Herken je dat? Als organisatie met abonnement-services staat waarschijnlijk het reduceren van churn op de agenda. Niet het meest populaire onderwerp, want we kijken nou eenmaal liever naar wat goed gaat. En wat is nu de beste manier om je churn te analyseren? Waar begin je? In deze blog leggen wij uit hoe je data kan gebruiken om churn te analyseren met de hoop op churn reductie.
Wat is churn? En waarom is het reduceren van churn zo belangrijk?
Churn is het aantal klanten dat stopt met het gebruik van de diensten of producten van je bedrijf. Het geeft aan hoe goed een bedrijf erin slaagt zijn klanten te behouden. Churn heeft een directe negatieve invloed op de inkomsten en winstgevendheid van je organisatie. Het verliezen van bestaande klanten betekent direct een daling in terugkerende inkomsten en het werven van nieuwe klanten is vaak duurder dan het behouden van je klanten.
En wat dacht je van je concurrentievoordeel? Door je klanten te behouden, krijg je voorspelbaarheid in je inkomsten, wat zorgt voor stabiliteit. Het stelt je als bedrijf in staat om te focussen op groei in plaats van het vervangen van je verloren klanten. Hierdoor kan je je concurrenten voor zijn. Plus, wat is er nou fijner dan een sterk product met tevreden klanten?
1. Verzamelen en organiseren van abonnee gegevens over een bepaalde periode
In onze analyse hebben we ons gericht op het online gebruik van abonnees van twee nieuwswebsites en de bijbehorende apps.
Ons doel klinkt simpel: het behoud van abonnees verbeteren. We willen begrijpen waarom sommige abonnees hun abonnement opzeggen en kijken welke factoren hieraan bijdragen. Door inzicht te krijgen in deze patronen, kunnen gerichte strategieën worden ontwikkeld om het behoud van abonnees te verbeteren.
Voor onze churnanalyse zijn we begonnen met het organiseren van een grote hoeveelheid eerder verzamelde abonneegegevens. Deze gegevens zijn verspreid over verschillende tabellen, waardoor de eerste taak is om deze tabellen zorgvuldig door te nemen en de relevante informatie samen te voegen. Hierbij hebben we de belangrijkste factoren geselecteerd, gebaseerd op domeinkennis en ondersteund door literatuuronderzoek (Belchior, L. M., António, N., & Fernandes, E. (2024).
Voor het samenvoegen van de data hebben we dbt (Data Build Tool) in combinatie met Snowflake ingezet. Snowflake fungeert als de centrale opslagplaats voor al onze tabellen, terwijl dbt ons in staat stelt om deze data op een efficiënte en gestructureerde manier te transformeren. Met dbt kunnen we modellen bouwen die de belangrijkste kolommen selecteren, berekeningen uitvoeren, en uiteindelijk een samengestelde dataset creëren. Hierdoor is het mogelijk om onze data consistent en herhaalbaar te verwerken, waardoor we een robuuste basis hebben voor verdere analyse.
We hebben ervoor gekozen om een analyseperiode van één jaar te hanteren, na overleg met experts binnen het domein. Deze periode biedt een goed overzicht van het abonneegedrag. Een nadeel van deze keuze is dat seizoensgebonden factoren niet zijn meegenomen in de analyse, wat de interpretatie van de resultaten zou kunnen beïnvloeden, vooral als churn-patronen sterk fluctueren per seizoen.
Door de enorme omvang van onze dataset is het essentieel om de transformaties in korte periodes op te splitsen. In dit geval hebben wij ervoor gekozen om de data maandelijks aan onze dataset toe te voegen, hoewel dit sterk afhankelijk is van het aantal klanten waarmee je werkt. Voor deze taak hebben we de tool Conveyor ingezet.
2. Definiëren van churn
Een belangrijke stap bij het analyseren van churn is het formuleren van een strakke churn definitie. De definitie die je hanteert kan namelijk best wel wat effect hebben op de analyse, daarom is het verstandig om deze definitie te laten afhangen van het doel van de analyse. Omdat wij geïnteresseerd zijn in het gedrag achter churn, hebben wij ervoor gekozen om de regels vrij rigide te maken. Abonnees die bijvoorbeeld binnen twee maanden weer terugkomen, hebben wij niet als churners gemarkeerd. Op deze manier kunnen wij voorkomen dat er ruis in de dataset ontstaat, omdat er veel abonnees tijdelijk hun abonnement opzeggen om extra korting te verkrijgen. Als je meer geïnteresseerd bent in de omzet of de uitstroom per maand, kan het verstandig zijn om dit soort abonnees wel mee te nemen in de analyse.
3. Data-analyse en interpretatie
Na het samenvoegen en organiseren van de data, hebben we de belangrijkste variabelen geïdentificeerd die invloed kunnen hebben op het verloop van abonnees (churn). Vervolgens hebben we deze variabelen geanalyseerd om patronen te ontdekken die wijzen op een verhoogd risico op churn. Tijdens deze analyse werd duidelijk dat het segmenteren van abonnees in groepen essentieel is om de inzichten te verfijnen.
We hebben ervoor gekozen om de segmentatie te baseren op drie belangrijke criteria: het type abonnement, de duur van de relatie met de organisatie en de activiteit van de abonnee. Deze segmentaties maakten het mogelijk om te zien welke factoren binnen elk segment een significante rol speelden in het churn-risico.
Door de gegevens op deze manier te segmenteren, konden we specifieke patronen en gedragingen per abonneegroep beter identificeren.
Conclusie
Het analyseren en aanpakken van churn levert de volgende waardevolle inzichten op:
- Een churn analyse geeft inzichten over waarom klanten vertrekken, wat helpt bij productverbetering.
- Het identificeren van risicofactoren voor churn maakt proactieve retentiestrategieën mogelijk.
- Het verlagen van churn dwingt je om continu waarde toe te voegen voor je klanten.
- Door actief churn tegen te gaan, kan je als abonnementsbedrijf je klantenbestand behouden, groeien en je dienstverlening verbeteren. Dit leidt tot een sterkere marktpositie en duurzaam succes op de lange termijn.
