Churn-modellering på erhvervskunder fra data warehouse til kampagneaktivitet

Transkript

1 Churn-modellering på erhvervskunder fra data warehouse til kampagneaktivitet SAS Forum d.

2 Problemet med churn Over 0% churner årligt i Telco branchen TDC Direktør Det koster gange så meget at hverve en ny kunde som at fastholde Gartner Group (myte!?) Der er god økonomi i at stoppe churn jf. div. BI konsulenter Hvordan stopper vi kunderne fra skråplanet med faldende omsætning? Vi fokuser den næste time på - analyse setup et - processen fra data til kampagne - vores erfaringer Churn definition: Kunder der opsiger deres abonnement.

3 Agenda Indledning Hvem er vi? Hvor kommer vi fra? Churn definition Analyse design og analyse enhed Data grundlaget Warehousing Forædling af data Er det her guldet ligger? Data mining Mineren og erfaringer Bearbejdning Evaluering Afrunding

4 Indledning - Hvem er vi? Hvor kommer vi fra?

5 Henrik Lauritzen Cand. Merc. Planlægning (matematisk planlægning, optimering) Ansættelser Churn opgørelser studerende (Syddansk Universitet) Churn opgørelse grise (Landbrugets Edb Center) TDC Valg af data mining værktøj (Tele Danmark) Segmenteringer Privatkunder Behovsegmentering Værdisegmentering Churn fastnet mobil bredbånd Mersalgsmodellering Første SAS code anno 9 (proc freq) Bor v. Hammel midt ml. Århus og Viborg UPDATE: Ufrivillig churnet fra TDC.. JOBSØGENDE

6 Sofie Jensen Cand. Polit. Anno 00 Ansættelser Økonomisk konsulent hos Ejendomsforeningen Danmark Analytiker i Market, TDC Erhverv Fastholdelse/churn Rapportering Churn prediction Churn definitioner Markedsplanlægning Bor i København

7 Hvem er TDC Erhverv? TDC Erhverv Danmarks førende leverandør af kommunikationsløsninger og er markedsleder inden for alle segmenter på hjemmemarkedet

8 Hvem er kunderne i TDC Erhverv? Fem Segmenter Ansatte Koncerner Omsætning Small account (SA) 9,0 %, % Medium account (MA) 0, %, % Large account 0, % 9, % Public account.000 0, %, % Key account.000 0, %, % I alt over kunder hos TDC Erhverv Det er i de mindste segmenter at kundebasen er størst 9, % af virksomhederne ligger i disse segmenter Vi kan ikke kontakte dem alle sammen Relevant at lave churn-modellering og identificere churnpotentielle kunder

9 Churn i forhold til andre markedsaktiviteter Markedsplanlægning Kampagner Proaktive tiltag Churn prediction Grid model Udløb af binding Fastholdelse CRM (loyalitet) Reaktive tiltag Saveteam Kontraktudløb og bod 9

10 Churn definition - Analyse design

11 Forskellige typer churn Churn typer Frivillig churn skift til konkurrent lavere aktivitet Ufrivillig churn konkurs, restance fusion, opkøb Intern churn produkt migrering (fastnet til mobil)

12 Analyseenheden hvem har vi med at gøre? Hvem træffer beslutningen? Individ (ejer, IT-chef, bogholderen) Afdeling (indkøb, IT, ledelsen) Hvem påvirker beslutningen? Afdelingen (pioneer afdelinger) Virksomheden (fx test butikker) Koncernen Enheden vi måler på Individ Virksomhed Koncern Vi ser på koncernen samlet og lader den største virksomhed overrule øvrige virksomheder

13 Hvordan spotter vi adfærdsændringen? Hvilke indikatorer kan vi se? Mistænkelig churn adfærd Samler produktinfo Word of mouth Erfaringer fra Netværk Dårlig service Ændringer i virksomheden (fusioner, fysiske flytninger,medarbejder udskiftning) Fejlinstallation fra produkt Regningschok. Pris stigninger Målbare indikatorer Telco omsætning falder Abonnementet opsiges Produktet registrering ændres Kundeservice kontaktes mhp. opsigelse Installation og grave aktivitet

