Deze methode splitst de totale klantengroep op in subgroepen die zo sterk als mogelijk van elkaar verschillen qua churngedrag. Dit proces levert een boomstructuur op. + Voordelen: Eenvoudig te interpreteren voor niet-statistici en managers. De opsplitsing in groepen is voor veel mensen heel natuurlijk en linkt met segmentatie. Deze techniek is beschikbaar in veel statistische pakketten. Vooraf hoeft geen model te worden gespecificeerd, want de opsplitsing verloopt automatisch op basis van statistische toetsen. Geen beperking ten aanzien van de schaaltypen van voorspellende variabelen. O.a. Neslin, Blattberg, Kim, 2008

30 Customer Insights Center onderzoeksrapport CIC 30 Logistische regressie levert output in tabelvorm Variabele Geschatte coëfficiënt Significant? Constante -4,056 Ja Relatieduur Ja Aantal klachten 0,878 Ja Aantal telefoontjes met service desk Nee R 2 = 25,4% Hoe goed past het model bij de data? Welk deel van de churn wordt verklaard door het model? 100% = perfect. 0% = heel slecht. Geschatte waarden voor de β s. Een positief (negatief) getal betekent dat de bijbehorende variabele de churnkans doet toenemen (afnemen). Welke variabelen zijn systematisch van invloed op de churnkans?

31 Customer Insights Center onderzoeksrapport CIC 31 Decision trees met boomstructuur Eerste belangrijke opsplitsing: wel/geen . Maakt het verschil in churn tussen beide groepen zo groot mogelijk (60% en 44%) Stap 2: beide groepen worden verder opgesplitst. Hier toevallig allebei op relatieduur. Geen 60% 52% campagne Wel 44% Klantrelatieduur Klantrelatieduur Duur < 1 69% Duur 1-3 Duur > 3 58% 50% Duur < 1 50% Duur 1-3 Duur > 3 44% 37% Geslacht Man, onb. 72% Vrouw 66% Het opsplitsen stopt als het verder opdelen geen significante verbetering meer oplevert

32 Customer Insights Center onderzoeksrapport CIC 32 Soms passen logistische regressiemodellen beter; in andere situaties decision trees Logistische regressie meer geschikt wanneer de grootte van de effecten van diverse voorspellers van belang zijn; er veel continue voorspellers zijn; er veel lineaire verbanden zijn tussen voorspellers en churn; er weinig interacties zijn tussen de voorspellers; individuele churnkansen moeten worden berekend. Decision trees meer geschikt wanneer communicatie van resultaten belangrijk is (het management snapt decision trees); er veel nominale voorspellers zijn; er meer niet-lineaire verbanden zijn tussen voorspellers en churn; er veel interacties zijn tussen voorspellers; er gezocht wordt naar segmenten van churners.

33 Customer Insights Center onderzoeksrapport CIC 33 Andere methoden kunnen soms ook zinvol zijn, maar worden minder gebruikt In de traditionele direct marketing was de zogenaamde RFM techniek populair voor mailselecties. Deze techniek voorspelt echter bij churn meestal lang niet zo goed als meer geavanceerde modellen. Discriminantanalyse was in verleden redelijk populair. Deze techniek wordt niet vaak meer gebruikt. Wij adviseren om deze analyse niet toe te passen. Neurale netwerken waren eind vorige eeuw populair en zitten in veel CRM software pakketten. Een probleem is echter dat niet inzichtelijk wordt wat daarbinnen precies gebeurt. Determinanten van churn worden ook niet echt goed zichtbaar. Relatief nieuw is de toepassing van machine learning methoden, die populair zijn in de informatica. Dit wordt ook wel bagging & boosting genoemd. Deze technieken verfijnen de uitkomsten van decision trees en logistische regressie. Onderzoek toont aan dat deze methoden nauwkeurig kunnen zijn in het voorspellen van uitkomsten. Blattberg, Neslin & Kim, 2008; Lemmens & Croux, 2006

34 Customer Insights Center onderzoeksrapport CIC 34 Elk churnmodel staat of valt met de modelkeuze 1. De modelkeuze is niet triviaal. Dit moet worden gebaseerd op duidelijke argumenten, afhankelijk van de doelstellingen van het model en de beschikbare data. Het verdient aanbeveling om te blijven zoeken naar het beste model. 2. Het combineren van modellen is zinvol. Zo worden decision trees ook wel gebruikt voor de selectie van voorspellers, of voor het inzicht krijgen in niet-lineaire verbanden, of om interacties tussen voorspellers op te sporen. Deze inzichten kunnen vervolgens worden gebruikt om het logistische regressiemodel beter in te richten.

