Fem tilgange til forudsigelse af medlemsfrafald. Og hvordan du kan bruge dem.

Medlemsorganisationer kæmper kontinuerligt med fastholdelse af medlemmer. Det gør de, fordi det ofte er billigere at fastholde eksisterende medlemmer end at skaffe nye.

Churn prediction blevet et vigtigt værktøj for organisationer, der ønsker at reducere frafald og fastholde deres medlemmer. Men hvad er churn prediction egentlig, og hvordan arbejder man systematisk med det i organisationen?

Sammen med Jacob Schjødt, der er Ph.D.-studerende og forsker i donationsadfærd, dykker jeg her ned churn prediction.

Forstå churn prediction som metode

Churn prediction, også kendt som forudsigelse af medlemsfrafald, er en teknik, der bruges til at forudsige, hvornår kunder eller medlemmer vil stoppe med at bruge en virksomhed eller organisations produkter eller tjenester.

Chrun prediction er vigtig for medlems- og indsamlingsorganisationer, da det giver dem mulighed for at identificere medlemmer, der er i risiko for at forlade organisationen, og derefter tage skridt til at bevare deres loyalitet.

Processen involverer normalt at indsamle data om medlemmernes adfærd og brug af organisationens produkter eller tjenester. Det er data der herefter analyseres ved hjælp af avancerede algoritmer og maskinlæringsmodeller for at identificere mønstre og faktorer, der kan indikere, at et medlem er i risiko for at forlade medlemsorganisationen.

"Churn prediction er anvendelsen af prædiktive statistiske modeller til øget forståelse af hvorvidt medlemmer eller donorer stopper med at støtte eller købe, hvornår de falder fra og hvilke faktorer som forårsager eller korrelerer med hhv. frafald og fastholdelse,” uddyber Jacob Schjødt, Ph.D.-studerende og forsker i donationsadfærd.

Churn prediction er altså en metode til at forudsige, hvornår et medlem vil falde fra, og hvilke faktorer der kan have en indvirkning på medlemmets beslutning.

Det giver medlemsorganisationer mulighed for at tage proaktive skridt til at fastholde medlemmerne og reducere frafaldet.

Sådan bærer du dig ad 

Når man som organisation arbejder med churn prediction, er det vigtigt at være opmærksom på, at churn prediction ikke er en løsning i sig selv, men snarere en metode til at generere indsigt i frafald og fastholdelse.

Der er derfor flere skridt, man kan tage for at få mest muligt ud af sin churn model. Jacob Schjødts gode råd til medlemsorganisationer er følgende:

1. Vær afklaret omkring forretningsproblemet

Først og fremmest er det vigtigt at være afklaret omkring det forretningsproblem, man vil løse, før man vælger en metode. Det kan ske, at man forelsker sig i en metode for metodens skyld, men det vil kun resultere i vægtning af anvendelse af metoden højere end værdiskabelse.

Man skal derfor starte med at opnå afklaring omkring det specifikke problem, man vil løse, og forholde sig derefter til churn-prediction som en ud af mange mulige metoder.

“Vil I gerne reducere frafald af medlemmer? Ja. Det giver god mening. Men churn prediction løser ikke frafaldsproblemet alene. Churn prediction giver jer indsigt i visse aspekter ved frafald. Vil disse indsigter være meningsfulde i jeres problemløsning? Hvis ja: Go for it! Hvis nej: Overvej en anden metode. Start med at stille skarpt ind på jeres specifikke problem, og forhold jer derefter til churn prediction som en ud af mange mulige metoder,” siger Jacob Schjødt.

2. Undersøg, om I har den fornødne data

Næste skridt er at undersøge, om man har den fornødne data, som kræves for at bygge den valgte model og give den ønskede indsigt.

Der findes forskellige churn-modeller, som hver kræver forskellige data-input. ​​Måden, hvorpå I definerer churn, vil også have betydning for den data, som modellen kræver.

Helt overordnet kan churn enten være noget, man observerer direkte (for eksempel hvis en der støtter fast hver måned afmelder sin støtte til Røde Kors), eller noget, som vi antager er sket (for eksempel hvis en kunde pludselig holder op med at handle i Netto efter at have været der fast en gang om ugen).

3. Byg og test jeres model

Når man bygger en churn-model, er det vigtigt at vælge den rigtige algoritme og de relevante inputdata.

Der findes som sagt forskellige typer af churn-modeller, herunder logistisk regression, beslutningstræer og neurale netværk, og hver type har sine fordele og ulemper.

Derfor bør man overveje, hvilken model der passer bedst til ens forretningsproblem og den tilgængelige data.

Efter at have valgt den model, der bedst passer til organisationens forretningsproblem og den tilgængelige data, er det vigtigt at teste modellen for at sikre, at den fungerer korrekt.

“En domæneekspert kan hjælpe med at evaluere modellens præcision og nøjagtighed. Derudover kan man udføre forskellige tests, såsom en krydsvalideringstest, for at sikre, at modellen er robust overfor forskellige datasæt og ikke over- eller under-tilpasser,” siger Jacob Schjødt.

Hvis modellen ikke viser sig at være tilstrækkelig præcis, kan det være nødvendigt at foretage justeringer. Det kan være at ændre inputdata, eksperimentere med forskellige algoritmer eller justere modellens parametre.

Det er vigtigt at have en iterativ tilgang til modelbygningen og kontinuerligt justere og forbedre modellen for at opnå de bedste resultater.

