Hvordan forutsi Churn Rate? – Den komplette veiledningen

De sier data er den nye oljen. Men vet du at data kan la deg observere hva fremtiden bringer for deg?

Måling av vekst er avgjørende for å spore og møte behovene til virksomheten. Imidlertid trenger du ofte noen forstyrrende beregninger som fungerer som en tidlig advarsel.

Å forutsi churn rate er en av dem. Dataene gir deg kanskje ikke grunnen til en godbit, men de gir potensielle fordeler. 

La oss innse sannheten: ikke alle forbrukere er lojale. 

Takket være en voldsomt voksende markedsplass. De er flyktige og beveger seg alltid etter unike funksjoner, bedre opplevelser og relevante prislapper. 

Å forutsi churn-rater gir derfor et konkurransefortrinn og en potensiell inntektskilde hvis det utføres riktig. Det er en "make or break"-mulighet der du identifiserer dine sårbare kunder og handler før det er for sent.

I denne artikkelen skal du lære hvor viktig Churn rate-prediksjon er for enhver bedrift og hva som skal til for å gjøre en vellykket analyse. For din ytterligere forståelse har jeg listet opp fem analyseverktøy på forespørsel for forskjellige størrelser av virksomheten.

Forutsi churn rate:

Enkelt sagt betyr å forutsi churn rater å snike-kikk inn i fremtiden og fornemme mulighetene for tap.
Hele prosessen er en blanding av kunstig og menneskelig intelligens.
Ingenting beveger seg her uten data.

Og når du har data, gjennomgår churn-prediksjonsverktøyene tre analyseprosesser:

1 Diagnostisk analyse: Du blir kjent med kundenes smertepunkter og årsaker bak deres misnøye.
2 Predictive Analytics: Hjelper deg med å finne et segment av brukere som kommer til å churn før eller siden.
3 Prescriptive Analytics: Hjelper deg med handlingsrettede løsninger eller beslutninger for å minimere churn rate.

Med prediksjonstallene i hånden, markedsføring og salgsledere kan ta kalkulerte beslutninger for å redusere churn og bygge merkelojalitet.

Kostnaden for å få en ny kunde kan variere fra 5 til 25 ganger mer enn å beholde en eksisterende. Mens reduksjon av churn rate med 5 % kan øke fortjenesten betydelig med 25 % til 95 %. 

Dessuten vil disse tallene alene ikke løse dine kommende problemer. Men de viser deg tegn på misnøye fra brukere før de helt forlater tjenesten din. 

Et av de gode eksemplene er en abonnementsbasert tjeneste. La oss snakke om OTT-plattformen.

Med antallet OTT-plattformer økende, har brukerne nå flere muligheter til å flytte. Dette banet selskapene til å optimalisere tjenestene deres fokusert på nøkkelindikatorer som Churn Rate, Livstidstransaksjonsverdi, kundeanskaffelseskostnad etc.

Men hvorfor er noen selskaper på toppen av spillet, mens resten av dem uendelig sliter med å beholde abonnenter?

Fordi de fleste av dem kun følger gamle og strenge måter å skaffe nye abonnenter på. Mens toppspillerne fokuserer hovedsakelig på strategier for churn-reduksjon. Og når det gjelder implementering og resultat, er Netflix en klar vinner. 

Ifølge en fersk rapport er Netflixs churn rate bare 3 %. 

Det er lavt fordi de alltid har fingrene på pulsen til sine abonnenter. Ved hjelp av prediktive analyseverktøy finner de ut smertepunktene sine, når ut til dem og tar litt ekstra forsiktighet. Deres abonnentmodeller for både fornøyde og utsatte kunder går sammen. 

Vær imidlertid oppmerksom på at å forutsi churn rate ikke gir deg en ferdig løsning. 

Hvert selskap har forskjellige forretningsstrategier, prediksjonsfaktorer og arbeidsflyter. Verktøy er ikke tryllestaver og fungerer forskjellig i hvert tilfelle. Markedsførere må tilpasse og skreddersy modellene til de spesifikke kundenes mål.

Selv om det er noen underliggende prinsipper for alle. For eksempel, for å utføre effektiv analyse, bør markedsførere undersøke churn-sannsynligheten måneder før fornyelsen – for eksempel 8 til 10 måneder for årlige abonnenter.

Dette hjelper dem med å samle inn sentimentanalysedata som atferd, bruksmønstre, seertider og generell opplevelse med produktet. 

Måten Netflix skaper brukerpersonas på er langt mer presis enn konvensjonelle markedsføringsmetoder. Med en god blanding av personlig tilpassede anbefalinger, tilbakemeldingssystemer og attraktive tilbud, kan de komme inn i hodet på brukerne. 

