Predicting Customer Churn in Telecom Services Using Machine Learning

In de wereld van telecommunicatie wordt de gezondheid van een bedrijf niet alleen gemeten aan de hand van hoeveel nieuwe mensen zich aanmelden, maar door hoeveel mensen blijven. Voor bedrijven die afhankelijk zijn van maandelijkse abonnementen is het verlies van een klant een dubbele klap: ze verliezen de directe inkomsten van die persoon, en ze moeten een aanzienlijk bedrag uitgeven om een vervanger te vinden. Omdat het werven van een nieuwe abonnee veel duurder is dan het behouden van een bestaande, is het vermogen om te voorspellen wie op het punt staat te vertrekken een cruciale zakelijke vaardigheid geworden. Traditioneel ontdekten bedrijven vaak pas dat een klant was vertrokken nadat de dienst was opgezegd, op welk moment het al te laat was om in te grijpen. Het doel van moderne data-analyse in dit veld is om te verschuiven van het reageren op vertrek naar het anticiperen erop, door gebruik te maken van historische gegevens over klantgedrag om waarschuwingssignalen te herkennen voordat een contract wordt verbroken.

Twee onderzoekers van het Chaitanya Bharathi Institute of Technology in Hyderabad, India, hebben deze uitdaging aangepakt door een systeem te bouwen dat ontworpen is om klanten te identificeren die het risico lopen te vertrekken voordat ze dat daadwerkelijk doen. Hun werk, getiteld "Predicting Customer Churn in Telecom Services Using Machine Learning," richt zich op een specifiek type computerprogramma dat bekend staat als een classifier. In eenvoudige termen is dit een hulpmiddel dat leert van voorgaande voorbeelden om voorspellingen te doen over de toekomst. De onderzoekers voedden hun systeem met een grote collectie real-world data die informatie bevat over meer dan 7.000 individuele abonnees. Deze data bevatten details over wie de klanten waren, hoe lang ze al bij het bedrijf waren, welke diensten ze gebruikten, hoe ze hun rekeningen betaalden en of ze uiteindelijk besloten om hun dienst op te zeggen.

Het team trainde hun systeem om patronen in deze informatie te zoeken die correleren met het besluit van een klant om de dienst op te zeggen. Ze testten verschillende wiskundige benaderingen om te zien welke het beste werkte bij het opsporen van deze patronen. Hoewel sommige methoden complex zijn en fungeren als een 'black box', kozen de onderzoekers uiteindelijk voor een rechttoe-rechte benadering die bekend staat als logistische regressie voor hun definitieve instrument. Deze keuze werd gedreven door een verlangen naar duidelijkheid; de gekozen methode presteerde niet alleen goed, maar stelde het team ook in staat om precies te begrijpen welke factoren een klant richting het opzeggen van de dienst duwden. Het resultaat is een digitaal dashboard genaamd ChurnGuard AI, dat fungeert als een beslissingsondersteunend instrument voor zakelijke teams. In plaats van ruwe cijfers te presenteren, vertaalt het dashboard de berekeningen van de computer naar duidelijke risiconiveaus, waardoor personeel kan beslissen wie te contacteren en hoe.

Toen de onderzoekers hun systeem testten op een groep klanten die het nog nooit eerder had gezien, toonden de resultaten een duidelijk voordeel ten opzichte van niets doen. Een eenvoudige strategie waarbij men ervan uitgaat dat niemand zal vertrekken, zou ongeveer 73 procent van de tijd correct zijn, simpelweg omdat de meeste mensen blijven. Echter, die strategie zou volledig falen in haar eigenlijke taak: het zou geen enkele persoon identificeren die op het punt stond om te vertrekken. Het nieuwe systeem slaagde er daarentegen in om bijna 78 procent van de klanten die daadwerkelijk hun dienst zouden opzeggen, correct te identificeren. Hoewel het systeem ook klanten markeerde die bleven als potentiële risico's, bepaalden de onderzoekers dat deze afweging acceptabel was. In de business van retentie is het over het algemeen beter om een extra telefoontje te plegen naar een loyale klant dan de kans te missen om een klant te redden die op het punt staat te vertrekken.

De analyse onthulde specifiek gedrag dat een vertrek van een klant sterk voorspelde. De meest significante factor was het type contract dat een klant hanteerde. Degenen met maandelijkse overeenkomsten waren veel eerder geneigd om te vertrekken dan degenen die vastzaten aan contracten van één of twee jaar. Daarnaast waren nieuwe klanten met een korte geschiedenis bij het bedrijf en klanten die geen gebruik maakten van aanvullende diensten zoals online beveiliging of technische ondersteuning, een veel groter risico. Het systeem bracht deze relaties succesvol in kaart, waardoor het dashboard niet alleen kon benadrukken wie er risico liep, maar ook waarom. Bijvoorbeeld, het kon laten zien dat een klant met een maandabonnement zonder technische ondersteuning zeer waarschijnlijk zou vertrekken, wat suggereerde dat het aanbieden van een korting om over te stappen naar een langer contract of het toevoegen van een ondersteunende dienst de juiste zet zou kunnen zijn.

De onderzoekers erkennen dat het systeem niet perfect is. Hoewel het erin slaagt om de meerderheid van de klanten die op het punt staan te vertrekken te vangen, genereert het ook een aantal valse alarmen door loyale klanten als risico's te markeren. Dit is een bekende beperking, maar de auteurs stellen dat voor een eerste versie van een dergelijk instrument, het vermogen om de meerderheid van de risicovolle klanten te vangen waardevoller is dan perfecte precisie. Ze suggereren dat toekomstige versies verfijnd kunnen worden om deze valse alarmen te verminderen, bijvoorbeeld door de gevoeligheid van het systeem aan te passen of door meer gedetailleerde financiële gegevens over de omzet die elke klant genereert te integreren.

Uiteindelijk demonstreert dit werk hoe data kan worden omgezet in een praktische activa voor bedrijven. Door de analyse uit een onderzoeksnotitieboekje naar een gebruiksvriendelijke interface te verplaatsen, hebben de onderzoekers een instrument gecreëerd dat niet-technisch personeel dagelijks kan gebruiken. Het systeem vervangt het menselijk oordeel niet, maar biedt een duidelijk, datagestuurd startpunt voor retentie-inspanningen. Het transformeert het abstracte concept van "klantverloop" (churn) in een beheersbare lijst met acties, waardoor bedrijven proactief kunnen zijn in plaats van reactief. In een industrie waar de kosten van het verliezen van een klant hoog zijn, biedt het vermogen om de waarschuwingssignalen vroegtijdig te zien een tastbaar pad naar stabiliteit en groei.