4. Anvend indsigter fra modellen

Når man har bygget og testet sin churn-model, kan man begynde at anvende indsigterne derfra. Men det er vigtigt at huske, at churn-prediction siger noget om frafaldssynlighed, forventet levetid eller hvilke faktorer der korrelerer med churn.

Modellen siger ikke noget om, hvordan medlemmer med høj churn-risiko - eksempelvis - reagerer på et 'I love you’-opkald. Derfor skal man være opmærksom på de antagelser, der stadig eksisterer, efter man har opnået ny indsigt fra sin churn-model.

“Måske er det netop mængden af kommunikation som får jeres medlemmer til at falde fra?

I det forberedende arbejde, vil jeg derfor anbefale, at man er opmærksom på de antagelser som stadig eksisterer, efter man har opnået ny indsigt fra sin churn model,” forklarer Jacob.

5. Evaluér arbejdet

For at evaluere arbejdet kan man undersøge, om modellens forudsigelser stemmer overens med virkeligheden, og om de indsigter, man har opnået, har ført til handlinger, der har haft en positiv effekt på frafaldsproblemet.

Det kan være en god idé at opstille klare successkriterier og mål, inden man går i gang med at anvende churn-modellen, så man senere kan måle og vurdere dens effektivitet.

Det er også vigtigt at huske, at churn-modellen ikke er en endegyldig løsning på problemet, men snarere en værdifuld kilde til indsigt.

Derfor skal man løbende evaluere og justere sin strategi, og eventuelt overveje at integrere churn-modellen i ens dashboards og dataanalyseværktøjer, så man altid har adgang til de seneste data og indsigter.

6. Løbende optimering og eventuel integrering

Når man har implementeret en churn-model, kan det være en god idé at overveje, om der er behov for løbende optimering af modellen. Dette kan f.eks. være nødvendigt, hvis der sker ændringer i organisationens forretningsmodel eller i medlemsadfærden, som kan påvirke modellens præstation.

Det kan også være relevant at integrere churn-modellen i organisationens dashboards eller andre rapporteringsværktøjer. Dette gør det muligt for jer at overvåge, hvordan churn-raten udvikler sig over tid, og identificere mulige årsager til medlemsfrafaldet.

Handl på de resultater, churn prediction-analyserne giver dig

At handle på baggrund af den viden, man får gennem churn-modeller, er afgørende for at opnå meningsfulde resultater.

Det er derfor vigtigt at have afsluttet det analytiske arbejde med churn-modeller, før man går i gang med at anvende dem. Der er flere typiske anvendelsesmuligheder for churn-modeller:

Tilbud og målrettet kommunikation til kontakt medlemmer med høj churn-risiko

Når man har identificeret medlemmer med høj churn-risiko, kan man udforme tilbud og kommunikation, der er specifikt målrettet disse medlemmer.

Ved at bruge churn-modeller kan man identificere de faktorer, der øger sandsynligheden for frafald hos disse medlemmer, og tilpasse sin kommunikation og tilbud, så de bedre imødekommer deres behov og ønsker. 

Målrettet medlemsrekruttering på baggrund af churn indsigter 

Churn-modeller kan også anvendes til at målrette medlemsrekruttering på baggrund af churn indsigter.

For eksempel kan man identificere de demografiske eller adfærdsmæssige karakteristika ved medlemmer, der har en lav churn-risiko, og bruge disse indsigter til at målrette sin rekrutteringskampagne mod lignende potentielle medlemmer. Dette kan øge sandsynligheden for at rekruttere medlemmer, der har en større tilbøjelighed til at forblive loyale og faste i organisationen. F.eks er mange NGO'er enige i, at de helst vil have medlemmer som er fyldt 30 år, pga den mindskede churn-risiko forbundet med denne gruppe.

Effektmåling af fastholdelsesindsatser

Effektmåling af fastholdelsesindsatser er en vigtig anvendelse af churn-modeller. Ved at måle effekten af fastholdelsesindsatser som kommunikation, loyalitetsprogrammer og medlemstilbud kan man få en bedre forståelse af, hvilke tiltag der har størst effekt på at reducere churn og fastholde medlemmer.

Ved at bruge churn-modeller til at udregne, hvor mange flere dage medlemmer forventes at blive hos organisationen som en konsekvens af at modtage nyhedsbreve eller andre kommunikationstiltag, kan man også vurdere, om indsatsen har været en succes. Dette kan hjælpe med at fokusere og forbedre fremtidige fastholdelsesindsatser.

At holde på medlemmer er en af de største udfordringer for medlemsorganisationer, og churn prediction er en metode til at forudsige, hvornår medlemmer vil falde fra og forstå faktorer, der kan påvirke deres beslutning.

Men churn prediction er ikke en løsning i sig selv. Snarere er det en metode til at generere indsigt i frafald og fastholdelse.

For at arbejde systematisk med churn prediction skal man først være afklaret omkring det specifikke problem, man vil løse, undersøge om man har den nødvendige data, og bygge og teste sin model med den rigtige algoritme og de relevante inputdata.

Medlemsorganisationer kan bruge churn prediction til at tage proaktive skridt for at fastholde medlemmerne og reducere frafaldet, men man skal huske, at churn prediction kun er en af mange mulige metoder, og den skal anvendes i sammenhæng med andre relevante metoder.