Hvordan forutsi churn rate?

En effektiv prognose for churn rate lar deg tette lekkasjen i forbrukerbøtten din. Ikke bare hjelper det deg med å spore forbrukerens reise, men også å sammenligne dem med de beholdte forbrukerne for å finne ut hva som gikk galt. 

Alt dette begynner med en enorm datainnsamling som deretter brukes i automasjonssystemer og CRM-verktøy. Selv om du jobber med robust programvare og datavitenskap, gir det ikke en jevn tur. 

Dessuten er det ingen måte å undersøke prognosen for churn rate. 

Så la oss finne ut hvordan bedrifter bruker de beste bransjepraksisene for churn-prediksjon:

1. Problemdefinisjon:

Bruk kundens sko. Det er det aller første skrittet du må ta for å definere et problem. Still de riktige spørsmålene. Dette hjelper teamet med å utarbeide en tilpasset modell for maskinlæring og finne ut avvikene.

For eksempel bør noen vanlige spørsmål høres ut som:

Vil dette kundesegmentet fornye abonnementet eller forlate tjenesten vår?

Hva er noen uvanlige tegn på brukeratferd?

Hva er sannsynlighetsestimatet (i tall) for churn?

2. Datainnsamling og undersøkelse

Som jeg nevnte i begynnelsen, er data den nye oljen. For å forutsi churn rate, trenger du massevis av historiske data. 

Vanligvis stoler bedrifter på pålitelige datakilder: Google Analytics, AWStats, Salesforce, Microsoft Dynamics, kommentarer fra sosiale medier eller fora, og on-demand-undersøkelser fra selskaper. 

3. Klargjøring av data for behandling

Dataene som samles inn er i rå og ustrukturert form. Det må tilpasses og dokumenteres i henhold til virksomhetens behov. For eksempel lagres vanligvis historiske data i en CSV-fil før de lastes opp til modelleringsprosessen. 

Videre må dataforberedelse klassifiseres i kundehelse og røde flaggindikatorer. Prosessen kalles kohortanalyse som fokuserer på oppbevaringsarbeid, men som også finner ut kundeinaktivitet.

Kundehelseindikator:

Sporing av brukerdata fra kjøpsstedet til nivået av engasjement, brukstid og tilfredshet. Dataene hjelper til med å forstå helsestatusen til brukere, spesielt de som sannsynligvis vil bli. 

Røde flagg-indikator:

Det innebærer å spore risikoen for kundefriksjon, endring i virksomheten (fusjon, markedsendring, etc.), lavere adopsjonsrate og generelt engasjement med tjenesten.

4. Rask og skitten sannsynlighetskalkulator:

Steven H. Noble fra Shopify definerte ligningen.

Hva bruker denne ligningen?

For eksempel har du en abonnentbasert tjeneste. Du står overfor churn-problemer, men du får også mange nye brukere i et godt antall. Virker som et løp, men hvem kommer til å vinne?

Du vil ha mindre churn hvis antallet nye brukere overstiger churn rate. Gir det deg en fordel?

Nei!

Her er ett enkelt stort problem. Hvor er oppbevaringen?

Den dagen en kunde bestemmer seg for ikke å forlate tjenesten, jo bedre ser du sjansene for oppbevaring. Dette kalles også brukerdagen.

Eksempel på beregning for å finne månedlig avgangssannsynlighet:

Antall avsatte kunder i april = 500

Nett nr. av nye brukere:

Kunder ved månedsstart = 700

Kunder ved månedsskiftet = 800

Få nye kunder = 100

Som et resultat er sannsynligheten for månedlig churn rate = 0.6 %

5. Net Promoter Score (NPS) metode:

NPS er en beregningsmetode for å identifisere hvilke typer kunder som kan churn i en gitt tidsramme. Poengsummen varierer fra 0 til 10 og er klassifisert i 3 deler:

Arrangører (9-10): Fornøyde kunder

Passive (7-8): Nøytrale kunder som kan bytte til bedre alternativer

Motstandere (0-6): Misfornøyde kunder

NPS er ganske enkelt forskjellen mellom % av promotører og motstandere. For eksempel, hvis antallet detractors er flere enn Promoters, indikerer dette churn. Så for å redusere churn-raten, må bedrifter redusere andelen Detractors og Passives. 

6. Prediktiv modellering:

Her er dataene klare til å trenes på programvaren. De mates inn i prediktive modeller som er innstilt og testet for å levere relevante resultater. Modellen er ikke annet enn en godt designet algoritme som et beslutningstre, regresjon osv. 

