Cara Meningkatkan Retensi dengan Analisis Prediksi Churn

Prediksi churn menggunakan model kecerdasan buatan (AI) dan machine learning (ML) untuk mengidentifikasi pelanggan mana yang berisiko mengalami churn . Dengan informasi ini, perusahaan dapat mengambil langkah-langkah yang diperlukan untuk mengoptimalkan area bisnis mereka yang menyebabkan gesekan dan menjaga tingkat gesekan pelanggan tetap terkendali.

Pelanggan berpindah karena berbagai alasan, mulai dari pengalaman layanan pelanggan yang negatif hingga menemukan penawaran yang lebih baik dari pesaing atau persepsi kurangnya nilai dari produk Anda. Meningkatkan retensi pelanggan dan menjaga tingkat churn Anda tetap rendah sangat penting, terutama karena mendapatkan pelanggan baru itu mahal.

Apa itu prediksi churn?

Prediksi churn adalah proses di mana perusahaan menggunakan model AI dan ML untuk memperkirakan pelanggan mana yang berisiko paling tinggi untuk mengakhiri patronase mereka. Prediksi churn menggunakan data pelanggan berdasarkan perilaku dan penggunaan pengguna. Prediksi dan pencegahan churn pelanggan memungkinkan perusahaan untuk:

• Identifikasi pelanggan yang berisiko dan terapkan upaya yang sangat bertarget untuk menghentikan mereka dari berputar.
• Identifikasi titik nyeri dan gesekan di seluruh perjalanan pelanggan.
• Identifikasi strategi yang menargetkan titik nyeri ini untuk menurunkan churn dan meningkatkan tingkat retensi.

Apakah benar-benar mungkin untuk memprediksi churn pelanggan?

Berkat algoritme pembelajaran mesin dan data besar, memprediksi churn pelanggan sebenarnya adalah suatu kemungkinan. Teknik analisis data digunakan untuk melihat tren dan pola perilaku masa lalu dalam perilaku pelanggan.

Idenya adalah Anda dapat mengidentifikasi perilaku tertentu sebagai tindakan berisiko churn dan mengatasinya sebelum terlambat. Ini sering disebut sebagai metrik bendera merah . Misalnya, Anda mungkin menemukan bahwa pelanggan yang berhenti mengikuti Anda di media sosial atau yang mencopot pemasangan aplikasi Anda berisiko lebih tinggi untuk berhenti.

Saat melakukan prediksi churn, penting untuk mengingat hal berikut:

• Proaktif adalah kunci dalam hal retensi pelanggan. Prediksi churn akan membantu Anda menyiapkan rencana untuk terlibat dengan pelanggan yang berisiko saat mereka ditandai.
• Pastikan teknik prediksi churn Anda secara akurat mengidentifikasi pelanggan yang kemungkinan besar akan pergi. Salah mengidentifikasi pelanggan yang berisiko dapat menyebabkan Anda menghabiskan sumber daya untuk kampanye penjangkauan dan penawaran khusus tanpa alasan, yang mengakibatkan berkurangnya pendapatan.
• Anda memerlukan model prediksi churn yang dibangun di atas sumber data yang diperoleh secara real time. Data ini mencerminkan perilaku saat ini dan akan menghasilkan prediksi yang lebih akurat.

Prediksi churn untuk perusahaan langganan

Perusahaan dengan model bisnis berdasarkan penjualan layanan berlangganan—SaaS B2B, streaming musik, dan telekomunikasi, untuk beberapa nama—bergantung pada pendapatan berulang yang mereka hasilkan dari pelanggan mereka. Prediksi berhenti berlangganan, memanfaatkan loyalitas pelanggan, dan meningkatkan nilai umur pelanggan sangat penting untuk bisnis semacam itu.

Selama wawancara dengan AltexSoft, manajer umum Pusat Layanan di HubSpot, Michael Redbord, berpendapat bahwa:

Tingkat churn yang tinggi berarti pendapatan yang lebih sedikit karena penurunan jumlah pelanggan. Selain itu, orang yang meninggalkan perusahaan karena pengalaman buruk cenderung meninggalkan ulasan negatif, memengaruhi citranya, dan semakin mempersulit untuk menarik pelanggan baru.

Ada banyak jenis penyedia layanan berbasis langganan yang dapat memanfaatkan prediksi churn. Beberapa sektor tersebut antara lain:

Layanan streaming musik dan video

Perusahaan-perusahaan ini menawarkan akses sesuai permintaan ke musik, acara TV, dan film kepada pelanggan mereka. Contoh perusahaan tersebut termasuk Netflix dan Spotify. Menurut laporan Tren Media Digital Deloitte 2022, layanan streaming video berbayar di AS memiliki tingkat churn yang konsisten sebesar 37% sejak 2020.

Media berita

Perusahaan media berita telah mengalihkan fokus mereka ke digital selama beberapa tahun terakhir. Pada tahun 2021, 65% orang di AS mengatakan bahwa mereka tidak pernah atau jarang mendapatkan berita dari media cetak. Organisasi seperti The New York Times dan Financial Times menawarkan paket berlangganan digital kepada pelanggan mereka di mana mereka dapat mengakses artikel dan informasi berita melalui platform online mereka.

