Churnanalyse fra DM Partner

Transkript

1 Churnanalyse fra DM Partner

2 Indhold i churnanalysen + Baggrundsvariable + Transaktionsdata fra kunde + Segmenter i kundens base + Levetid + Anbefalinger på baggrund af konklusionerne (herunder hvad analysen skal bruges til) + Metode + Datakrav DMP Churnanalyse side 2

3 Baggrundsvariable Churn opdelt på alder, køn og region DMP Churnanalyse side 3

4 Andel af churn opdelt på aldersgrupper 70% 65% + Konklusioner: 60% 50% 40% 30% 20% 50% 47% 45% 52% 57% ej churn churn - Alder under 30 år eller fra 70 år og mere har højere andel churn end kunder mellem 30 og 69 år - Hvis churn ikke er korrigeret for årsag så skyldes den høje andel for 70+ år nok en naturlig churn i form af dødsfald - Den høje andel under 30 år er til gengæld alarmerende 10% + Handling: 0% under 30 år år år år år 70 år og over - Indsats af fastholdelse overfor de yngste kunder DMP Churnanalyse side 4

5 Andel af churn opdelt på køn 70% 60% 50% 63% 52% + Konklusion: - Blandt kvinder er der en højere andel churn end blandt mænd forskellen er så markant at den ikke må ignoreres 40% 30% ej churn churn + Handling: - Indsats af fastholdelse overfor kvinderne 20% 10% 0% Kvinde Mand DMP Churnanalyse side 5

6 Andel af churn opdelt på region 70% 60% 50% 40% 57% 53% 54% 57% 54% 55% + Konklusion: - Kunder som bor i København eller på Fyn churner mere end kunder i resten af landet det kan være af forskellig årsag at churn er høj i de 2 områder 30% 20% 10% 0% ej churn churn + Handlinger: - I København er det måske et storbyfænomen med høj churn fordi kunderne skifter produkter ofte, det skal have særlig fokus i salgsprocessen i København - På Fyn er der måske langt til en butik eller området bliver ikke dækket lige så godt servicemæssigt som Sjælland og Jylland, så tjek om der kan gøres noget anderledes for kunderne på Fyn DMP Churnanalyse side 6

7 Konklusioner ud fra baggrundsvariable + Der er forskel i churn for kunderne afhængig af alder, køn og geografi + Segmentering af kundebasen er vigtig for at behandle kunderne individuelt og for at målrette kommunikationen til forskellige typer personer + Relevante handlinger skal sættes i gang så snart en ny kunde kommer ind DMP Churnanalyse side 7

8 Transaktionsdata Churn opdelt på nogle af kundens egne interne data For nogle data er kombineret med alder eller køn DMP Churnanalyse side 8

9 Andel af churn opdelt på permission 70% + Konklusioner: 60% 50% 40% 30% 20% 61% 51% ej churn churn - Kunder uden permission har højere churn end kunder med permission - Permission gives i nogle tilfælde af kunder som generelt er meget interesseret i virksomheden eller sit produkt, og det kan smitte af på churn så den er lavere - Den lavere churn hos kunder med permission kan også skyldes at de modtager mere information fra virksomheden 10% + Handlinger: 0% Har ikke permission Har permission - Få indsamlet permission på alle kunder - Fortsæt med de indsatser på som der hidtil har været DMP Churnanalyse side 9

10 Andel af churn opdelt på pbs hhv. giro 60% 50% 45% 57% + Konklusion: - Churnandelen er lavere for kunder på pbs end for kunder på giro 40% 30% 20% ej churn churn + Handling: - Få alle kunder på pbs 10% 0% PBS Giro DMP Churnanalyse side 10

11 Andel af churn for pbs hhv. giro kombineret med alder 70% 60% 50% 40% 64% 59% 57% 53% 45% 41% + Konklusion: - Churnandelen er lavere for kunder på pbs end for kunder på giro så længe kunden er under 60 år, derefter er der højest churn fra pbs-kunder 30% Churn fra pbs + Handling: 20% 10% 0% under 30 år år år år år 70 år og over Churn fra giro - Det er ikke alle kunder som skal på pbs, men kun kunder under 60 år - Indsatsen med at fastholde de yngste kunder som blev vist tidligere skal udvides til at gælde alle kunder på giro op til 60 år DMP Churnanalyse side 11