For eksempel, på en beslutningstrebasert modell, starter analysen din på rotnoden og slutter på bladet. 

Du har flere noder som assosieres med spørsmålene dine som sprer seg videre til grenene. Disse grenene betegner antall mulige løsninger som så havner på blader hvor man til slutt får predikerte verdier. 

Til slutt hjelper resultatene deg med å forutsi churn rate og avgjøre om kundene dine er fornøyde eller har risiko for churn.

Fordeler med å forutsi churn rate:

1. Kjenn risikoene på forhånd:

Prediktiv risikointelligens og datavisualisering gir deg en bevissthet om farene som lurer i fremtiden. Det hjelper å vurdere eksisterende planer og prosedyrer med prediksjonsrapporten og gir deg en sjanse til å revurdere den.

2. Få innsikt om risikoutsatte kunder: 

Det hjelper deg med å avdekke mønstre ved å presentere nåværende kundeinnsikt. Ved å sammenligne beregningene kan du overvåke resultatene og finne ut brukere som ikke genererer noen verdi eller viser tegn på misnøye.

3. Finn ut målmarkedet:

Med prediktiv segmentering kan du effektivt målrette mot potensielle kunder. Den bruker maskinlæringsteknologi for å skape en solid kjøperpersona. Dette hjelper deg å få kontakt med et relevant publikum som kan lette konverteringen og spare deg for tonnevis av tid og penger.

4. Redusere økonomiske tap på forhånd

Forbedrer synlighet gjennom prediktiv salgsanalyse som bidrar til å dempe økonomiske tap på grunn av faktorer som markedsmanipulasjon. Verktøyet kan også bidra til å gjenopprette driftstap og minimere overheadkostnader.

5. Produktive kalkulerte beslutninger

Beregnede beslutninger gir kanskje ikke alltid de riktige løsningene. Men ved hjelp av big data-analyse og maskinlæringsmodeller kan du fange opp variablene fra tidligere hendelser sammen med beregningene dine for å forutsi et produktivt resultat.

6. Bygg merkelojalitet og omdømme

Det hjelper å spore merkevarestrategi hvis engasjement overfor publikum blir levert med rette. Bedrifter får også fordelen av å forstå viktige anbefalinger fra brukerne. De kan analysere om kvaliteten på produktene blir forbedret i henhold til tilbakemeldinger og anmeldelser.

..Og On-Demand-verktøy for å forutsi Churn Rate:

1. SAP analytics cloud (anbefalt verktøy for planlegging og samarbeid)

SAP Analytics Cloud er en av de mest brukte programvarene for markedsanalyse. Det er en robust analyseplattform fullpakket med Business Intelligence, Predictive Analytics og Planning.

Det skybaserte systemet konverterer statiske regneark til handlingsorientert informasjon som lar markedsførere oppdage innsikt. Programvaren ble utgitt i februar 2015.

Implementeringsplattformer:

• Cloud, SaaS, nettbasert
• Mobil – iPhone
• Mobil – iPad

Viktige funksjoner:

1. Skysystem: Den drives av en database i minnet kalt SAP-HANA som øker sanntidsbeslutninger. 

2. Tilmented Analytics: En neste generasjons analysefunksjon drevet av maskinlæringsalgoritmer og NLP-er som veileder markedsførere selv uten datavitenskapelige ferdigheter.

3. Business Intelligence: Som et menneskesinn, men mye smidigere, filtrerer og kategoriserer systemets kognitive evne data, og varsler om feilene. 

4. Bedriftsplanlegging: Lag og koble strategier, operasjoner, økonomiske transaksjoner og versjoner i ett enkelt skygrensesnitt for problemfri og samarbeidende arbeidsflyt.

5. Sofistikert brukergrensesnitt: Et rikt brukerinteraktivt verktøy for å planlegge, tilpasse og administrere innholdet, malene, datamodellene og widgetene. 

Pros:

• Analyseoperasjoner på nettskyen
• Scenarioplanleggingsfunksjoner
• Kule widgets og maler
• Høy sikkerhet og tilgangskontroll
• Rettidig oppdateringer

Cons:

• Færre diagramalternativer mens du bruker analysehistorie
• Autolagringsfunksjon
• Forsinkelser i datainnhenting fra levende kilder
• Fortsatt i utviklingsstadiet og ikke alle funksjoner er fullverdige

Priser:

• 90-dagers prøveversjon med begrensede funksjoner
• Business Intelligence-plan (begrenset planleggingsmodell): ~ $35 per måned
• Komplett plan (med alle planleggingsmodeller): Be om tilbud.

