Jak udržet zákazníka na odchodu aneb Jak předcházet výpovědím

V tomto článku si řekneme co dělat, když je náš zákazník na odchodu. V prvé řadě je dobré o hrozící výpovědi vědět dříve než sám zákazník. Jak? Máme na své straně data, produktový katalog a čas si vše pořádně spočítat.

Kdy nastoupí retence

U retenčních aktivit je vhodné nejprve ucpat největší díry v lodi. Překvapivě často je to nedostatečná komunikace se zákazníkem, která vede k mnoha nedorozuměním. Setkáváme se také s produkty – zabijáky, s cenou nebo kvalitou naprosto „mimo mísu“. V telekomunikacích například dlouhou dobu vládl datový roaming, coby zabiják zdravých zákazníků. Stačilo si v zahraničí sednout na telefon s odemčenou klávesnicí a neštěstí bylo na světě – vysoká faktura za službu, kterou jste nechtěl(a). Ani jiným oborům se samozřejmě smrtelné produkty nevyhnuly, jmenujme například Windows Vista, New Coke, nebo váš poslední neradostný nákup.

Zdravou retenční politiku tedy začneme tím, že odstraníme hlavní nástrahy v produktech a tarifech. Pokud máme tento domácí úkol splněn, můžeme se pustit do sofistikovanějších retenčních aktivit na aktivní i pasivní straně.

Věrnostním mechanismům pro zdravou zákaznickou bázi se časopis Direkt věnuje ve vrchovaté míře, proto je v tomto článku vynechám. Budu se věnovat pouze „záchranné“ retenci, tedy udržení zákazníků, které jsme prozatím neučili nešťastnějšími. Je ovšem nutné poznamenat, že odměny pro zdravé zákazníky, by měli předcházet „záchranné“ retenci. Stejně jako v jakémkoli jiném vztahu, se i ve vztahu se zákazníkem vyplatí do fáze zachraňování příliš často nedostat. Pokud již zachraňujeme, musíme ale vědět, jak na to. K tomu nám dopomáhá prozřetelnost prediktivních modelů.

Pro koho je aktivní retence

Retenční aktivity jsou zejména vhodné pro businessy, kdy zákazník má dlouhodobou smlouvu s pravidelnými poplatky. V první řadě jsou to tedy telekomunikace, banky a utility. K aktivní retenci se pomalu uchylují i ostatní hráči, kteří působí na poli „subscription based“ podnikání.

Retenční nabídky jsou v zásadě nasazovány ve dvou situacích, proto mluvíme o reaktivní a (pro)aktivní retenci. V prvém případě, nám již volá zákazník, který není s něčím spokojen a naším úkolem je jen rozpoznat, zda to myslí vážně. Následuje předpřipravená retenční nabídka, která je obvykle výhodnější než stávající tarif zákazníka, a tak vztah narovná do win-win situace.

Myslet rychleji než zákazník je nutnost!

Náročnější disciplínou je proaktivní retence, kdy se snažíme odhadnout možnost výpovědi dříve než samotný zákazník. Tento aspekt skutečného předvídání je obecně podceňován, ale jedná se zcela stoprocentně o úhelný kámen antichurnu, čili aktivit proti výpovědím. Pokud totiž přijdeme na nevýhodnou situaci zákazníka až po něm, může být důvěra v naší společnost již tak nahlodána, že zákazníka nezachráníme.

Do modelu předpovědi výpovědí (churn prediction) vybíráme tedy takové proměnné, které ještě neznamenají výpověď, ale skutečně jí předcházejí. Pokud náš zákazník volá ke konkurenci, nebo mu spadla variabilní část účtu na nulu, je obvykle pozdě, a zákazník je prakticky ztracený. Zato například extrémně vysoký účet předchází rozhodnutí odejít. Jedním z hlavních kritérií úspěchu celého antichurnového programu je tak výběr indikátorů skutečně předcházejících ztrátu zákazníka. Myšlenku na ohrožení tedy musíme mít ve skoringu dříve, než jí má zákazník v hlavě.

Abychom si tento náročný úkol zjednodušili, schválně nesledujeme, co se děje „pět minut“ před výpovědí ale to, co se děje dva měsíce před ní. Získáme tím sadu indikátorů, které skutečně předvídají budoucí dění. Po nasazení modelu tím zároveň získáváme čas k cílení nabídky a k přesvědčení zákazníka, aby to s námi ještě zkusil. (viz Graf 1)

Pro předpověď se použije modelů založených na rozhodovacích stromech nebo na jiných data miningových postupech – například regresních modelech. Role algoritmu, který nakonec zvolíme, je v praxi překvapivě malá, zato výběr proměnných je zásadní.