12 Andel af churn opdelt på beløbstørrelse for månedspris for produkt 80% + Konklusion: 70% 60% 69% 64% - Jo højere beløb man betaler pr. måned jo lavere er churnandelen indtil 700 kr. hvor churn stiger igen 50% 40% 30% 20% 49% 44% 50% ej churn churn + Handling: - Fokus på opsalg så kunderne køber et dyrere produkt dog uden at det bliver for højt et beløb 10% 0% 0-99 kr kr kr kr 700 kr og over DMP Churnanalyse side 12

13 Andel af churn opdelt på beløb for samlet køb det seneste år 100% 90% 80% 70% 60% 50% 40% ej churn churn + Konkusion: - Jo mere der købes for samlet set, jo lavere er churnandelen + Handling: - Fokus på krydssalg/mersalg så kunderne køber for flere penge samlet set 30% 20% 10% 23% 17% 10% 0% under 500 kr kr 1500 kr og mere DMP Churnanalyse side 13

14 Andel af churn opdelt på salgskanal 80% + Konklusioner: 70% 60% 50% 53% 69% 49% - Kunder fra Banner og web har en langt lavere churnandel end kunder fra de øvrige salgskanaler - Kunder fra Butik churner mest af alle 40% 30% 35% 32% ej churn churn + Handlinger: - Skru op for hvervning via bannere og webside 20% - Fokus på fastholdelse for kunder fra butik 10% 0% Ukendt Butik Banner Website TM DMP Churnanalyse side 14

15 Andel af churn for salgskanal kombineret med køn 80% 70% 60% 50% 40% 30% 60% 50% 52% 71% Churn fra mænd Churn fra kvinder + Konklusioner: - Indenfor hver salgskanal er der forskel på churn for mænd og kvinder - Den højere churn fra kvinder som blev vist tidligere gælder kun for kunder fra nogle salgskanaler, det er kvinder kommet ind via TM og til dels butik der har højere churn end mænd 20% 10% 0% Butik Banner Website TM + Handlinger: - Ekstra fokus på fastholdelse for kunder fra butik når det er kvinder - Også fokus på fastholdelse for kunder fra TM når det er kvinder - Tjek om kvinder fra TM måske ikke forstår hvad de køber DMP Churnanalyse side 15

16 Andel af churn opdelt på TM emner fordelt i 4 målgrupper 70% + Konklusioner: 60% 50% 40% 30% 20% 10% 52% 42% 42% 49% ej churn churn - Kunder kommet fra målgruppe 2+3 har laveste churnandel + Handlinger: - Få flere kunder fra målgruppe 2+3 og færre fra målgruppe Fokus på fastholdelse af kunder fra målgruppe Tilpasset velkomstforløb for hver målgruppe 0% Målgruppe 1 Målgruppe 2 Målgruppe Målgruppe 3 4 DMP Churnanalyse side 16

17 Konklusioner ud fra transaktionsdata + Der er forskel i churn for kunderne, som afhænger af deres adfærd mht. betaling og situationen omkring hvervning + Segmentering af kundebasen er vigtig for at forebygge churn fra de forskellige typer adfærd + Relevante handlinger skal fastlægges og prioriteres + Transaktionsdata giver mest værdi når de kombineres med andre data som f.eks. baggrundsvariable, så mønstre indenfor forskellige grupper af kunder kommer frem DMP Churnanalyse side 17

18 Alle typer af transaktionsdata kan bruges til at opdele i grupper og sammenligne churn + Data som er vist i denne analyse: - Permission ja/nej - PBS vs. giro - Beløbstørrelse for månedspris for produkt - Sum af beløb for samlet køb det seneste år eller i levetiden - Salgskanal - TM målgruppe emner + Øvrig data som kan bruges: - Antal produkter og type af produkt - Antal køb i alt i levetiden eller indenfor det seneste år - Månedlig vs. årlig betaling af produkt - Tidligere churn, dvs. om kunden har haft churnet før og kommet tilbage (f.eks. ifm. winback-indsats) - Brug af produktet - Kontakt til virksomheden - Antal klager - Antal besøg online på hjemmesiden - Tidligere kampagnerespons - Osv. DMP Churnanalyse side 18