2. KNIDE (anbefalt verktøy for store bedrifter)

Det er den beste datavitenskapelige programvaren for store bedrifter. KNIME tilbyr to typer programvare: KNIME Analytics Platform og Commercial KNIME Server.

KNIME Analytics Platform er et åpen kildekodeverktøy for datautvinning og prediktiv analyse. Mens KNIME Server er et bedriftsutgaveverktøy som inkluderer alt fra Analytics Platform pluss funksjoner for automatisering, samarbeid, administrasjon og distribusjon. 

Begge verktøyene kan hostes på AWS eller Microsoft Azure. Programvaren ble utgitt i juli 2006.

Implementeringsplattformer:

• Cloud, SaaS, nettbasert
• On-Premise – Windows
• On-Premise – Linux

Viktige funksjoner:

1. Skalerbarhet: Intelligent automatisk databufring for å håndtere store datamengder.

2. Brukergrensesnitt: Intuitiv UI-funksjon for effektiv arbeidsflyt og datautforskning. 

3. Algoritmestøtte: Støtter et bredt spekter av datautvinningsalgoritmer i bedriftskvalitet (beslutningstre, clustering, nevrale nettverk, etc.)

4. Datavisualisering: Avanserte matematiske og statistiske funksjoner og tilpasningsmuligheter. 

5. Høyytelsesserver: Reduserer datainnlastingstid og hjelper sømløst samarbeid på skyen. 

Pros:

• Laget for å håndtere store datamengder
• Robust sett med algoritmer, matematiske og statistiske funksjoner
• Støtter mange nettrapporter

Cons:

• Et overfylt brukergrensesnitt kan virke forvirrende
• For dyrt for små og mellomstore bedrifter
• Ganske komplisert for enkeltpersoner å lære
• Bruker en stor del av datamaskinens minne (kan påvirke effektiviteten)

Priser:

• KNIME Analytics-plattformen er gratis
• KNIME Server har 3 prisnivåer (for 5 brukere og 8 kjerner):

Liten: $14,500

Middels: $29,000 XNUMX

Stor: $52,000 XNUMX

3. RapidMiner Studio (anbefalt verktøy for forskere og startups)

RapidMiner-verktøyet tilbyr dybde i maskinlæring og datamodelleringsoperasjoner. Anerkjent av de beste markedsundersøkelsesfirmaene (Gartner, Forrester), er det ingen andre tanker om hvorfor dette verktøyet er dataforskeres favoritt. 

Programvaren har to versjoner: RapidMiner Go og RapidMiner Studio.

Dette verktøyet er integrert av både store bedrifter og startups, og passer for alle erfaringsnivåer. RapidMiner ble grunnlagt i 2007.

Implementeringsplattformer:

• Cloud, SaaS, nettbasert
• Desktop – Mac
• Desktop – Windows
• On-Premise – Windows
• On-Premise – Linux

Viktige funksjoner:

1. Rik algoritme: Bibliotek med 1500+ maskinlæringsalgoritmer for å støtte datavitenskapelige operasjoner.

2. Kan legge til ny funksjonalitet: Ved å bruke Python- og R-språkene kan forskere legge til nye funksjoner ved å gjenbruke eksisterende kode. 

3. Utdanning og opplæring: Et av de beste verktøyene for studenter eller praktikanter for å forstå anvendelsen av datavitenskap 

4. Bruksområde for flere næringer: Gjelder for nesten alle sektorer: SaaS-virksomhet, bilindustri, e-handel, etc. 

5. Sømløs dataanalyse: Sterk maskinlæringsmekanisme forhindrer lasteforsinkelser og leverer resultater på kort tid. 

Pros:

• Rik algoritmeressurs for dataopplæring
• Stor tillit basert rundt om i verden
• Filhåndtering og visualiseringsmuligheter
• For alle erfaringsnivåer

Cons:

• Et problem med Python-integrasjon
• Ikke veldig hyppige oppdateringer om læremateriell
• Tar for mange systemressurser hvis data er store

Priser:

• For enkeltpersoner:

         RapidMiner Studio er gratis

         RapidMiner Go: $10/måned

• For bedrifter: Be om et tilbud

4. Alteryx (det mest allsidige analyseverktøyet)

Alteryx tilbyr Analytic Process Automation (APA), en avansert analyseprogramvare laget for å dekke nesten alle bransjebehov. Programvaren er kjent for robust automatisering, rask behandlingstid og rask ROI.