Meskipun beralih ke digital, aplikasi berita seluler masih mengalami tingkat pencopotan pemasangan sebesar 25% pada tahun 2022.

Penyedia layanan telekomunikasi

Perusahaan telekomunikasi menawarkan berbagai layanan berbasis langganan seperti layanan nirkabel, TV, internet, dan telepon seluler. Perusahaan tersebut termasuk AT&T dan Vodafone. Pada tahun 2020, perusahaan Telekomunikasi mengalami tingkat atrisi sebesar 20%.

Perusahaan Perangkat Lunak sebagai Layanan (SaaS)

Perusahaan SaaS mencakup bisnis apa pun yang menawarkan jenis layanan berbasis cloud. Ini bisa apa saja mulai dari layanan desain grafis online seperti Canva hingga platform e-niaga seperti Amazon.

Menurut Woopra, rata-rata tingkat churn bulanan untuk perusahaan SaaS berkisar antara 3% dan 8%. Setiap tahun, ini adalah 32-50%.

Memahami siklus hidup pelanggan Anda

Sebelum Anda dapat memprediksi churn, Anda perlu memahami siklus hidup pelanggan Anda. Alat analisis produk seperti Amplitude Analytics dapat memecah pengguna aktif Anda menjadi empat subkelompok: pengguna baru, pengguna saat ini (aktif), pengguna yang dibangkitkan (sebelumnya tidak aktif), dan pengguna tidak aktif (tidak aktif). Anda harus mengawasi setiap kelompok pengguna untuk memastikan basis pengguna produk Anda berkembang dari waktu ke waktu.

Tampilan ini membantu mengukur churn secara berkelanjutan, sehingga Anda dapat mengambil tindakan untuk menguranginya. Anda harus berusaha untuk meningkatkan jumlah pengguna Anda saat ini dan yang dibangkitkan dengan membuat pengguna tetap terlibat atau memberi mereka alasan untuk menjadi aktif kembali. Anda juga ingin menurunkan jumlah pengguna yang tidak aktif; jika grup ini mulai berkembang, Anda mungkin memiliki masalah pertunangan di tangan Anda.

Model prediksi churn: Kunci untuk meningkatkan retensi pelanggan

Berkat alat seperti CRM dan perangkat lunak analitik, perusahaan dapat mengakses kumpulan data besar yang penuh dengan informasi tentang pelanggan mereka sepanjang siklus hidup mereka. Data historis ini sangat penting dalam membangun model prediksi churn pelanggan Anda menggunakan alat seperti Amplitude Audiences.

Anda dapat membuat model prediksi churn dengan mengikuti lima langkah.

1. Identifikasi sasaran prediksi churn Anda

Langkah pertama untuk memastikan kinerja model prediksi churn yang optimal adalah mengidentifikasi dan menentukan apa yang ingin Anda capai dari model Anda. Pada tingkat tinggi, Anda bertujuan untuk:

• Kurangi gesekan pelanggan dengan mengidentifikasi pelanggan mana yang memiliki risiko tertinggi untuk berhenti.
• Pahami alasan mengapa pelanggan Anda yang berisiko cenderung berhenti.
• Rancang dan terapkan perubahan dalam perjalanan pelanggan untuk mempromosikan retensi bagi pelanggan Anda yang berisiko.

2. Persiapan data

Baik melalui CRM, perangkat lunak analitik, atau umpan balik pelanggan langsung, Anda mengumpulkan data dari pelanggan Anda di setiap titik kontak dalam perjalanan pembelian mereka.

Mengumpulkan data pelanggan yang relevan dan menyiapkannya untuk klasifikasi dan ekstraksi adalah langkah kedua untuk membangun model prediksi churn Anda. Jika Anda menggunakan alat analitik, baca Panduan kami untuk Data Perilaku & Pelacakan Peristiwa untuk mempelajari cara mengumpulkan data yang akurat.

3. Bekerja dengan fitur

Gunakan rekayasa fitur untuk mewakili dan mengkategorikan pelanggan berdasarkan fitur yang kemungkinan membuat mereka berhenti. Ada lima jenis fitur saat membahas churn pelanggan:

• Fitur pelanggan: Ini adalah informasi umum berbasis demografis tentang pelanggan, seperti usia mereka, berapa penghasilan mereka, dan tingkat pendidikan mereka.
• Fitur dukungan: Ini merujuk pada interaksi yang dilakukan pelanggan Anda dengan tim dukungan pelanggan Anda, termasuk jumlah email yang dikirim, waktu penyelesaian, dan peringkat kepuasan setelah masalah diselesaikan.
• Fitur penggunaan: Ini menjelaskan elemen tentang bagaimana pelanggan menggunakan produk atau layanan Anda. Misalnya, durasi panggilan rata-rata untuk pelanggan perusahaan telekomunikasi atau berapa kali pengguna masuk ke aplikasi.
• Fitur kontekstual: Ini termasuk informasi berbasis konteks yang dimiliki perusahaan tentang pelanggan. Ini bisa berupa sistem OS yang mereka gunakan di perangkat mereka atau pembelian sebelumnya.
• Fitur perilaku : Ini adalah perilaku dan tindakan spesifik yang dilakukan pelanggan di dalam produk Anda. Misalnya, berapa kali pengguna membagikan daftar putar di aplikasi streaming musik.

