2.09.2014 / Lasse Liukkonen

Kirjoitelma on jatkoa Asiakaspoistuma-analyysi ja miljoona lisämyyntiä blogiketjun avaukselle. Kirjoitelmassa käydään läpi asiakaspoistuma-analyysin suorittamisen vaiheet poikkileikkausaineiston tapauksessa. Yleisesti sanottakoon, että asiakaspoistuma-analyysin suorittaminen Rapidminerilla on melko vaivatonta ja nopeaa. Allekirjoittaneen mielestä Rapidminer lukeutuu markkinoiden parhaisiin ja nopeimmin oppittaviin analytiikkaohjelmistoihin erityisesti luokittelutyyppisien ongelmien osalta.

Esiteltävät poistuma-analyysin vaiheet eivät ole suinkaan ainoat mahdolliset, tarkoituksena on antaa yksi käyttökelpoinen runko analyysin suorittamiselle.

Poikkileikkausaineiston tapauksessa voidaan yleensä noudattaa seuraavaan kaavion mukaista etenemismallia:

kaavio

 

Esimerkkiaineisto sisältää tietoja teleoperaattorin asiakkaista (liittymistä). Lähdeaineiston yksittäinen rivi vastaa yhtä liittymää, liittymäkohtaisia selittäviä muuttujia ovat mm. kuukausitasolla keskimääräinen laskutus päivä-/ilta-/yöpuheluista, liittymän omistajan asiakkuuden kesto ja asuinalue, sekä soitot asiakaspalveluun (lukumäärä). Kiinnostuksen kohteena oleva vastemuuttuja Poistunut on binomiaalinen, joka siis kertoo onko asiakas poistunut, Kyllä/Ei. Emme ota kantaa siihen kuinka poistunut asiakas on tunnistettu poistuneeksi. Joillakin toimialoilla poistuman tunnistaminen saattaa olla hyvinkin haastavaa.

Asiakaspoistuma_datasetti

 

 

 

Seuraavaksi esitellään reseptinomainen 8 osainen ohje poistuma-analyysin suorittamisesta (poikkileikkausaineistosta) Rapidminerissä.

 

1. Tarkastele muuttujien(RM: attributesmetatietoja ja jakaumia tulosnäkymän avulla, kiinnitä huomiota seuraaviin seikkoihin

  • Onko aineisto latautunut oikein (oikein muodostettu SQL-kysely, CSV erotin määritelty oikein, jne…) ?
  • Onko muuttujien tyypit ja roolit asetettu oikein?
    • Poistuman implikoivan vastemuuttujan tyyppi binominal ja rooli label
    • Luokittelevat selittävät muuttujat tyypiltään nominal ja rooli regular
    • Jatkuvat selittävät muuttujat tyypiltään integer/real/numeric ja rooli relugar
    • Rivin/liittymän identifioivan muuttujan rooli id
  • Sisältääkö aineisto puuttuvia havaintoja? Onko muuttujien arvojen puuttuminen systemaattista vai satunnaista?
  • Sisältääkö aineisto poikkeavia havaintoja, jotka eivät todellisuudessa voi kyseisen muuttujan kohdalla ilmetä?
  • Esiintyykö id-muuttujan suhteen duplikaattirivejä?
    • Esimerkiksi lähdeaineiston identifioiva muuttuja voisi olla liittymän omistajan ID, jolloin ID:n perusteisia duplikaattirevejä voi todellisuudessa olla useita

Esim 1. Luetaan poistuma-analyysiä varten muodostettu aineisto tietokannasta ja tarkastetaan aineiston metatiedot, sekä tehdään muuttujien metatietojen pohjalta tarvittavat tyyppien ja roolien korjaukset.