35 Evaluaties Controleer een churnmodel voor gebruik

36 Customer Insights Center onderzoeksrapport CIC 36 Evalueer het gekozen churnmodel kritisch Vaak worden modellen beoordeeld aan de hand van een soort R 2 maatstaf. Deze maatstaf geeft aan hoe goed het model past op de data. De R 2 wordt uitgerekend bij logistische regressie, maar wordt weer niet berekend bij decision trees. Deze maatstaf zegt echter nog niet veel over de voorspelkracht. Een alternatief evaluatiecriterium is de hit-rate. Deze wordt berekend als het percentage goed geclassificeerde klanten. Wordt een klant correct ingedeeld als churner of als niet-churner? Een probleem hierbij is, dat de hit-rate sterk afhangt van het churn percentage. Bij een laag churn percentage (bijv. 10%) zal het model de meeste klanten als niet-churner classificeren (hit-rate dan rond 90%). Wij raden het gebruik van de hit-rate om een churn model te evalueren daarom af. Betere evaluatiemethoden zijn: Top-decile lift, Lift-curve en Gini-coëfficiënt.

37 Customer Insights Center onderzoeksrapport CIC 37 Evaluatiemaatstaf 1: top decile lift Een goed churnmodel kan klanten met een hoge churnkans te scheiden van de rest. Op basis van de voorspelde churnkansen worden de klanten ingedeeld in 10 groepen (decielen): de klanten met de laagste churnkans worden ingedeeld in groep 1, de volgende 10% van de klanten komt in groep 2, etc., tot aan groep 10, waar de 10% van de klanten met de hoogste churnkans in terechtkomen. Het werkelijke churnpercentage wordt uitgerekend in groep 10 en wordt gedeeld door het gemiddelde churn percentage: dit is de top decile lift. Dit getal geeft aan in hoeveel beter het churnmodel in staat is geweest de top-churners te identificeren in vergelijking met willekeurige selectie van klanten. Een top decile lift van 1 (of lager) geeft aan dat het model het niet veel beter (slechter) doet dan willekeurige selectie. In de praktijk komen vaak waarden voor tussen 2 en 4.

38 Customer Insights Center onderzoeksrapport CIC 38 Voorbeeld top decile lift bij een zorgverzekeraar Van elke individuele polishouder is de churnkans voorspeld. De 10% polishouders met de laagste voorspelde churnkans zijn in deciel 1 ingedeeld, enzovoorts. Uiteindelijk bleek het werkelijke churnpercentage in het laatste deciel 5,1%. Dit is vergeleken met het gemiddelde churn percentage (2,5%). De top decile lift komt dan uit op 5,1%/2,51% = 2,03. Segment Werkelijke churn 1 1,6% 2 1,8% 3 1,9% 4 2,0% 5 2,0% 6 2,1% 7 2,2% 8 2,6% 9 3,8% 10 5,1% Gemiddeld 2,51%

39 Customer Insights Center onderzoeksrapport CIC 39 Bij deze zorgverzekeraar had het churnmodel een redelijke voorspellende waarde 6% HOOG Sw itchpercentage Werkelijke churn 5% 4% 3% 2% 1% LAAG 0% LAAG Top-decile-lift: 2,03 Deciel Risico-indicatie HOOG T.o.v. het laagste segment (1,6%) scoort het hoogste segment 3,2 keer beter met een churnpercentage van 5,1%

