Sådan fremskriver du customer retention korrekt

Ud over at være et nøgletal til at beregne Customer Lifetime Value af en kunde gør Customer Retention dig i stand til at iværksætte de rigtige initiativer på det rigtige tidspunkt for at fastholde kunderne længere. De mest udbredte beregninger af fremtidig churn og retention bygger imidlertid på forkerte antagelser. Derfor risikerer du at ende med ubrugelige churn- og retention-prognoser, medmindre du tager højde for, at retention ikke aftager med en konstant andel.

I hjertet af enhver kontrakt- eller abonnementsbaseret forretningsmodel ligger begrebet retention rate. En vigtig ledelsesopgave er at tage en række historiske retention-tal for en given kundegruppe og fremskrive dem ind i fremtiden for at lave mere præcise prognoser om kundelevetid, lifetime value osv. Det, man typisk gør for at beregne nøgletal som customer lifetime, er at antage, at churn er eksponentielt.

Hvis vi betragter følgende data, der består af to kundesegmenter, et almindeligt og et high-end:

Vi kan så forestille os, at vi kun har observeret de første 7 år. Hvis vi derefter forsøger at forudsige churn ved hjælp af traditionelle regressionsteknikker, opnår vi følgende resultater:

High end:

Regular:

Tilpasningerne kan virke fornuftige med et lavt residual på 0,96375 i high-end-segmentet. Men når vi ser på fremskrivningerne ud over modellens kalibreringsperiode, bryder modellen dramatisk sammen. For high-end-segmentet undervurderer den eksponentielle model retention i år 12 med 30%. For det almindelige kundesegment er det endnu værre. Her undervurderes retention i år 12 med 54%. Det vil med sikkerhed føre til forkerte estimater af kundelevetid (levetiden kan beregnes som arealet under kurven).

For at omgå dette problem formulerer vi en probabilistisk model af kontraktvarighed, der bygger på nogle få simple antagelser:

• Hver gang en kunde skal forny sit medlemskab, er der en sandsynlighed for, at kunden churner eller bliver.
• For et givet individ ændrer sandsynligheden for at churne sig ikke over tid.
• Sandsynligheden for at churne varierer på tværs af kunder.

Den tredje antagelse bør ikke være kontroversiel, eftersom heterogenitet er et centralt begreb inden for marketing. Nogle læsere vil dog måske finde den anden antagelse i modstrid med deres forventning om, at retention rates stiger over tid, efterhånden som kunden får mere erfaring med produktet eller servicen. Men frem for at overkomplicere fortællingen starter vi med det enklest mulige sæt antagelser og tilføjer kun mere "nuancer fra virkeligheden", hvis modellen ikke "virker".

Efter lidt matematik under disse antagelser (Fader & Hardie) får vi følgende udtryk for den (aggregerede) retention rate.

Vi ser med det samme, at retention rate er en stigende funktion af tid, selvom den underliggende (uobserverede) retention-sandsynlighed på individniveau er konstant. Ifølge denne model er der ingen underliggende tidsdynamik på den enkelte kundes niveau; det observerede fænomen, at retention rates stiger over tid, skyldes simpelthen heterogenitet (dvs. de kunder med høj churn falder fra tidligt i observationsperioden, mens de tilbageværende kunder har lavere churn-sandsynlighed). Dette velkendte "ruse of heterogeneity" (Vaupel & Yashin, 1985) overses ofte af dem, der forsøger at give mening til forskellige aggregerede mønstre i kundeadfærd.

Hvis vi tilpasser modellen til de første 7 år af det præsenterede datasæt. For både high-end- og det almindelige segment.

Faktisk versus sBG-model-baserede estimater af andelen af kunder, der overlever i mindst 0–12 år for high-end- og almindelige segmenter (Fader & Hardie)

De resulterende prognoser er næsten for gode til at være sande; modellen overvurderer overlevelsen i år 12 med blot 4% og 2% for henholdsvis high-end- og det almindelige segment.

Det skal bemærkes, at ikke alle retention-kurver er ens, og resultaterne kan variere på tværs af forskellige typer virksomheder. Hovedpointen er imidlertid, at fordi kundelevetid ofte beregnes ud fra en antagelse om eksponentiel churn, er det sjældent denne model holder.

Referencer:

Peter S. Fader & Bruce G. S. Hardie,

Fader, P. S., & Hardie, B. G. S. (2007). How to project customer retention. Hentet 23. august 2022 fra https://faculty.wharton.upenn.edu/wp-content/uploads/2012/04/Fader_hardie_jim_07.pdf

Vaupel, J. W., & Yashin, A. I. (1985). Heterogeneity’s Ruses: Some Surprising Effects of Selection on Population Dynamics. The American Statistician, 39(August), 176–185.