Zákazník i produkt v ohrožení

Podstatné je pokusit se modelu porozumět a popsat si zákazníky v ohrožení. Dobrý antichurnový model nás může upozornit právě na díry ve firemní politice, pokud se pokusíme porozumět tomu, proč máme ohrožené zákazníky, a kteří to jsou. Pokud to jsou zákazníci s jedním produktem, je třeba pohnout kromě aktivní retence i s dotyčným produktem.

Tato zpětná vazba a náprava businessu by ve skutečnosti vyřadila z provozu prediktivní model. Pokud firma „ucpe díry“ ve své politice, identifikovaný zdroj ohrožených zákazníků vyschne a bude nutné hledat nové „díry“ pomocí nového modelu. Zásadně se tím ovšem zlepší situace s retencí zákazníka. To je ideální postup, při kterém může antichurnový model generovat peníze, jež budou rozlišitelné i ve výroční zprávě společnosti.

V praxi jsem je ovšem ve velkých a méně pružných korporacích antichurn zařazen na písečku marketingových nástrojů jako černá skříňka k cílení retenčních nabídek. Příležitost k nápravě firemní politiky tak často zůstane nevyužita a generují se pouze příjmy ze záchrany konkrétních zákazníků v kampaních. Kteří zákazníci odcházejí

Předpověď se vždy řídí příklady zákazníků, kteří již dali výpověď. Proč tito zákazníci odešli? Jak se lišili od ostatních zákazníků? Budou to ti, kteří se něčím vymykají. Buď mají nevhodně zvolený tarif, nebo je firma něčím naštvala – extrémně vysokou fakturou, změnou tarifního plánu, nekvalitním produktem, nevhodnou komunikací atd. (viz Graf 2)

Vybereme tedy zákazníky, kteří mají „dobrý důvod odejít“. Je dobré si uvědomit, že pomocí prediktivních modelů z interních dat neidentifikujeme pocitovou loajalitu, ale pouze „důvody k odchodu“. V pasivní retenci, kdy reagujeme na volání neloajálních zákazníků, je situace úplně odlišná, a víme jistě o záměru odejít. U prediktivních modelů tedy musíme být opatrní, abychom zákazníkovi nenaznačili, že je něco špatně. Nějaká část zákazníků ještě neví, že má důvod být nespokojená.

Fáze tvorby nabídky

Stejně jako kvalitní model je důležitá kvalitní nabídka, která přenese zákazníky do situace, kdy prostě nebudou chtít odejít. Vyhněme se proto slabým nabídkám, které nevzbudí zájem našich zákazníků, a mohou je jen upozornit, že je něco špatně. Retenční nabídka by měla být:

1. Relevantní – Ideálně vztažená k důvodu, proč je zákazník v ohrožení

2. Silná – zákazník musí nabídku skutečně zaznamenat

3. Ověřená – co funguje na jiných zákaznických skupinách, nemusí fungovat na této. Testujte tedy záchranné nabídky právě na zákaznících z churn prediction modelu.

Síla modelu

Na obrázku Graf 3, který pochází z reálně vytvořeného modelu, vidíme, že desetina zákazníků má více než čtyřnásobnou pravděpodobnost odchodu oproti ostatním. To znamená, že na naše ohrožené můžeme cílit čtyřnásobně účinněji. Můžeme jim tak dát čtyřnásobně účinnou nabídku při stejných nákladech, takže je daleko spíše zachráníme.

Co dál

Pokud zvažujete vlastní churn prediction model, doporučuji nejdříve spočítat velikost revenue, které vám utíká kvůli ztrátám zákazníků. Vhodné je také podívat se, jaká část výpovědí je odvratitelná. Pokud vztah s vašimi zákazníky končí až smrtí, můžete si gratulovat. Pokud však končí statusy jako „příliš vysoká cena“, „nevyužití“ nebo „přechod ke konkurenci“ je načase zvážit možnosti aktivní retence.

Jan Matoušek, autor je zakladatel firmy Data Mind s.r.o., specialista na data mining, www.datamind.cz



inzerce

banner

Kampaň dne

Kampaň dne: 3D direct mail na 877 architektů zařídil 229 schůzek pro zástupce Kingspanu

Časopis Direkt

  • Časopis pro direct marketing
  • Aktuality z ČR i ze světa
  • Výsledky světových soutěží
  • Průzkumy, analýzy, rozhovory
časopis DIREKT