Churn & retention – jak wykorzystać big data w walce o klienta

Powodów odejścia klientów jest wiele, jednym z nim jest naturalna rotacja, czyli potrzeba zmiany. Są też powody wywołane przez czynniki relacyjno-komercyjne. Relacje firmy z klientem są jak związki międzyludzkie – czasem rozpadają się przez zaniedbania, nadużycie zaufania lub dlatego, że relacja jest niewygodna. Odwołując się do powyższej analogii, nie trzeba doprowadzać do rozwodu, by pokazać, że w związku coś nie działa. Podobnie jak rozstania w związkach, churn nigdy nie jest dobrym zjawiskiem. Zawsze stanowi on stratę: dla firmy, która zatrzymując klienta podejmie dodatkowe działania i poniesie związane z tym koszty oraz dla klienta, który straci czas na poszukiwanie podobnej usługi lub produktu.

Jak big data pomaga w zarządzaniu zjawiskiem churn, czyli odpływu klientów?

Uważa się, iż customer experience kształtowany jest przez dwa główne czynniki: branding oraz serwis. Powstało wiele raportów pokazujących zależność między jednym i drugim, jednak bez analizy faktycznych powodów odejść.

Dzięki analizom w oparciu o Big Data, jesteś w stanie zdefiniować obiektywne miary zaangażowania klienta i z wyprzedzeniem określić ryzyko odejścia. Przykładem takiej miary jest np. poziom temperatury uczuć czy relacji. Miary te określane są na podstawie zachowań klienta: po jakich stronach się porusza, z jakich serwisów korzysta, jak wygląda jego aktywność w social mediach, czy korzysta z promocji, itp. Dogłębna analiza takich zachowań pozwala na działanie w postaci optymalizacji i priorytetyzacji zdarzeń mających wpływ na customer experience. W przypadku braku rozwiązań klasy Big Data, można tworzyć prostsze miary modelowania jakości relacji z konsumentem – np. określać szerokość kupowanego asortymentu w danym sklepie, wartość koszyka, powracalność, itp.

Słuchaj „Marketer+” Podcast

Kiedy działać?

Działanie w chwili odejścia klienta nie sprawdza się. Dziś firmy muszą optymalizować customer experience na każdym etapie kontaktu z klientem. Nawet najbardziej aktywni klienci są narażeni na negatywne doświadczenia z marką lub produktem i należy zadbać o ich potrzeby i zainteresowania z wyprzedzeniem, budować zaangażowanie przez cały czas np. kierując spersonalizowany content. Z drugiej strony budowa zaangażowania jest szczególnie istotna dla firm, które mają rzadkie naturalne okazje do kontaktu z klientem (np. telekomy wysyłające comiesięczne faktury). Dzięki analizom big data można określić zainteresowania klientów, by dostarczać content marketingowy zgodny z preferencjami. Tak budujemy zaangażowanie, gdy jest niewiele okazji do komunikacji. Innym przykładem są działania marketingowe prowadzone w czasie rzeczywistym tzw. Real-time marketing (RTM).

Real-time marketing – kiedy warto zastosować? 

Real Time Marketing (RTM) jest dzisiaj podstawą skutecznego konkurowania o klienta. Często można spotykać opinie, że RTM jest wartością inkrementalną w odniesieniu do klasycznych metod związanych z analizą churn oraz działaniami antychurnowymi. Oznacza to, że działania te wzajemnie się wspierają.

Istnieją pewne ograniczenia – głównie technologiczne. Nawet przy obecnie niskich cenach zaawansowanej technologii, może się okazać, że zastosowanie zaawansowanej analityki w czasie np. 100 milisekund może być zbyt kosztowne, żeby RTM wygenerował zysk przekraczający poniesione koszty. Dlatego może się okazać, że bardziej opłacalne jest przygotowanie części analiz i obliczeń dla większej grupy klientów z wyprzedzeniem. Chodzi o to, by przygotować działania w obszarze RTM tak, by z jednej strony przeliczyć i przewidzieć wcześniej określone standardowe zachowanie klienta, a z drugiej modyfikować komunikację podczas zdarzeń w czasie rzeczywistym.