14 Churn hvad sker der? INDIKATOR: Adfærden ændres Kunden overvejer Første elektronisk fodaftryk KARENS måned før churn udelades, da kundens adfærd og produkter måske har ændret sig pga. beslutningen om churn Karakteristika 0000 ikke churnere HUSK: Bearbejdning tager tid Karakteristika 0000 potentielle churnere Effekt måling jun jul aug sep okt nov dec jan Konstruere regler Anvende regler Periodisering og implementering der kan splitte kunder i churn eller ikke churn Aktivitet X + + Model X + + jan feb mar apr maj jun jul aug sep okt

15 Hvad har vi gjort? CHURN Koncernen skal have opsagt alle abonnementer PERIODE Månedsniveau RAPPORTERING Flere niveauer Månedsrapportering Kvartalsrapportering

16 Data grundlaget - Warehousing

17 Eksterne Datakilder Datakilder - udfordringen Andre TDC-datakilder Økonomi Databazar Contract Teknik DAWIS Leverancer Fastnet Erhvervord. Taksering Regning Mobilkunde Kunderegnskab Bredbåndsforbrug Mbit Kontrakter Udløbsdatoer Geografi Liniekvalitet Dæmpning Fastnetlinier Produkter Kunder, Ejer, Betaler Fastnet ekstrafunktionalitet Betaler Fastnettrafikforbrug Fastnet omsætning Abonnementer Kunder Forbrug Omsætning Fejlsyst. Fejlmeldinger Fejlretning KOB Stamdata (eks. Ejer, Revisor) Datamart (ADAM) Kundeparametre Målgrupper Detaildata Historik Sumtabeller Analyse afdelinger Mobilmart (Cary) Detaildata Historik Sumtabeller Telefon hos andre teleudbydere LinkIT/KIS Stamdata Koncernhierarki Segmenter CDM Stamdata Kontaktpers. Kontakthistorik Salgssager KAMPAGNE SYST. Kampagne historik Kundeparametre Firmastamdata Udfordringer: Nøgler / Kundebegreb Synkronisering Kundestamdata Navneforvirring

18 Eksterne datakilder Hvordan ser kunden ud? Kan vi finde yderligere oplysninger end de velkendte fra vores interne systemer? Kan vi få nye vinkler på kunden? Antal ansatte Pendler info Lokationer Uddannelses niveau Regnskabsdata

19 Datamart - Hensigtserklæring Kundens opfattelse (ikke økonomi, ikke produkt folkene men kundens verden) Dokumenteret i forretningssprog (metadata) Løbende udvikling og vedligehold (fælles opgave) 0% af analyse opgaverne dækkes Analyse Base Tabel til snapshot analyser Høj datakvalitet Historik gemmes i skiver Data skal back-trackes (læsbar kode!) 9

20 Forædling af data - Er det her guldet ligger?

21 Afledte variable Udvikling Lineær trend Ændringer (op, status quo, ned) Sammenlign P 0 med P - Seneste ændring P 0 ift P - Glidende gennemsnit Omsætning pr ansat Hvilken omsætning? Total omsætning Produktoms., Investering (fx omstillingseller fiberanlæg) Renset omsætning dvs. ekskl. investering (adfærdsbilledet) Ansatte definition Experian Antal mobiltelefoner Antal telefon if. -data Korrigeret ansatte = max (experian ansatte, #mobiltlf, #konkurrent tlf. ) ) Teleselskaberne har pligt til at indberette deres kundelister centralt og disse lister er tilgængelige for samtlige teleoperatører. data

22 Afledte variable - strukturering Navnestandard gavner processen Prefix (prod_xxxxx, traf_xxx) Suffix (prod_xxxx_yyyymm) Letter SAS arbejdet pga. arrays loops macroer gør det nemmere/dynamisk at gå tilbage i tiden X ja n X fe b m ar a pr m aj ju n ju l + a u g + + se p + o kt

