Churn voorspellen met een model per klant

Churn is het aantal klanten dat stopt met je product of dienst. Churn voorspellen, of churn prediction, betekent dat een model per klant de kans berekent dat hij in een volgende periode opzegt. Je kunt opzeggers dan voorspellen voordat het klantverloop in je cijfers staat. Het hoort bij de AI-toepassingen die we bouwen.

Wil je eerst weten wat je klanten waard zijn en welke groepen er zijn, lees dan over klantanalyse met data.

Afhankelijk van het doel. In onze analyse voor DPG Media ging het om het gedrag achter churn. Daarom waren de regels vrij rigide: abonnees die na korte tijd terugkwamen, telden niet als churner, omdat veel abonnees tijdelijk opzeggen om extra korting te krijgen. Gaat het je om omzet of uitstroom per maand, dan neem je ze juist wel mee.

Leg ook vast of een mislukte betaling als opzeggen telt. Dat is een ander probleem dan een klant die bewust stopt. Lees het blog over churn reduceren.

Het venster is de periode waarin je opzeggen voorspelt, gerekend vanaf een vast meetmoment. Het model mag alleen data gebruiken van vóór dat moment. Zit er een opzegmail of een belletje naar de opzeglijn in de invoer, dan lijkt het model goed, maar voorspelt het niets wat je nog niet wist.

Kies het venster naar de actie: een retentiebelletje vraagt meer aanlooptijd dan een mail met een aanbod.

Vaak gebruik en verandering in gebruik, relatieduur, type abonnement, contact met de klantenservice en betalingen. Voor DPG Media kozen we de factoren op basis van domeinkennis en literatuuronderzoek, en segmenteerden we op type abonnement, duur van de relatie en activiteit.

Per segment bleken andere factoren een rol te spelen in het churnrisico. Een model zonder die verschillen mist dus signalen.

Per klant laten we zien welke kenmerken de score het meest omhoog of omlaag duwen, bijvoorbeeld met SHAP-waarden: een methode die de bijdrage van elk kenmerk aan één voorspelling uitrekent. Dan ziet de retentiemedewerker dat het gebruik van de app is gedaald, niet alleen dat de score hoog is.

Let op: een kenmerk dat samenhangt met opzeggen, is niet vanzelf de oorzaak. Of een actie daarop werkt, toets je apart.

Met een controlegroep: een willekeurig deel van de klanten met een hoge score krijgt de actie niet. Het verschil in opzeggingen tussen de twee groepen is het effect van de actie, niet van het model.

Niet elke klant met een hoge kans laat zich overhalen; sommigen zeggen hoe dan ook op, anderen bleven toch al. Met uplift-modellering voorspel je bij wie de actie het verschil maakt. Dat vraagt eerst een paar rondes met controlegroepen.

Door scores en uitkomsten te blijven vergelijken. Een prijswijziging, een nieuw product of een andere opzegroute verandert het gedrag waarop het model is getraind. Dan hertrain je, en toets je eerst op recente opzeggers.

Bij DPG Media voegden we de data maandelijks toe, met dbt en Snowflake voor herhaalbare transformaties. Hoe we modellen in productie bewaken, lees je bij MLOps.

Als je een handvol klanten hebt die je persoonlijk kent, als opzeggingen niet met datum worden vastgelegd of als niemand op een score kan handelen. Dan geeft een eenmalige churnanalyse of een dashboard meer inzicht voor minder werk.

Een model loont pas als er genoeg opzeggers zijn om van te leren en een team dat elke week met de lijst aan de slag gaat. Zie ook de case van DPG Media.