Den kan utføre sentimental analyse på rådata og gjør det enkelt for team å dele innsikt. I motsetning til mange andre analyseverktøy, kan Alteryx håndtere ustrukturerte data. 

Alteryx sin analyseprogramvare ble lansert i 2006.

Implementeringsplattformer:

• Cloud, SaaS, nettbasert
• Desktop – Windows
• On-Premise – Windows
• On-Premise – Linux

Viktige funksjoner:

1. Gjenbrukbare modeller: Dataingeniører kan gjenbruke datasett for å utarbeide ulike modeller.

2. Mest allsidig brukskoffert: Drives av nesten alle ledende sektorer: teknologi, detaljhandel, finans, helsevesen, gass/olje, myndigheter, etc. 

3. Enkelt å samarbeide: Brukere kan få tilgang til modeller laget av andre for å forhindre gjenoppfinning av hjulet eller gjentakelse.

4. Utmerket fellesskap: Enkelt å dele malene og ideene for å lette arbeidsflyten og spare tid.

5. Fleksibel distribusjon: Kan bruke eksisterende modeller laget i R eller Python uten behov for store tilpasninger.

Pros:

• Håndterer effektivt store datavolumer
• Uovertruffen allsidighet og hastighet
• Ekstremt aktivt og støttende fellesskap
• Utmerkede brukergrensesnitt og dra-slipp-funksjoner

Cons:

• Premium-prisede lisenser
• Sporadiske problemer med Python-integrasjon
• Problemer mens du kjører arbeidsflyten mens Excel-ark åpnes

Priser:

• For enkeltpersoner: $5,195 XNUMX per år
• Tillegg for tredjeparts datapakke (for enkeltpersoner): 

         Stedsinformasjon: $11,700 XNUMX per år

         Forbrukerintelligens: $33,800 XNUMX per år

• For bedrifter (Alteryx-server): Be om tilbud

5. H2O.ai  (beste åpen kildekode-verktøy for individ/bedrift)

Det er en åpen kildekode og distribuert ML-plattform i minnet som følger oppdraget med å demokratisere AI. Den tilbyr en skalerbar løsning til datafagfolk ved hjelp av mye brukte ML-algoritmer, statistisk visualisering og dyplæringsfunksjoner. 

H2O Wave, et nylig lagt til produkt, er et åpen kildekode-rammeverk for Python-utvikling. Rammeverket brukes til å utvikle sanntids AI-apper i henhold til virksomhetens behov.

H2O.ai ble grunnlagt i november 2011.

Implementeringsplattform:

• Desktop – Windows

Viktige funksjoner:

1. Åpen kildekode: Det beste åpen kildekodeverktøyet som muliggjør effektivt samarbeid og fellesskapsstøtte. 

2. H2O musserende vann: Lar brukere administrere tung databehandling ved hjelp av Apache Spark-integrasjon.

3. H2O4GPU: Bygget for å håndtere avanserte ML-modeller ved å utnytte GPUs datafunksjoner.

4. H2O førerløs AI: Brukervennlig GUI og egnet for dataingeniører på alle erfaringsnivåer for å trene, distribuere modeller og aktivere AutoML-funksjoner. 

5. Algoritmestøtte: Mye brukte statistiske og maskinlæringsalgoritmer for å utnytte modelleringsytelsen.

Pros:

• Et toppmoderne analyseverktøy med åpen kildekode
• Aktivt og støttende fellesskap
• Enkel å bruke UI-design 
• Utmerket AutoML-funksjonalitet

Cons:

• Kryptiske feilsøkingsmeldinger
• Utilgjengelig på flere plattformer
• Ingen støtte for datarensing
• Dokumentasjon om Python-integrasjon

Priser: 

• 21-dagers gratis prøveperiode
• Full tilgang: Be om tilbud

Konklusjon:

Avgangsprosenten er et uendelig problem. Men når du har de riktige verktøyene og de riktige analytiske strategiene, er du i stand til å kreve tilbake din andel mot oddsen.

Selv om det er en haug med avansert automatisering og intelligente funksjoner, er det aldri en lett oppgave å forutsi churn rate. Du trenger fortsatt et menneskelig perspektiv for å ta bevisste valg mot churn.

Selvfølgelig spiller sunn fornuft en stor rolle i å lage de riktige spådommene. Programvaren du bruker føler ikke kundens smertepunkter eller har noen forhandlingsevne. Men du gjør.

Jeg håper denne omfattende rapporten har hjulpet deg med å forstå omfanget av prognosestrategien for avgang. Minimum churn rate er; maksimum er ROI og ARR.