23 Grupperinger - eksempel Branche grupperinger. Detailgruppering (niveau ) Overordnet gruppering: Fremstilling af fødevarer Fremstilling af drikkevarer Branchen hvor personen havde sin væsentligste beskæftigelse i foregående år (TP-.) Fremstilling af tobaksprodukter Fremstilling af tekstiler NACEGRP9 er det første ciffer af NACE: Fremstilling af beklædningsartikler Z: Ingen baggrundsoplysninger : Landbrug, fiskeri og råstofudvinding : Fremstillingsvirksomhed : Energi- og vandforsyning : Bygge- og anlægsvirksomhed : Handel, hotel- og restaurationsvirksomhed mv. : Transportvirksomhed, post og telekommunikation : Finansieringsvirksomhed mv. og forretningsservice : Offentlige og personlige tjenesteydelser 9: Uoplyst erhverv INGEN EFFEKT Fremstilling af læder og lædervarer Fremstilling af træ og varer af træ og kork, undtagen møbler Fremstilling af papir og papirvarer Trykning og reproduktion af indspillede medier Fremstilling af koks og raffinerede mineralolieprodukter Fremstilling af kemiske produkter Fremstilling af farmaceutiske råvarer og farmaceutiske præparater Fremstilling af gummi- og plastprodukter INGEN EFFEKT Mineren laver gruppering => kategorier og mange forsøg GOD EFFEKT NACE, Nomenclature générale des activités économiques dans les Communautés Européennes, EUs erhvervsgrupperingskode, som findeler de enkelte erhvervskategorier; fx er jern- og metalindustrien en overordnet gruppering, herunder findes maskinindustrien, og en yderligere findeling herunder er den finmekaniske industri Kilde:Gyldendals åbne encyklopædi

24 Data mining

25 Data mining Segmentering: Small account Medium account Én model pr. produktområde: Mobil tale Mobil data Bredbånd (yderligere opdelt i single og multi lokationer) Totalt modeller/mining diagrammer Største bekymring er antal churnere (for få analytisk set) => Fokus på stabilitet Skift periode (nuværende vs. forrige) Opdele data i train, validation, test og skift random seeds (Data Partition node) Overfit (træerne beskæres når train, valider begynder at afvige) Yderligere samles flere perioder for at få flere churnere ift. ikke-churnere Metoder, der vurderes Logistisk regression Beslutningstræer Neurale netværk Data mining er et engelsk låneord, som betegner søgning efter mønstre og strukturer i større datamængder Kilde: Wikipedia

26 Diagram fra Enterprise Miner. Mobile Voice på Small Accounts

27 Lift kurve Dilemma: Kun højt lift ved få kunder, men vi (specielt marketing) vil jo gerne kontakte mange kunder. Undskyldninger : Lavere lift ved BB end privatmarkedet Churn beslutning er en overordnet beslutning og vi modellerer konkrete variable Churn beslutningen træffes ud fra forhold der ikke er kvantitative Giver mulighed for forbedringer og fin tuning In data mining, lift is a measure of the performance of a model at predicting or classifying cases, measuring against a random choice model. For example, suppose a population has a predicted response rate of %, but a certain model has identified a segment with a predicted response rate of 0%. Then that segment would have a lift of.0 (0%/%). Wikipidea

28 Valg af model Hvilken model er bedst? Det kommer an på hvor mange kunder du vil kontakte og så kigger jeg på lift, mis-klassifikation, profitvektor. Analytiker Bare jeg kan forstå, hvad der sker. Salgsafdelingen Forståelighed vs. teknisk performance Vi vælger den højeste performance, men da vi ofte ved, at modeller der ligger ret tæt vælger vi den mest kommunikative fx beslutningstræet.

29 Effektfulde variable Minut udviklingstrend Anvender gammel teknologi Max device alder Antal Smartphones Gns device alder Aktuel download hastighed Musikafspiller (bruger Play) Tid fra seneste møde Selskabsform (A/S, Enkelt..) Branche gruppe Antal SMS Uddannelse Antal ansatte Antal ufaglærte Højt fiberpotentiale (segmentering) Antal højtuddannede Etableringsår 9

30 Hvad fik vi ud af det? Scoringstabel (enten fra mineren eller batchjob) Efterbrænder på scoringen (segment, percentiler, lidt rensning) Kundeparametre, der kan anvendes i Kampagnesystemet 0