40 Customer Insights Center onderzoeksrapport CIC 40 Evaluatiemaatstaf 2: de lift curve Op dezelfde manier kunnen we van elk deciel de lift berekenen. De cumulatieve lift wordt uitgezet tegen het deciel. Deciel Werkelijke churn Lift Cumulatieve lift 1 1,6% 0,64 0,64 2 1,8% 0,72 1,35 3 1,9% 0,76 2,11 4 2,0% 0,80 2,91 5 2,0% 0,80 3,71 6 2,1% 0,84 4,54 7 2,2% 0,88 5,42 8 2,6% 1,04 6,45 9 3,8% 1,51 7, ,1% 2,03 10,00

41 Customer Insights Center onderzoeksrapport CIC 41 De liftcurve toont aan dat de cumulatieve lift van dit model beter werkt dan een willekeurige lift Cumulatieve lift A B Cumulatieve lift Willekeurige lift Hoe krommer de lift curve, hoe beter het model. Daarom wordt ook de 45-graden lijn ingetekend. Deciel

42 Customer Insights Center onderzoeksrapport CIC 42 Evaluatiemaatstaf 3: de Gini coëfficiënt De Gini coëfficiënt kan worden gezien als een uitbreiding van de top decile lift: De top decile lift is een maatstaf voor de performance van het model voor de meest waarschijnlijke churners. De Gini coëfficiënt is een maat voor de overall performance van het model; voor alle klanten, niet alleen voor de waarschijnlijke churners. De Gini coëfficiënt is een getal tussen 0 en 1 en wordt berekend door de oppervlakte tussen beide lijnen in de cumulatieve lift curve te delen door de totale oppervlakte onder de 45 gradenlijn (oftewel: A/(A+B) in de figuur op de vorige bladzijde). In de vorige figuur is A gelijk aan 9,90 en B gelijk aan 40,1. De Gini coëfficiënt is hier dus 0,20. Een Gini coëfficiënt gelijk aan 1 betekent een perfect model, een Gini coëfficiënt van 0 betekent dat het model het niet beter doet dan willekeurige klantenselectie.

43 Valkuilen Voorkom problemen met churnmodellen

44 Customer Insights Center onderzoeksrapport CIC 44 Valkuil 1: een churnmodel is niet eeuwig houdbaar Top-decile lift neemt af met tijd tussen updates Hetzelfde geldt voor de Gini coëfficiënt Tip: update regelmatig het churnmodel, omdat de kwaliteit afneemt in de loop der tijd. Bij een telecombedrijf was dit al nodig na 3 maanden, terwijl bij een ziektekostenverzekeraar het model 2 jaar meegaat. Bron: Risselada, Verhoef &Bijmolt, 2008

45 Customer Insights Center onderzoeksrapport CIC 45 Valkuil 2: een lage churnkans vereist stratificatie Het churnmodel wordt meestal geschat op een deel van de klantendatabase (de calibration sample ). Vervolgens worden de resultaten geprojecteerd op de rest van de klantendatabase. Per klant wordt dan uitgerekend wat de churnkans is of in welk churnsegment hij of zij zit. Bij sommige organisaties is het aantal klanten dat overstapt zeer laag. Dus dan zijn er weinig churners in de calibration sample wanneer deze willekeurig getrokken wordt. Dit maakt het ontwikkelen van een goed churnmodel lastig. Oplossing: een gestratificeerde steekproeftrekking. In de sample zitten dan ongeveer 50% churners en ongeveer 50% non-churners. Daar wordt het model op geschat.

46 Customer Insights Center onderzoeksrapport CIC 46 Valkuil 3: slapende honden worden ook wakker Churnmodellen kunnen worden benut om behoudacties op te zetten. Potentiële churners kunnen worden benaderd met een direct mail actie. Probleem hierbij is dat nog-niet-churners bewust gemaakt worden dat ze van aanbieder kunnen switchen. Evalueer dus elke klantbehoudactie en stel achteraf het succes vast aan de hand van de positieve en negatieve effecten in de actie-groep, afgezet tegen de effecten in een controlegroep die niets heeft ontvangen. Vergeet niet: 1. Actie-groep en controlegroep mogen niet verschillen op relevante kenmerken. 2. Voorkom verstoringen, zoals het versturen van reguliere mailingen in dezelfde periode met ongelijke aandelen in de behoudgroep en in de controlegroep. 3. Kies voor een uitgebreide testopzet in plaats van de klassieke opzet.

