From Churn Prediction to Retention Pricing: A Cost-Sensitive Decision Framework for Managing Revenue at Risk in Subscription Services
Dit artikel presenteert een kostengevoelig besluitvormingskader dat churn-voorspelling transformeert naar een actiegerichte retentie-prijsstrategie door de omzet onder risico te kwantificeren en aan te tonen dat brede, goedkope outreach economisch superieur is aan smalle, hoog-precieze targeting voor het maximaliseren van de netto baten in abonnementdiensten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van abonnementsdiensten, van streamingplatforms tot mobiele telefoonabonnementen, hangt het overleven van een bedrijf af van een eenvoudige, continue cyclus: het binnenhalen van nieuwe klanten en het behouden van de klanten die het al heeft. De uitdaging om klanten te behouden staat bekend als "retentie", terwijl de handeling waarbij een klant vertrekt wordt aangeduid als "churn". Voor een bedrijf is het verlies van een klant niet slechts een enkele verloren verkoop; het is het verdwijnen van een gestage stroom inkomsten die moet worden vervangen door het vinden van een nieuw persoon, wat bijna altijd veel duurder is. Daarom hebben bedrijven lang geprobeerd te voorspellen wie op het punt staat te vertrekken, zodat ze kunnen ingrijpen. Traditioneel werd deze voorspelling behandeld als een puur wiskundig probleem, waarbij het doel simpelweg is om een computermodel te bouwen dat zo vaak mogelijk correct raadt. Echter, in algemene zin gelijk hebben is niet hetzelfde als in zakelijke zin nuttig zijn. Een model kan zeer accuraat zijn in algemene zin, maar nog steeds falen in het begeleiden van een bedrijf over wie te bellen, welk aanbod te maken of wat de kosten van dat aanbod moeten zijn. De echte vraag is niet alleen "wie zal vertrekken?", maar "voor wie is het de moeite waard om te proberen te redden?".
Dit onderzoek hanteert een andere aanpak, waarbij het voorspellen van wie zal vertrekken niet wordt behandeld als een doel op zich, maar als het startpunt voor een financiële beslissing. De studie richt zich op een dataset van meer dan 7.000 klanten van een telecomprovider, waarbij hun facturatiegegevens, hoe lang ze al bij het bedrijf zijn en het type contract dat ze hebben getekend, worden onderzocht. De onderzoekers hebben eerst een machine learning-systeem gebouwd dat elke klant rangschikt op basis van hun waarschijnlijkheid om te vertrekken. Cruciaal is dat zij dit systeem zo hebben ontworpen dat het de veelvoorkomende fout vermijdt waarbij de computer toekomstige gegevens gebruikt tijdens de training, wat ervoor zorgt dat de rangschikkingen eerlijk en betrouwbaar zijn. Zodra ze een lijst hadden met klanten gerangschikt op risico, stopten ze niet bij de voorspelling. In plaats daarvan stelden ze een praktische vraag: als het bedrijf een korting aanbiedt om een klant te behouden, bij welk punt wegen de kosten van die korting het op tegen de waarde van de klant die blijft?
De analyse onthulde een opvallende onbalans in waar het geld daadwerkelijk op het spel staat. Hoewel klanten met maandelijkse contracten slechts ongeveer de helft van de totale klantenbasis uitmaken, zijn zij verantwoordelijk voor bijna 87 procent van de jaarlijkse omzet die momenteel in gevaar is om verloren te gaan. Deze klanten vertrekken met een snelheid die meer dan vijftien keer hoger ligt dan die van klanten die zich vastleggen voor twee jaar. Paradoxaal genoeg zijn de klanten die het vaakst vertrekken ook degenen die gemiddeld de minste langetermijnwaarde voor het bedrijf genereren, terwijl de klanten die het langst blijven de meest waardevolle zijn. Dit creëert een complexe situatie voor bedrijfsleiders: het segment dat het meest waarschijnlijk zal vertrekken, is ook het segment dat het goedkoopst is om te verliezen, maar omdat er zoveel van hen tegelijkertijd vertrekken, is het totale bedrag dat op het spel staat enorm.
Om dit op te lossen, testten de onderzoekers een strategie van het benaderen van klanten met retentie-aanbiedingen op basis van hun risicoscore. Ze simuleerden verschillende scenario's, waarbij ze uitgingen van verschillende kosten voor de aanbiedingen en verschillende succespercentages in het overtuigen van mensen om te blijven. De resultaten lieten zien dat de meest winstgevende strategie niet is om te wachten op een zeer hoge zekerheid dat een klant zal vertrekken voordat er wordt gehandeld. In plaats daarvan suggereert de data dat bedrijven een veel breder net moeten uitwerpen. De optimale strategie houdt in dat bedrijven contact opnemen met klanten, zelfs wanneer hun risico op vertrek relatief laag is, specifiek rond de 15 procent waarschijnlijkheid. Dit kan tegenintuïtief lijken, aangezien het betekent dat men veel mensen benadert die sowieso zouden zijn gebleven. Echter, de wiskunde laat zien dat de kosten van het versturen van een kleine korting aan een paar extra mensen veel lager zijn dan de kosten van het missen van de kans om een klant te redden die daadwerkelijk vertrekt. In de simulaties genereerde deze brede aanpak met een lage drempel aanzienlijk meer netto voordeel dan een nauwe strategie met hoge precisie die zich alleen op de meest voor de hand liggende gevallen richtte.
De studie concludeert dat de manier waarop bedrijven retentie beheren, moet verschuiven van een smalle focus op nauwkeurigheid naar een bredere focus op economie. Omdat de kosten van het verliezen van een klant zo hoog zijn in vergelijking met de kosten van een mislukt retentie-aanbod, is het financieel zinvol om genereus te zijn met outreach. De bevindingen wijzen ook op een specifieke prijsstrategie: bedrijven zouden contractduur als een hefboom moeten gebruiken om klanten weg te bewegen van de risicovolle, maandelijkse groep en naar langere termijn verbintenissen, in plaats van uitsluitend te vertrouwen op reactieve kortingen nadat een klant al besloten heeft te vertrekken. Door de voorspelling van wie er misschien zal vertrekken direct te koppelen aan de kosten van het redden van hen, biedt dit werk een duidelijke, reproduceerbare methode voor bedrijven om te beslissen hoe ze hun retentiebudget besteden, waardoor een statistisch model wordt omgezet in een praktische gids voor het beschermen van omzet.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.