Alexandra Instituttet A/S // Ydelser // Datadreven Forretningsudvikling // Churn Prediction

Churn Prediction

Ydelse

Churn Prediction
Churn prediction handler om at forudsige, hvornår ens kunder tænker på at forlade én. Ved man det, er det muligt at komme handlingen i forkøbet.

Kundefastholdelse

Kan dine egne kundedata kan måske fortælle dig, hvilke kunder der vil forlade dig? Bare dét, at du stiller dig selv spørgsmålet, gør, at du allerede er ved at rykke datadreven innovation ind i din forretning. Og så kan du ligeså godt gøre det ordentligt.

Traditionelt anvendes statistiske metoder til at forudsige, hvilke kunder vil forlade butikken. Dette er ofte forholdsvis succesfuldt i områder, hvor det er let at gennemskue et kundeforhold; eksempelvis når man har med abonnementløsninger at gøre. Rene statistiske metoder kommer ofte til kort i modeller, hvor der kan være store svinginger i køb over tid eller beløb.

Kunstig intelligens og subfeltet maskinlæring kan bruges til at forudsige, hvilke kunder der vil fravælge dit produkt eller ydelse i fremtiden. I stedet for eksplicit at programmere regler vil et maskinlæringssystem lære sig, hvilke reelle regler der gør, at kunder forlader din forretning. Det kan derfor understøtte din beslutning om, hvilke tiltag du skal iværksætte for at undgå det. Vi kombinerer domænekendskab - dem der ved noget om virksomheden og markedet med teknisk indsigt - dem der ved noget om algoritmer og statistisk metode.

Der er typisk fem trin, du skal igennem, og Alexandra Instiutttet hjælper med at finde de rette værktøjer undervejs.

1. Hvilke data har du, hvor er de, og kan vi få fingre dem?

Vi kigger på, hvad vi kan opnå med de data, du allerede har. Din virksomhed har typisk nogle data selv. Har du et kundeforhold,  så har du allerede en relation baseret på den interaktion, som kunden har haft med din virksomhed. Ofte er strukturerede data nemmest at tilgå, det kan være data fra en kundedatabase med diverse tal om kunderne. 

2. Hvad skal vi finde ud af?

Næste trin er at tygge sig gennem data ved hjælp af passende maskinlæringsteknikker. Vi prøver med de algoritmer, vi ved, der er gode til at finde de ting, vi ønsker, og vi har en værktøjskasse, vi kan dykke ned i afhængig af, hvordan vi ønsker at kombinere dem.

3. Løkke af eksperimenter i iterativ proces
 

Struktureret form i eksempelvis intern kundedatabase
Er der indikatorer i dine strukturerede kundedata, som leder op til, at kunder har forladt dig. Vi kører halvdelen af data igennem og træner algoritmen op, som konstruerer en model, der kan forudsige, at de kunder, som den nu har set, har forladt virksomheden.

Interne ustrukturerede data
Kan maskinen ikke finde ud af det, vi håbede, har den altså lært noget forkert. Egne interne data vil ofte være tilstrækkelige, men der kan være en faktor, som dine data ikke ved eller viser. Vi dykker ned i, om vi kun har trænet på forkerte data. Konkurrenten har måske lanceret et nyt produkt, og den information skal vi også tage vare på, hvis det er den udløsende faktor.  Har vi brug for flere data eksempelvis ustruktureret internt som tekst gennem text mining?

Eksterne strukturerede data
Vi kunne ikke finde data i virksomheden, som med tilstrækkelig præcision kan give svar på, hvem vil forlade os. Så kigger vi videre ud i verden. Er der strukturerede eksterne data, vi kan tage med os? Og kan man få fat i dem?

Eksterne ustrukturerede data
Vi kan lede efter en masse andre data. Hvad skriver folk eksempelvis på sociale medier om sko, i modeblade, blogs eller hvad siger den seneste forskning? Det må maskinen tygge sig i gennem.


Herefter går vi i gang med at oplære maskinen ved at fordre den med data. Data kan komme i forskellig form og fra forskellige kilder:

4. Byg og vedligehold infrastruktur

Når algoritmen er god nok, vil iterationerne give dig indsigter, som du kan handle på i din forretningsudvikling, og baseret på de indsigter ændrer du på verden omkring dig – og maskinen. Måske får alle gode kunder en ekstra service, eller du starter en ny produktion. Med andre ord påvirker du de data, maskinen beror sin beslutningsstøtte på.

Algoritmen skal derfor også lære af de nye tiltag - men det ved algoritmen jo ikke. Den skal derfor trænes en gang om måneden eller kontinuerligt. Laver du store forandringer, må du derfor kigge på det igen.

Og når indsigt i data bliver en kritisk del af din virksomhed, skal du kunne gøre det selv på et tidspunkt med en leverandør, du har tæt og godt samarbejde med, fordi indsigten bliver forretningskritisk.

5. Indsigt gør din forretning datadreven

Nu kan du blive en datadreven virksomhed. Og det giver nye muligheder, når du er drevet af dine data. Det er en kontinuerlig innovationsproces med indsigt, som støtter informerede beslutninger ikke mavefornemmelse. Hvad hvis data kan fortælle hvad du skal producere? Så kan du bruge algoritmen til at komme videre, for den er jo etableret.

Konklusionen er, at det er nemt nok at komme gennem de 5 trin. Det vanskelige er at gøre algoritmearbejdet. Der er nogle nemme problemer, der kan løses af hyldevareteknologier, mens andre kræver dybere indsigt i metodeværket. Bliver det sværere endnu, skal det undersøges videre i forskningsverdenen for at finde ud af, hvordan kan vi løse det – og om kan vi løse det.

Alexandra Institutttet hjælper med at finde de rette værktøjer
Kontakt
Deputy Director, Professor
Data Science and Engineering Lab Direktionen
+45 41 15 12 48
Se profil
.