Klantervaring
Klantverloop voorspellen in telecom: van data naar klantbehoud
Klantbehoud blijft een van de grootste omzetuitdagingen in telecom, waar kleine veranderingen in verlooppercentages honderden miljoenen euro's vertegenwoordigen. Agilytic bouwde voor een toonaangevende Belgische telecomoperator een voorspellend model voor klantverloop dat risicoklanten identificeerde, maanden vooraf. Zo werden gerichte retentiecampagnes mogelijk die het jaarlijkse klantverloop verminderden.
Om de vertrouwelijkheid te beschermen, kunnen we specifieke details aanpassen. Onze belangrijkste bijdrage geven we altijd correct weer.
Context en doelstellingen
Een toonaangevende Belgische telecomoperator kampte al jaren met een structureel probleem met klantbehoud. Met een verloop van meer dan 10% liep de geschatte jaarlijkse impact op tot honderden miljoenen euro's.
Klantbehoud in telecom is complex door een combinatie van factoren:
Sommige zijn extern, zoals de opkomst van promotiebundels die mobiele telefonie, internet en tv combineren bij concurrerende operatoren.
Andere zijn intern, van de kwaliteit van de dienstverlening en concurrerende prijzen tot de efficiëntie van de klantendienst bij het oplossen van problemen.
Bovendien maakten datasilo's en wisselende datakwaliteit het moeilijk om de werkelijke oorzaken van klantverloop te vinden.
De operator vroeg Agilytic om:
De oorzaken van klantverloop te identificeren
Risicoklanten gericht te benaderen
Een betrouwbare aanpak voor het voorspellen van klantverloop op te bouwen
Aanpak
Het probleem afbakenen
We organiseerden een workshop met de teams van de operator om de relevante KPI's te bepalen, gegroepeerd rond drie oorzaken van klantverloop:
Administratieve problemen zoals contractfouten, ongelegen wijzigingen in prijsformules en prijsstijgingen
Facturatieproblemen zoals factuurfouten, verbruik boven de bundel en kosten die niet door de vaste prijs worden gedekt
Technische factoren zoals afnemende netwerkprestaties en dienstonderbrekingen
Zo bereikten alle betrokkenen overeenstemming over welke signalen het volgen waard waren en wat ‘klantverloop’ voor de verschillende afdelingen betekende.
Een gezamenlijke databasis bouwen
We brachten klantdata samen uit het CRM, de facturatie en het netwerk in één opgeschoond datawarehouse. Door de versnipperde bestaande data-infrastructuur van de operator was die gezamenlijke basis een voorwaarde voor elke zinvolle analyse.
Het voorspellende model ontwikkelen en inzetten
Met schone data bouwden we een retentiemodel om:
De belangrijkste oorzaken van klantverloop te identificeren
Voor elke klant de kans op vertrek te scoren
Het model kon klantverloop tot drie maanden vooraf voorspellen, zodat de operator tijd genoeg had om retentiecampagnes te plannen en uit te voeren.
Elke klant kreeg een score en twee onderbouwende argumenten die de vertrekkans verklaarden. We zetten de scores rechtstreeks in het CRM van de operator, zodat eerstelijnsmedewerkers bij inkomende en uitgaande gesprekken over alle relevante context beschikten.
Verfijning en overdracht
Om de voorspellingen actueel te houden, ontwikkelden we een geautomatiseerde nachtelijke update die nieuwe scores via CSV rechtstreeks in het CRM aanleverde.
Het project eindigde met een uitgebreide overdracht, inclusief opleidingen en gedetailleerde documentatie voor de teams van de operator.
Resultaten
Het project had op meerdere vlakken impact:
Een duidelijker beeld van de grondoorzaken van klantverloop
Bruikbare klantsegmenten, elk met persoonlijke aanbevelingen voor de volgende retentieactie
Een afname van het jaarlijkse klantverloop die overeenkomt met ongeveer 1% van de totale klantenportefeuille
De operator gebruikt voorspellingen van klantverloop nu in de dagelijkse werking. Retentieteams beschikken bij elke klantinteractie over actuele scores.
Om de vertrouwelijkheid te waarborgen, kunnen we bepaalde details in onze klantcases aanpassen.