Retentiestrategie: De juiste klanten behouden

Benadering 1: Churn-kans

Met behulp van historische retentie-/churngegevens in hun retentiestrategie kunnen bedrijven voorspellingen doen over welke klanten het meest waarschijnlijk zullen vertrekken. Op basis van de verdeling van deze kans op opzegging kan een bedrijf een selectie maken, bijvoorbeeld de 25% van klanten die de grootste kans hebben om te vertrekken. Deze op churn gebaseerde methode is de afgelopen jaren de meest gebruikte aanpak geweest, maar gaat voorbij aan een cruciale factor: gevoeligheid voor het aanbod. Klanten met de grootste kans om te vertrekken, zijn niet noodzakelijk het meest ontvankelijk voor een aanbod. Bekijk deze vaak gebruikte 2 X 2 om dit in perspectief te plaatsen.

De matrix beschrijft de behandeling (het ontvangen van een aanbod) en de reactie (blijven of weggaan). Twee dingen vallen op: ten eerste zijn er twee groepen waar de campagne geen effect heeft (zekerheden en verloren zaken), in welk geval middelen worden verspild omdat het gedrag van de klant niet verandert. Klanten die van plan waren weg te gaan, doen dat ook en klanten die wilden blijven, doen dat ook, met of zonder aanbod. Ten tweede kunnen dergelijke strategieën een positief of negatief effect hebben op de beslissing van de klant om bij het bedrijf te blijven. Negatieve effecten treden op als een aanbod wordt gedaan waardoor een klant vertrekt die anders zou zijn gebleven (slapende honden). Positieve effecten (persuadables) zijn de effecten die marketeers moeten nastreven in hun retentiestrategie.

Een op churn gebaseerde aanpak richt zich niet expliciet op de persuadables, wat leidt tot een suboptimaal of zelfs schadelijk resultaat. Er moet een betere manier zijn, en die is er.

Benadering 2: Uplift

Een manier om dit probleem aan te pakken is door een experiment uit te voeren en de uitkomst te gebruiken om te bepalen welke klant moet worden opgenomen. Het werkt als volgt: er wordt een klein experiment (bijvoorbeeld een A/B-test) uitgevoerd waarbij een steekproef van klanten een retentie-aanbod krijgt en een controlegroep niet. Op basis van deze gegevens wordt een model getraind om het extra (uplift) aantal klanten te voorspellen dat zal blijven door deze campagne (Ascarza 2018). Uplift-modellen zijn een techniek waarbij de incrementele impact van een behandeling (zoals een retentie-aanbod) op het gedrag van een individu direct wordt gemodelleerd. De uplift is de waarschijnlijkheid van klanten die blijven en een aanbieding ontvangen minus de waarschijnlijkheid van klanten die blijven en geen aanbieding ontvangen. Bijvoorbeeld, als 55% van de klanten die een aanbieding ontvingen bleef, terwijl 50% van de klanten die geen aanbieding ontvingen bleef, zou onze uplift 55% - 50% = 5 procentpunten zijn.

Bovendien geeft het model een belangrijkheidsscore in termen van wat de belangrijkste kenmerken van klanten zijn die geassocieerd worden met klanten die van verblijf veranderen (bijv. demografie, aankoopgeschiedenis, locatie, enz.). Met behulp van dit model, dat is getraind op een klein deel van het klantenbestand, kan de rest van de klanten die geen deel uitmaakten van het experiment nu worden gerangschikt op basis van hun neiging om te blijven als ze een aanbieding krijgen.

Het mooie van uplift modellen is dat er een causaal verband kan worden gelegd tussen de campagne en de verandering in het gedrag van de klant. De investering in het uitvoeren van een dergelijk experiment is beperkt en biedt ook de mogelijkheid om verschillende prikkels te testen om te zien welke het beste werkt. Daarbij heb je nu een datagestuurde manier om klanten te rangschikken op basis van hoe gevoelig ze zijn voor een retentieaanbod. Geweldig, maar kan het nog beter? Ja.

Benadering 3: Winstgebaseerde lift

Maar niet alle persuadables zijn gelijk. Klanten vertegenwoordigen een verschillende waarde voor het bedrijf. Sommige klanten staan misschien open om bij het bedrijf te blijven, maar zijn het niet "waard" om te hebben. Met behulp van customer lifetime value (bijvoorbeeld gedefinieerd als de verdisconteerde toekomstige kasstromen van een individuele klant) kan de selectie van te behouden klanten verder worden geoptimaliseerd (Lemmens en Gupta et al 2020). Het integreren van CLV en de kosten van de campagne biedt een op de lange termijn en winst gebaseerde aanpak voor het selecteren van klanten die niet alleen waarschijnlijk hun gedrag zullen veranderen, maar ook de meeste waarde voor het bedrijf vertegenwoordigen. In essentie is de aanpak hetzelfde, er wordt een A/B-test uitgevoerd, maar deze keer nemen we CLV op als gegevenspunt dat wordt gebruikt om de optimale (meest euro's) uitkomst te vinden.

Recent onderzoek (Lemmens en Gupta 2020) past deze benadering toe op een Europese tv-abonnementsdienst en de onderzoekers vinden dat het selecteren van klanten op basis van een winstverhogingsfunctie 21% meer waarde oplevert dan het gebruik van een benadering op basis van churn rate. Dus alleen al door de manier waarop de klanten worden geselecteerd te veranderen, wordt er waarde gegenereerd door dezelfde campagne, wat resulteert in een stijging van de totale inkomsten met 3% voor dit specifieke bedrijf.

Conclusie

Klantenbehoud is altijd een topprioriteit geweest voor marketeers, en nu de budgetten krap zijn, geldt dit misschien nog wel meer. Als je een retentiestrategie overweegt, wees dan slim in je selectie. Doe een experiment om persuadables te vinden en gebruik indien mogelijk CLV om te beslissen wie je echt wilt behouden. Door deze analyses te implementeren, kun je niet alleen klanten behouden, maar ook de algehele winst verbeteren. Twee dingen die elke marketeer zouden moeten doen glimlachen.

Als je meer wilt weten en een aantal live cases wilt zien, overweeg dan om deel te nemen aan ons webinar over klantanalyse op 26 mei. Doe mee aan het webinar hier.

Voetnoten

* Pro-actief verwijst naar klanten die nog niet hebben aangegeven dat ze weggaan.

** De intentie (willen) maakt normaal gesproken geen deel uit van dit onderscheid, maar het maakt de matrix naar mijn mening eenvoudiger te begrijpen.

Referenties

Ascarza, Eva (2018), "Retention Futility: Targeting High-Risk Customers Might Be Ineffective," JMR, Journal of Marketing Research, 55, 1, SAGE Publications Inc, 80-98, doi:10.1509/jmr.16.0163.

Lemmens, Aurelie en Sunil Gupta (2020), "Managing Churn to Maximize Profits," Marketing Science, Forthcoming, doi:10.2139/ssrn.2964906.