De Churnover-kronieken: hoe prijsverhogingen klanten doen wegfladderen

Klanten behouden is een belangrijke bedrijfsuitdaging, zeker bij moeilijke beslissingen zoals prijsverhogingen. Een bedrijf verhoogde jaarlijks zijn abonnementsprijzen, maar wist niet hoe dat de klantentrouw beïnvloedde en welke prijs de winst zou maximaliseren. Om die uitdaging aan te pakken, schakelde het ons team van experts in voorspellende modellen in.

Dat is nooit zo eenvoudig als een dataset opsplitsen en een model trainen en testen. Wettelijke beperkingen verhinderden ons om een klassiek churnmodel te gebruiken om klanten voor prijsverhogingen te selecteren. We mochten uitsluitend werken met niet-discriminerende klantkenmerken.

Aanpak

We begonnen met een precieze probleemstelling: hoe bepalen we de optimale prijsverhoging voor het abonnement van een klant, met een zo klein mogelijk risico op klantverloop?

De aanname van nul risico is uiteraard onjuist: klanten zijn prijsgevoelig, zeker in het huidige inflatieklimaat. We analyseerden eerst de impact van eerdere prijsverhogingen. Voor deze gebeurtenisanalyse moesten we een duidelijke periode afbakenen. In overleg met de klant besloten we het klantverloop in de vier maanden na elke prijsverhoging te bekijken, met specifieke aandacht voor opzegverzoeken (Cancellation Requests, CR) die binnen een periode van twee maanden werden ingediend.

Weergave van de onderzochte periode

Daarna bouwden we een uitgebreide dataset met uiteenlopende kenmerken uit historische en huidige gedragspatronen van de klanten. Die omvatte de cumulatieve effecten van eerdere prijsverhogingen en externe variabelen zoals inflatie. De uiteindelijke dataset was sterk onevenwichtig, met slechts 1,5% klantverloop.

Voorspellingen?

Op basis van de grondige data-analyse uit de vorige fase ontwikkelden we twee afzonderlijke voorspellende modellen: één voor particuliere klanten en één voor bedrijven. De analyse toonde aan dat beide groepen duidelijk anders reageerden. Voor beide segmenten kozen we LGBM-regressiealgoritmes om kenmerken te selecteren en voorspellingen te maken. Uit de vele beschikbare algoritmes kozen we LGBM om twee belangrijke redenen:

• De dataset is onevenwichtig.

• De data zijn transactioneel.

In plaats van de modelkeuze verder uit te diepen, kijken we naar de voorspellingen. Die waren niet uitzonderlijk goed of slecht, maar gewoon voldoende. Dat was geen probleem, aangezien we een voorspellend model wettelijk toch niet rechtstreeks mochten gebruiken. Wat echt telde, was de selectie van kenmerken.

Kans op klantverloop: verdelingen bij verschillende prijsverhogingen.

Om gevoeligheidsklassen te bepalen, analyseerden we hoe de kans op klantverloop varieerde bij prijsverhogingen tussen 0% en 10%. We simuleerden die kansen voor verhogingen van 1% tot 10%. Zoals in de figuur hieronder te zien is, identificeerden we de laagrisicogroep, aangeduid in roze. Deze klanten waren erg trouw: zelfs bij een prijsverhoging van 10%, de hoogste geteste waarde, bleef hun kans op vertrek onder 55%. Met de drempelwaarden van de klant onderscheidden we drie groepen:

• Lage gevoeligheid: 47% van de klanten / 0,7% klantverloop

• Gemiddelde gevoeligheid: 32% van de klanten / 1% klantverloop

• Hoge gevoeligheid: 21% van de klanten / 2,4% klantverloop

De hoogrisicogroep heeft 3,5 keer meer kans om te vertrekken. Dat is een opvallend verschil gezien onze onevenwichtige dataset.

Klanten met een laag risico selecteren.

Een oplossing vinden: multi-informatiecriteria

Het is u misschien opgevallen: we gebruiken een voorspellend algoritme om voorspellingen te maken, maar mogen het wettelijk niet gebruiken om prijsverhogingen te bepalen. Onze oplossing was om alle opgebouwde kenmerken te rangschikken op basis van hoe goed ze de groepen met een laag, gemiddeld en hoog risico onderscheiden.

Neem bijvoorbeeld het verband tussen het kenmerk "Aantal keer gebruikt vorige maand" en de drie klantklassen:

Aantal keer gebruikt in de maand vóór de prijsverhoging en gevoeligheid voor de prijsverhoging.

We pasten de multi-informatiecriteria toe om de beste combinatie van kenmerken te vinden die de variatie in de data vastlegt en overlap vermijdt. Om het praktisch bruikbaar te houden, selecteerden we tien kenmerken en combineerden die per drie. Dat leverde 120 mogelijke combinaties op.

Oplossing & resultaten

We implementeerden de combinatie van drie kenmerken die de groepen met een laag, gemiddeld en hoog risico het best onderscheidde. Klanten zonder gebruik vielen bijvoorbeeld consequent in de hoogrisicocategorie. Zo konden we groepen samenstellen op basis van uitsluitend gebruikerskenmerken en hun historische klantverloop analyseren. Elke groep had ook een eigen prijsgevoeligheid, die we met lineaire regressie bepaalden.

Met onze uiteindelijke oplossing kan het businessteam drie kenmerken uit een verzameling van tien kiezen om gevoeligheidsgroepen te vormen. De tool genereert gedetailleerde rapporten per groep, met verwacht klantverloop en aanbevolen prijsverhogingen. Hij berekent zowel het risico op klantverloop als de verwachte winststijging door prijsaanpassingen en weegt beide af om de totale verwachte opbrengst te bepalen. We bezorgden de klant een gedetailleerde lijst met aanbevolen prijsverhogingen, onderbouwd met historische data over de impact op klantbehoud. Daarnaast adviseerden we over de optimale combinatie van gebruikerskenmerken voor een doeltreffende segmentatie.

Tot slot

Zakelijk gezien was het project vrij eenvoudig, maar het bracht bijzondere uitdagingen mee. Data-analyse en voorspellende modellen zijn onze sterkte; de echte uitdaging was omgaan met de wettelijke beperkingen. Ons team moest complex klantgedrag terugbrengen tot slechts drie onderscheidende kenmerken, met behoud van maximale nauwkeurigheid. Het was voor ons onbekend terrein, en precies dat maakte het boeiend!