47 Customer Insights Center onderzoeksrapport CIC 47 Valkuil 4: een klassieke controlegroep geeft geen perfect beeld Mailactie Meting Actie - groep Controle - groep tijd tijd Meting Gedachte: het verschil in meting kan veroorzaakt zijn door de mailactie! Probleem: wordt een gemeten verschil echt veroorzaakt door de actie?

48 Customer Insights Center onderzoeksrapport CIC 48 Een uitgebreide controlegroepopzet vergt meer metingen, maar geeft betrouwbaardere resultaten Meting 1 Mailactie Meting 2 Actie - groep Controle - groep tijd tijd Meting 1 Meting 2 Is het verschil tussen meting 1 en meting 2 in beide groepen gelijk? Houd in dat geval rekening met mogelijke verschillen tussen groepen.

49 Conclusies & aanbevelingen Verbeter een churnmodel stap voor stap

50 Customer Insights Center onderzoeksrapport CIC 50 Conclusies Klantwaardegroei (= Customer Lifetime Value) van de klantenbase wordt bepaald door klantacquisitie, klantretentie (= 1-churn), klantexpansie en klantkosten. Churn betekent: een klant die afhaakt, dus het bedrijf verlaat. Churn is vooral relevant bij bedrijven met een relatief hoog klantenverloop alsmede een hoge omzet per klant in verzadigde markten. Churnmodellen kunnen drie vragen beantwoorden: Waarom churnen klanten? Welke klanten churnen? Hoe behouden we klanten? Twee statistische methoden werken beter: logistische regressie en tree models. De voorspellende R 2 waarde is niet de beste evaluatiemaatstaf bij een churnmodel, Top-decile lift, Lift-curve en Gini-coëfficiënt voldoen beter.

51 Customer Insights Center onderzoeksrapport CIC 51 Aanbevelingen 1. Ontwikkel een business case en breng in kaart hoeveel de weglopende klanten kosten en wat het oplevert als een bedrijf serieus probeert om deze groep te behouden. 2. Implementeer churnmodellen aan de hand van vier stappen: brainstorm, ontwikkel, organiseer en herijk. Doorloop deze stappen regelmatig opnieuw, omdat churnmodellen niet onbeperkt houdbaar zijn. 3. Vergeet niet om steekproeven te stratificeren ingeval van lage churnkansen. 4. Houd rekening met het feit dat slapende klanten wakker kunnen worden van een klantbehoudactie. 5. Evalueer elke klantbehoudactie en stel achteraf het succes vast aan de hand van de positieve en negatieve effecten in de actie-groep, afgezet tegen de effecten in een controlegroep die niets heeft ontvangen.

52 Referenties Overzicht van de belangrijkste bronnen

53 Customer Insights Center onderzoeksrapport CIC 53 Belangrijkste literatuur Blattberg, Robert C., Byung Do Kim, Scott A. Neslin (2008), Database Marketing: Analyzing and Managing Customers, Englewood Cliffs, NJ. Neslin, Scott A., Sunil Gupta, Wagner Kamakura, Junxiang Lu & Charlotte H. Mason (2006), Defection Detection: Measuring and Understanding the Predictive Accuracy of Customer Churn Models, Journal of Marketing Research, Vol. 18, Lemmens, Aurelie & Christophe Croux (2006), Bagging and Boosting Classification Trees topredict Churn, Journal of Marketing Research, Vol 18, Wieringa, Jaap E. & Peter C. Verhoef (2007), Understanding Customer Switching Behavior in a Liberalizing Service Market: An Exploratory Study, Journal of Service Research, Vol 10, Verhoef, Peter C., Jenny van Doorn & Mathilda Dorotic (2007) Customer Value Management: An Overview and Research Agenda, Marketing Journal of Research in Management, 2, Franses, Philip Frans & Richard Paap (2001), Quantitative Models in Markting Research, Cambridge Universtity press, Cambridge. Dijksterhuis, M. & Steef Velders (2009) Het voorspellen van switchgedrag in een markt met een lage mobiliteit: Een case study, Jaarboek Marktonderzoekers, (te vinden op Risselada, Hans, Peter Verhoef & Tammo Bijmolt (2010) Staying power of churn prediction models, Journal of Interactive Marketing, 24(3),

54 Auteurs Curriculum vitae per auteur

55 Customer Insights Center onderzoeksrapport CIC 55 Prof. dr. Peter C. Verhoef Huidige functie: Hoogleraar Marketing, Research directeur Customer Insights Center, Vakgroepvoorzitter. Ervaring: Ruim 10 jaar ervaring in CRM-onderzoek. Opleiding: Bedrijfseconomie Erasmus Universiteit, promotie in de Economie bij het Tinbergen Instituut. Prof.dr. Peter C. Verhoef Expertisegebieden: CRM, Multichannel, Marketingstrategie.