Przykład

Wyobraź sobie sytuację, gdy klient pobiera pieniądze z bankomatu i skończyły mu się środki. To szansa dla firmy na wystawienie mu propozycji pożyczki za pomocą dostępnych w tym czasie kanałów – poprzez sms lub na wyświetlaczu bankomatu. Problemem jest krótki czas na analizę zdolności kredytowej klienta. Dlatego należy z wyprzedzeniem, dla pewnych grup klientów, przygotować prekalkulowane dane w tzw. trybach wsadowych: określenie ryzyka, zdolności kredytowego limitu, itp. Wówczas możemy zastosować RTM w momentach, kiedy klient jest narażony na niemiłe zdarzenia losowe sprawiające, że jego przychylność dla marki lub produktu spadnie. Marketing w czasie rzeczywistym pomoże zniwelować potencjalny dyskomfort, przedstawiając alternatywną ofertą.

Metodologia budowania modeli churnowych – co się sprawdza w praktyce?

Dzięki rozwojowi Big Data, dziś możemy badać zachowania klienta, które kiedyś były hipotezą. Na przełomie XX i XXI wieku uważano, że jeśli ktoś dzwoni do konkurencji, to w najbliższej przyszłości będzie skłonny odejść. Jak można było sprawdzić, który z klientów kontaktował się z konkurencją i jakie działania antychurnowe trzeba było podjąć w tym wypadku? Wykonanie takich działań było technicznie możliwe, ale wiązało się ze zbyt wysokimi kosztami. Dziś mamy narzędzia do automatycznego pozyskiwania informacji, np. dotyczących aktywności internetowej. To pozwala obserwować zachowania klientów, analizować ich wypowiedzi i stosunek do marek, produktów oraz precyzyjnie określać ceny konkurencji, lokalizację punktów sprzedaży, czy dane kontaktowe.

Wdrożenia modeli w procesach biznesowych firm

Postęp dokonał się też na gruncie operacjonalizacji i znajomości procesów biznesowych. Kiedyś zdarzały się różne błędy, np. bank dzwonił do klientów zagrożonych odejściem. Tym działaniem przypominał o niepotrzebnym produkcie, a to skutkowało zamknięciem konta. Podobnie z budowaniem analiz typu black box – nie przynosiły żadnej informacji na temat potrzeb i zachowań klienta.

Dziś wiemy, że lepiej jest tworzyć metody i narzędzia, które są transparentne, a wyniki prac analitycznych są tak sugestywne, że niejako same podpowiadają, jakie komunikaty lub działania należy zastosować. Współczesne modele scoringowe pozwalające przeciwdziałać odejściu klientów, stają się coraz bardziej złożone. Wydobywają pewną strukturę z działań klienta czy zdarzeń, które on wykorzystuje, by w ten sposób lepiej przewidzieć jego zachowania w przyszłości.

Lata doświadczeń uczą jak wdrażać procesy, które pomogą zatrzymać klienta. Zwiększa się wiedza na temat tego jak generować analitykę, aby wsparła ten proces, czy też jak prowadzić projekty łączące różne departamenty w firmach, aby współpracowały wspierając antychurn. Wszystko to dzięki równomiernemu postępowi nie tylko w zakresie Big Data, ale również w praktyce organizacyjno-biznesowej oraz technologii analitycznej.

Jak zbudować skuteczną strategię utrzymania klientów

Do zatrzymania klienta sam model antychurn nie wystarczy, działania trzeba podjąć znacznie wcześniej. Nowe narzędzia pozwalają nie tylko określić moment podjęcia decyzji o odejściu, gdy zatrzymanie wymaga już zastosowania dodatkowego wysiłku – rabatu, zniżek itp., ale dużo wcześniej wykryć zdarzenia, które w przyszłości mogą na to wpłynąć. Nie mówimy wtedy o działaniach antychurnowych, ale o modelu przewidującym satysfakcję klienta, który z wyprzedzeniem oszacuje wpływ konkretnych zdarzeń na jego emocje.

Przykład

Klient regularnie, co drugi tydzień w drodze z pracy myje samochód na jednej ze stacji. Co może zrobić firma, gdy na myjni będzie awaria? Z wyprzedzeniem może wysłać komunikat do klienta przez sms lub aplikację i zasugerować inne (należące do firmy) miejsce, gdzie też w drodze z pracy umyje auto.

Żeby mówić o skutecznej strategii antychurnowej, trzeba budować dobre relacje z klientem na wszystkich punktach styku. Trzeba zaangażować departamenty w firmie, gdzie zadaniem analityki i Big Data będzie ocena i podpowiedź, które czynniki pomagające w budowaniu relacji, są dla klienta korzystne, potrzebne i warte zaangażowania.