Insight #3: churn voorspellen met Neslin-model

Een praktisch model voor het voorspellen en managen van churn: Neslin-model.

Churn geeft marketing- en salesmanagers vaak slapeloze nachten. Je werkt hard om nieuwe klanten te winnen maar ondertussen vertrekken er via de achterdeur ook weer. Wat zijn de insights voor accurate voorspellingen van churn?

Churn is volgens Scott A. Neslin et al. in een artikel in de Journal of Marketing Research een significant probleem in branches zoals:
– publishing,
– financial services,
– energie,
– banking,
– verzekeringen,
– telecom en
– kabel.
Voor telefoonabonnementen variëren churn percentages van 23% tot 46% en dat heeft vanzelfsprekend stevige impact op de Customer Lifetime Value (CLV) .

Daarom staat churn management hoog op de agenda in de bestuurskamer en bij het MT.

Welke klanten zullen waarschijnlijk churnen en met welke incentives kunnen we ze behouden? Daarbij wil je voorkomen dat je onnodig geld spendeert aan klanten die niet churnen.

Accuracy

Een metric die hierbij relevant is, is “accuracy” oftewel in welke mate weet je klanten die churnen goed te voorspellen. Als 15 van de 100 klanten churnen, weet je dan die 15 precies goed te detecteren? En niet meer en niet minder. Dan is de accuracy 100%

De studie van Neslin gaat in essentie in op de volgende vragen:
(1) maakt het uit welke techniek je toepast om churn te voorspellen?
(2) is je model bestendig (zijn de criteria over 3 maanden ook nog geldig)?

Het antwoord is op beide vragen ondubbelzinnig “ja”. In het geval van het Neslin-model geeft Logistic Regression de beste resultaten. Decision Tree scoort iets minder. Het blijkt ook dat na 3 maanden Logistic Regression als beste presteert.

In Business Analytics (Kuruganti en Basu; McGrawHill 2015) komt men tot dezelfde conclusies. Deze auteurs komen aan de hand van het Neslin-model op een lift van 2,64. Dit wil zeggen dat de groep klanten waarbij churn wordt voorspeld, zij 2,64 keer vaker ook daadwerkelijk churnen. Het Neslin-model is dus een bijzonder krachtig model.

Neslin-model

Uitgangspunt van het model is dat je klanten in groepen worden ingedeeld op basis van de kans dat ze churnen. Stel dat je 30.000 klanten hebt dan is het het handigst 10 (gelijke) groepen 3.000 te maken. Op basis van je churn-prediction-model (zoals Logistic Regression; kijk dan bijvoorbeeld naar de confidence-score voor yes/no) bereken je per klant de churn-kans. Je sorteert voor alle klanten de churn-kans van hoog naar laag. Vervolgens maak je 10 groepen van elk 3.000 klanten en per groep bereken je de gemiddelde kans op churn. Dit zou er als volgt uit kunnen zien . . .


Het Neslin-model gaat uit van voor marketeers en sales een aantal “alledaagse” gegevens:
(1) customer lifetime van de klant (CLV) ….. stel € 2.500
(2) de kosten van het contacteren van de klant ….. stel € 10
(3) de kosten van de incentive voor de klant ….. stel € 50
(4) overall %klanten dat mogelijk zal churnen ….. stel 10,1%
(5) %klanten dat door de campagne NIET zal churnen ….. stel 30%
(6) vaste overheadkosten voor de campagne ….. stel € 20.000
(7) #klanten ….. stel 30.000

Voorbeeld . . .

Uitgaande van het bovenstaande geeft het Neslin-model de volgende uitkomsten:


Als we naar ‘Groep 1’ kijken dan is er zoals bijvoorbeeld uit de uitkomsten van Logistic Regression blijkt een kans van 26,67% dat er wordt gechurnd (3.000 x 26,67% = 800 klanten). Bij een success-rate van 30% zullen 240 klanten klant blijven (=800 x 30%). Er zullen 560 klanten daadwerkelijk churnen (=800 x 70%).

De 240 klanten die behouden blijven, zijn goed voor een CLV van € 2.500 elk. Maar van deze opbrengst moeten de variabele kosten af. De netto opbrengst bedraagt daarmee € 585.600 (=240 x (2.500 – 10 – 50).

In de klanten die vertrekken is per klant € 10 qua contactkosten geïnvesteerd. De totale kosten hiervan bedragen € 5.600.

Onvermijdbaar bereik je met de churncampagne klanten die eigenlijk helemaal niet van plan waren te churnen. In totaal zijn dit 2.200 klanten waarin voor € 60 (=10 + 50) wordt geïnvesteerd, in totaal € 132.000.

De overall netto opbrengst van de churncampagne is € 418.000. En dat is op gegeven de uitgangspunten een goede investering. De 3.000 klanten die in ‘Groep 1’ worden benaderd zijn daarmee elk goed voor € 139 opbrengst.

= = = = = = = = = = = = = = = = = = = =

Excel-berekening

Het oorspronkelijke artikel waarmee het Neslin-model werd geïntroduceerd is (wiskundig) best lastig. We hebben dat omgezet naar een Excel-berekening. Wil je de Excel-file ontvangen? Geef dit aan in het formulier onderaan deze post. Als je ook een rating geeft voor deze post dan mailen wij je het bestand.

= = = = = = = = = = = = = = = = = = = =

Insights

(1) Logistic Regression
Logistic Regression is een klassieke techniek maar nog altijd bijzonder accuraat

(2) Model is duurzaam
Een eenmaal bepaald model blijkt voor langere tijd bruikbaar te zijn. Je hoeft niet elk kwartaal je model bij te stellen

(3) Gevoeligheid parameters
Het Neslin-model geeft goed inzicht in de sensitiviteit van belangrijke parameters zoals success-rate en variabele kosten.

(4) ‘Would-be’ churners
De kosten van ‘would-be’ churners die klant blijven zijn substantieel. Er is geen sprake van opbrengst (CLV) omdat zij klant waren en blijven.
Het advies is daarom kritisch te kijken naar de contactkosten en de incentive. Deze klanten niet benaderen is geen oplossing omdat je vooraf niet weet wie dat zijn. Zij hebben wel het profiel van ‘would-be’ churners.

Bronnen / downloads
(1) Scott A. Neslin et al. (2006) Defection Detection: Measuring and Understanding the Predictive Accuracy of Customer Churn Models in Journal of Marketing Research
(2) Wouter Verbeke et al. (2011) New isights into churn prediction in the telecommunication sector: A profit driven data mining approach in European Journal of Operational Research