23.4.2015 | Uutisarkisto

Asiakaspoistuman analyysi

Käynnistimme juttusarjan datalähtöisestä asiakkuuksien hoitamisesta. Ensimmäisessä osassa käsiteltiin asiakaskannan profilointia, nyt kerromme datan hyödyntämisestä asiakaspoistuman hallinnassa. Asiakkaan poistumisella tarkoitetaan asiakassuhteen päättymistä. Poistumaa ehkäisemällä voimme kasvattaa asiakkuuden kestoa ja sitä kautta elinkaariarvoa, joka lopulta näkyy yrityksen tuloksessa. 

Jotta asiakaspoistumaa voidaan hallita, on ymmärrettävä sen syyt. Osa syistä on sellaisia, joihin emme voi merkittävästi vaikuttaa – esimerkiksi suuret muutokset asiakkaan elämäntilanteessa. Tätä poistumaa kutsutaan orgaaniseksi poistumaksi.
Toisaalta, asiakkaalla voi olla huonoja kokemuksia tuotteesta tai asiakaspalvelusta, kilpailija on voinut tarjota hänelle omaa tuotettaan halvemmalla tai asiakas on yksinkertaisesti tylsistynyt tuttuun ja turvalliseen tuotteeseen. Reagoimalla näihin epäorgaanisen poistuman syihin ajoissa, voimme pelastaa poistumariskissä olevan asiakkuuden.
Oleellista on ymmärtää, miten suuri osa poistumasta on epäorgaanista, ja mikä tämän poistuman kautta menetetty arvo on yritykselle. Tämän jälkeen voimme arvioida, paljonko poistumasta olisi pelastettavissa eri toimenpiteillä, ja mikä pelastettavissa olevien asiakkuuksien arvo on. Pelastettavissa olevan poistuman arvo asettaa maksimirajan poistuman hallintaan panostettaville resursseille.
Data poistuman hallinnan tukena
Jotta poistumaa ehkäiseviä toimenpiteitä osataan kohdentaa oikeille henkilöille ja riittävän aikaisin, on poistumassa olevat tunnistettava. Kohdentaminen on äärimmäisen tärkeää, sillä poistumanhallintatoimenpiteet, esimerkiksi erikoistarjoukset ja muut aktivoinnit, ovat tyypillisesti hintavia.
Analyysissä rakennamme matemaattisen mallin, joka selvittää poistuneiden ja aktiivisten asiakkaiden eroja ja ennustaa kunkin asiakkaan poistumatodennäköisyyden. Tyypillisesti poistuma-analyysin data käsittää kunkin asiakkaan ja asiakkuuden perustiedot. Jokaisesta poistuneesta ja yhä aktiivisesta asiakkaasta kerätään demografisia tietoja sekä dataa asiakaskontakteista, esimerkiksi asiakkuuden iästä, mahdollisista reklamaatioista, asiakaspalvelukontakteista ja asiakkaaseen kohdennetuista markkinointitoimenpiteistä. Tämän lisäksi esimerkiksi tiedot tuotekäytöstä ovat tärkeitä.
Malli validoidaan alkuperäisestä datasta eristetyllä testiaineistolla. Validoinnissa vertaamme mallin antamaa ennustetta toteutumaan – onko asiakas poistunut vai ei.
Mitä analyysin jälkeen tapahtuu?
Analyysi antaa kaksi tärkeää tulosta poistuman hallintaan. Ensimmäinen on asiakaskohtainen poistumatodennäköisyys, joka nimensä mukaisesti järjestää asiakkaat poistumariskin mukaan ja paljastaa suurimmassa riskissä olevat asiakkaat. Poistumariskiin voidaan tarvittaessa yhdistää yksilöllinen asiakkuuden arvo, jolloin mallin ulostulo ilmaisee kunkin asiakkaan poistumisesta aiheutuvan rahallisen menetyksen.
Toinen tärkeä analyysin tulos on poistumaa selittävät tekijät, joita malli kuvaa helposti ymmärrettävällä tavalla. Esimerkiksi: ”hiljattain tehty ostos laskee poistumariskiä 5 %-yksikköä” tai ”yksi tuotereklamaatio nostaa poistumariskiä 3 %-yksikköä.” Tämä mallin ulostulo toimii siis välittömänä to do -listana poistuman tilkitsemiseksi ja antaa strategista tietoa asiakkuuden hoitomalleja varten.
Hyvin kohdennetut poistumanhallintatoimenpiteet ovat kustannustehokkaampia. Tuloksena saatava pidempi asiakkuuden arvo näkyy yrityksen tuloksessa kasvaneena myyntinä.
Kiinnostuitko? Ota yhteyttä: otto.olsson@dagmar.fi
Datalähtöinen asiakkuuksien hoitaminen
Osa 1. Asiakaskannan profilointi – läpivalaisu nykytilaan
Otto Olsson

Otto Olsson

Lisää aiheesta