Setelah Anda mengidentifikasi fitur yang menjadi fokus, Anda perlu mengekstraknya untuk menstandarisasi variabel atau atribut. Anda sebaiknya hanya memilih informasi yang relevan untuk menganalisis churn.

4. Bangun model Anda

Algoritme ML biasanya bekerja menggunakan klasifikasi biner, yang mengatur variabel target Anda dan memberi mereka nilai benar atau salah. Dengan kata lain, apakah fitur spesifik tersebut menyebabkan pelanggan Anda churn atau tidak? Misalnya, apakah mencopot pemasangan aplikasi dari ponsel mereka biasanya menyebabkan pelanggan berhenti?

Model prediktif umum lainnya adalah pohon keputusan, yang menggunakan fitur apa pun yang tersedia dan memberikan hasil potensial. Model pohon keputusan akan menyediakan beberapa skenario untuk melihat apakah pelanggan akan churn atau tidak.

Dalam kasus perusahaan yang bekerja dengan kumpulan data yang lebih besar, Anda dapat membangun model prediktif pada banyak pohon keputusan, juga disebut sebagai hutan acak. Di hutan acak, setiap pohon keputusan memiliki klasifikasi dengan jawaban positif atau negatif. Jika mayoritas pohon keputusan memberikan jawaban positif, prediksi akhir akan positif.

5. Memantau model Anda

Setelah model Anda siap, sekarang saatnya untuk mengintegrasikannya ke dalam alat prediksi Anda. Dengan alat ini, Anda dapat menguji dan memantau kinerja model Anda dan melakukan penyesuaian pada fitur jika perlu. Anda menerapkan model pilihan Anda dan mengirimkannya ke produksi. Jika kinerjanya baik, Anda dapat memperbarui aplikasi yang ada atau menggunakannya sebagai fokus produk baru.

Membangun model prediksi dalam alat analitik

Mari kita telusuri cara membangun model prediksi dalam alat analitik seperti Amplitudo.

1. Tentukan kohort atau grup pengguna awal

2. Prediksi keadaan hasil masa depan mereka

Prediksi menggunakan perilaku masa lalu untuk memprediksi perilaku masa depan. Alat analitik seperti Amplitude akan melihat pengguna yang berada di kelompok awal dua periode lalu dan mengidentifikasi pengguna yang mencapai hasil yang diinginkan satu periode lalu, serta mereka yang tidak.

3. Beri peringkat dan skor pengguna berdasarkan model ini

Model prediktif menghitung skor probabilistik untuk setiap pengguna dalam kelompok awal untuk mencapai hasil yang diinginkan dalam 7, 30, 60, atau 90 hari ke depan. Model berlatih ulang setiap hari untuk memperhitungkan data musiman.

Gambar di bawah ini terlihat di atas 5%.

4. Gunakan kelompok prediktif untuk menginformasikan produk dan strategi pemasaran Anda

Anda dapat menggunakan kelompok prediktif untuk mengelompokkan pengguna berdasarkan kemungkinan mereka untuk berhenti. Ubah peringkat pengguna Anda dari langkah 3 menjadi kelompok baru dan targetkan ulang mereka dengan:

• Menyertakan mereka dalam kampanye pemasaran yang dirancang untuk meningkatkan retensi
• Menawarkan harga dinamis, termasuk potongan harga atau penawaran khusus
• Personalisasi konten dan pengalaman produk berdasarkan preferensi mereka
• Menyesuaikan frekuensi perpesanan berdasarkan kemungkinan mereka untuk mengkonversi atau berhenti
• Menjalankan pengujian A/B khusus untuk bereksperimen dengan situs web atau perubahan produk baru

Misalnya, jika Anda menemukan kelompok pengguna dengan kemungkinan besar untuk beralih, Anda dapat menggunakan taktik penetapan harga terbalik untuk menawarkan diskon atau insentif yang lebih besar kepada mereka.

Memulai analitik prediksi churn

Terlepas dari betapa rumitnya prediksi churn, itu mudah dilakukan dengan alat yang tepat. Amplitude memberdayakan tim non-teknis untuk membangun model AI yang kompleks tanpa menulis kode atau mengandalkan sumber daya dan dependensi teknik. Cukup gunakan antarmuka swalayan dengan tindakan tunjuk dan klik untuk membangun model yang kuat untuk memprediksi dan mengurangi churn. Cobalah sendiri secara gratis dengan paket awal Amplitude.

Tonton video di bawah ini untuk mempelajari cara menghitung churn dalam pengalaman demo swalayan kami.

Referensi

• Akuisisi Pelanggan vs. Biaya Retensi, Invesp
• Prediksi Churn Pelanggan untuk Bisnis Berlangganan Menggunakan Machine Learning: Pendekatan dan Model Utama, AltexSoft
• Tingkat Churn vs Tingkat Retensi: Cara Menghitung KPI SaaS Ini, Woopra