19 Segmenter i kundebasen Churn opdelt på segmenter der allerede er defineret i kundebasen DMP Churnanalyse side 19

20 Churnandel fra segmenterne i kundebasen Segment 1 71% 131 Segment 2 65% 120 Segment 3 59% 109 Segment 4 54% 100 Segment 5 47% 87 Segment 6 43% 80 Segment 7 Segment 8 57% 58% Segment 9 Segment 10 41% 44% 0% 10% 20% 30% 40% 50% 60% 70% 80% Absolut fordeling (%) Relativ fordeling (indeks)* *Indeks er beregnet ift. hele basens gennemsnitlige procent af churn DMP Churnanalyse side 20

21 Konklusioner og tiltag ud fra segmenter + Konklusioner: - Segment har lav churn - Segment 1+2 har højest churn + Handlinger: - Få flere nye emner fra segmenterne med lav churn - Undgå at få for mange nye emner fra segmenterne med høj churn - De nye kunder som kommer ind fra segmenterne med høj churn-risiko skal have ekstra opmærksomhed og indsats for fastholdelse DMP Churnanalyse side 21

22 Levetid Churn opdelt på levetid for kunden DMP Churnanalyse side 22

23 Andel af churn opdelt på kundelevetid 90% + Konklusion: 80% 70% 60% 60% - Nye kunder under 6 mdr. har en meget højere churn end ældre kunder, dvs. nye kunder forsvinder hurtigt igen 50% 40% 30% 20% 21% 23% 40% ej churn churn + Handlinger: - Opsæt velkomst program til nye kunder - Tjek om startfasen af produktet er for svær for kunden ved at se på om der er mange returneringer eller om der er kunder som aldrig kommer i gang med sit produkt 10% 0% 1-6 mdr 7-12 mdr 1-2 år 2+ år DMP Churnanalyse side 23

24 Konklusioner ud fra kundelevetid + Der er forskel i churn på forskellige tidspunkter af kundens levetid + Relevante handlinger skal sættes i gang på de tidspunkter i levetids-forløbet hvor der er særlig høj risiko for churn + Der skal identificeres om selve produktet skaber churn i nogle faser af levetiden f.eks. i starten DMP Churnanalyse side 24

25 Anbefalinger på baggrund af alle konklusioner DMP Churnanalyse side 25

26 Anbefalinger og hvad analysen skal bruges til + Brug konklusionerne ifm. nye kunder: - Nye kunder skal ligne kunderne som har lav churn (find de bedste tvillinger ) - Undgå kunder som har høj churn og/eller kort levetid - Brug de bedste kanaler til at få nye kunder - Lav kun evt. winback til de kunder som har lavest sandsynlighed for at churne igen + Brug konklusionerne ifm. eksisterende kunder: - Segmentering af kundebasen enten helt ny segmentering eller ændring af eksisterende, så der er et overblik over hvem der er kunde og et bedre billede af kunderne - Håndtering af kunderne skal være forskellig enten ændringer i kommunikationen mht. indhold, tilbud eller kommunikationskanal, eller der kan sættes ind med ekstra og målrettet indsats til nogle kunder/segmenter - Individuelt velkomst/intro eller Customer Lifecycle (CLC) forløb som er tilpasset kunden - Krydssalg/opsalg strategi med udgangspunkt i den enkelte kunde DMP Churnanalyse side 26

27 Metode DMP Churnanalyse side 27

28 Brug af statistiske metoder i churnanalysen + Forskel i churnandele testes statistisk ved brug af chi-square test på et 5% signifikans niveau + Brug af datamining modeller - Regression (Iineær/logistisk) - Beslutningstræ DMP Churnanalyse side 28

29 Datakrav DMP Churnanalyse side 29

30 Data som skal leveres for at lave en churnanalyse + Data som skal leveres til analysen: - Navn, adresse, postnr på alle kunder - Alder og køn hvis det findes (ellers beriges kunderne ud fra fornavn) - Markering af om kunde er aktiv eller churnet - Startdato som kunde og churndato hvis kunde er churnet + Data som kan give ekstra indsigter: - Permission ja/nej - Produkter som kunden har inkl. tilvalgsprodukter og om der har været skiftet produkt - Oprindelig salgskanal - Alle former for transaktioner ifm. produktet f.eks. beløb som betales i løbende abn./årlig pris, samlet beløb i en periode eller brug af produktet - Antal kontakter (telefonisk, klager osv.) til virksomheden og besøg på hjemmeside eller anden online adfærd - Responsdata fra tidligere kampagner DMP Churnanalyse side 30

31