56 Customer Insights Center onderzoeksrapport CIC 56 Dr. Jaap E. Wieringa Huidige functie: Universitair hoofddocent aan de Rijksuniversiteit Groningen, kerndocent van de opleiding Impactvolle analist. Ervaring: ruim 10 jaar ervaring in marketingmodellering. Vakgebieden: Bedrijfskunde, Marketing, Econometrie, Statistiek & Kansrekening. Dr. Jaap E. Wieringa Expertisegebieden: Pharmaceutical marketing, Marketing Model Building, Time series analysis, Diffusion modelling, Statistical Quality Control, Six Sigma, Database Marketing, Marketing Analytics, State Space Modeling, Kalman Filtering.

57 Customer Insights Center Center onderzoeksrapport Auteur CIC / 57 CIC Customer Insights Center Voor marketingmanagers die resultaten willen zien Op alle teksten en afbeeldingen rusten auteursrechten voorbehouden aan het Customer Insights Center

58 Customer Insights Center onderzoeksrapport CIC 58 Waarom een Customer Insights Center? U wilt bijvoorbeeld: a. Meer inzicht in wensen en gedrag van uw klanten. b. Nieuwe ontwikkelingen in het marketingvakgebied toepassen. c. Bewezen succesfactoren bij marketingimplementaties toepassen. Wij bieden tastbare resultaten: 1. Een platform voor professionals ter kennisuitwisseling. 2. Twee jaarlijkse seminars over toepassing van nieuwe klantinzichten. 3. Drie jaarlijkse onderzoeksrapporten. 4. Hoogstaand wetenschappelijk en praktijkrelevant onderzoek. 5. Diverse opleidingen ter verbetering van klantkennis van uw medewerkers. 6. Kennismaking met bijna of recent afgestudeerde topstudenten. 7. Maatwerkoplossingen ten aanzien van marketingonderzoek & -onderwijs. U vindt meer informatie op onze website:

59 Customer Insights Center onderzoeksrapport CIC 59 Voor marketing managers die resultaten willen zien Wetenschappelijke kwaliteit Het Customer Insights Center (CIC) vormt een onderdeel van de Faculteit Economie & Bedrijfskunde van de Rijksuniversiteit Groningen. Wetenschappelijke kwaliteit staat daar voorop. Theorie vertaald naar praktijk Vaak zijn wetenschappelijke publicaties over marketing, klanten en klantgedrag niet rechtstreeks geschikt voor implementatie in de praktijk. Daarom vertalen wij de nieuwste wetenschappelijke kennis naar toepasbare adviezen, rapporten, opleidingen, workshops en seminars voor het bedrijfsleven. Onderscheidend vermogen We zijn geen commercieel adviesbureau, maar bouwen op non-profit basis aan een langetermijnrelatie met onze leden uit het bedrijfsleven. U vindt meer informatie op onze website:

60 Customer Insights Center onderzoeksrapport CIC 60 Customer Insights Center leden Premium leden Basis leden Bijzondere projectleden Tevens bestaan diverse allianties met (inter-)nationale onderzoekscentra. U vindt ons meest actuele overzicht op:

61 Customer Insights Center onderzoeksrapport CIC 61 Customer Insights Center onderzoeksrapporten Onderzoeksrapporten worden exclusief verstrekt aan leden. U vindt ons meest actuele overzicht op:

62 Customer Insights Center onderzoeksrapport CIC 62 Meer informatie? Dr. Jelle T. Bouma Tel / cic@rug.nl Op alle teksten en afbeeldingen rusten auteursrechten voorbehouden aan het Customer Insights Center