31 Bearbejdning

32 Nu er analytikerne glade MODELLEN ER KØRT OG DE CHURNPOTENTIELLE KUNDER ER FUNDET!

33 NU SKAL KUNDERNE KONTAKTES OG BEARBEJDES - og det er lige så vigtigt som modelarbejdet

34 Fra model til kontakt planlægningen Planlægningen af kontakten Vi ved nu hvilke kunder, der er churnpotentielle Hvordan bearbejder vi dem? Hvordan kontaktes kunden? DM TM EM Hvem kontakter kunden? Account Manager Fast kontakt Ca. 00 kunder per AM Teambearbejdning Bearbejdning i large scale

35 Fra model til kontakt det rigtige offer Hvorfor kontakter vi kunden? Fastholdelse Hvad har vi at tilbyde? Vejledning Abonnement Kontakt God Dårlig Model God Dårlig

36 Kontrolgruppe BEARBEJDEDE KUNDER KONTROLGRUPPE Vigtig, når modellen evalueres Repræsentativ I forhold til den gruppe vi bearbejder Størrelse Hvis vi vil rapportere måneder efter endt aktivitet, skal kontrolgruppen stadig være eksisterende Dilemma Vi ved, at kunderne er potentielle churnere, og vi gør ikke noget

37 Fra målgruppe til reel kontakt Kontrolgruppe er vigtigt - hvor mange skal udtages? Vigtigt i forhold til model evalueringen 0 Til flere emner opnås ingen kontakt af flere forskellige årsager Målgruppe Kontrolgruppe Churn Fusion Konkurs Ingen kontakt Kontakt

38 Evaluering

39 Den urealistiske rapportering Hver uge eller hver dag måske? Kan man få en rapport, hver gang der sker en ændring? På alle produkter! Hvert kvartal eller hver måned i hvert fald? Mobil voice Bredbånd Mobilt bredbånd Fastnet Data skal registreres og opdateres Trigger Usikkerheden skal begrænses Kunderne skal have nået at churne/ikke churne 9

40 Rapportering Centralt punkt i churn-modelleringen Hvad skal man indledningsvist være opmærksom på? Definition Hvad er churn? Klare definitioner af periode Ensartethed Standardisering Flere rapporter men samme data og definitioner Målet Hvad er succeskriteriet? KPI er 0

41 Rapporteringsdesign High level Overordnet status på churn Alle produkter (BB, MV, MBB osv) Begge segmenter (SA, MA) Udvikling af status på alle initiativer Kurveknæk levels Medium level Evaluering af de enkelte initiativer Fungerer initiativet/modellen? Hvem er churnet? Hvem er ikke? Sammenligning med en kontrolgruppen? Low level Evaluering af teams og personer KPI er Feed back Motivation

42 Grid modellen Omsætning % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % Simpelt set-up akser/dimensioner Skal sige noget om churn Periode, hvor churn undersøges Kunderne i en celle ligner hinanden Offers/kontaktstrategi bliver nemmere og kan målrettes: Celler med høj churn kontaktes Celler med høj omsætning på spil kontaktes Forståelighed Antal abonnementer

43 Fremtidigt setup To modeller Churn prediction modellen Grid modellen Resultaterne af analyserne og rapporteringen skal være med til at bestemme, hvilken model TDC Erhverv vil fokusere på i fremtiden De to modeller kan bruges sammen Learnings fra den ene model forbedrer den anden model og omvendt Fokus på hele pakken : Model, bearbejdning, rapportering

44 Afrunding

45 Vores erfaringer Skarpe definitioner giver skarpe resultater Datagrundlaget skal være kundevendt og kvalitetssikret Forædling af data har stor betydning for mining-delen Implementering og scoring kræver ændring i forretningsgangene Evaluering af resultaterne tager tid, da både analyse og bearbejdning er kritisk Modelleringen kan man bruge meget tid på, men resultaterne er måske marginale Modellen/metoden skal sælges ind i forretningen og formidles på flere niveauer Vi bruger følgende SAS licenser i et Unix og Windows miljø

46 Spørgsmål All models are wrong, but some are usefull George E. P. Box Kontakt info: Sofie Jensen Analytiker, TDC Erhverv Kontakt info: Henrik Lauritzen JOBSØGENDE Data Miner Linked In