kuva1kuva2kuva3

  2. Tee vaiheen 1. mukaisien havaintojen perusteella korjauksia aineistoon

  • Pohdi tulisiko puuttuvat havainnot imputoida (korvata) vai poistaa kyseiset rivit aineistosta?
    • Jotkin mallinnusmenetelmät eivät salli puuttuvia havaintoja
    • Jos aineisto on riittävän suuri ja puuttuvia havaintoja sisältävien rivien määrä pieni, ei rivien poistaminen yleensä vaikuta mallinnukseen, ellei puuttuvien havaintojen taustalla ole jotain selkeää mekanismia (systemaattista) ja liittymiä yhdistäviä tekijöitä
  • Onko järkevää aggregoida id:n mukaiset duplikaattirivit yhdeksi riviksi, esim. jatkuvien muuttujien osalta keskiarvoistus ja luokittelevien muuttujien osalta moodi

Esim 2. Esimerkkiaineistossa ei ilmene tarvittavia toimenpiteitä puuttuvien havaintojen osalta. Seuraavassa kuitenkin mainittuna operaattoreita, joita voisi hyödyntää mainituissa ongelmakohdissa:

  • Replace Missing Values, yksinkertainen puuttuvien havaintojen imputointi
  • Detect Outlier (Distances, densities, LOF, COF), mahdollista etsiä poikkeavia havaintoja neljällä eri kriteerillä
  • Aggregate, työkalu rivien aggregoimiseen
  • Filter Examples, monipuolinen operaattori rivitasonoperaatioihin, esim. mahdollista poistaa rivejä, joissa esiintyy puuttuvia havaintoja
  • Remove Duplicates, poistaa valitsemiesi muuttujien suhteen duplikaattirivit

Rapidminerissa operaattorikohtaisessa selosteessa on yleensä myös linkki esimerkkiprosessiin, josta voi ottaa mallia operaattoreiden käytöstä ja toiminnallisuudesta.

3. Pohdi mitkä muuttujat voisivat olla liiketoimintaongelmasi kannalta järkeviä/oleellisia ja tarkastele muuttujien välisiä korrelaatioita

  • Kaksi vahvasti keskenään korreloitunutta selittävää- (tausta-) muuttujaa (RM: regular-tyyppiset) mittaavat käytännössä samaa asiaa ja usein aiheuttavat ongelmia mallin estimoinnissa ja vääristävät mallista saatavia tulkintoja. Valitse tulkinnan kannalta järkevämpi muuttuja mukaan mallinnukseen
  • Aineistossa saattaa olla selittäviä muuttujia, jotka eivät poistuman kannalta ole relevantteja, vaikka niillä olisikin poistuman mielessä selitysvoimaa. Koita etsiä vahvasti korreloiva vastine kyseiselle muuttujalle, mikäli korreloivaa vastinetta ei löydy mieti mistä kyseinen selitysvoima voi johtua.
  • Muista, että muuttujien korrelaatiorakennetta tulee tarkastella vain opetusaineiston sisällä, mikäli tarkastelet korrelaatioita vastemuuttujan suhteen (opetus- ja testiaineisto selitetty aiemmassa blogiketjun kirjoituksessa).

Esim 3. Korreloituneiden selittävien muuttujien etsiminen ja aineiston selittävien muuttujien redusointi. Aineiston korrelaatiorakennetta tarkastettaessa huomataan, että puhutut minuutit ja puheluista kertyneet euromäärät korreloivat täysin keskenään (kaikilla liittymillä kiinteä minuuttihinta, ei sykäysmaksuja).

kuva4

 

4. Jaa aineisto opetus- ja testiaineistoksi

  • Mikäli aineistosi on erityisen suuri rivimäärältään, riittää mallinnuksen opetusaineistoksi yleensä murto-osa havainnoista 10-70%. Mitä enemmän selittäviä muuttujia on käytössä, sitä suurempi yleensä täytyy opetusaineiston osuuden olla, jotta se olisi struktuaarisesti kattava.
  • Tarkasta, että selittävien muuttujien korrelaatiorakenne opetusaineistossa noudattaa likimain koko aineiston rakennetta
  • Voit joutua painottamaan opetusaineistoa siten, että opetusaineistossa suhteellinen poistuneiden määrä on suurempi kuin todellisuudessa poistuneiden suhteellinen osuus, jotta mallinnusmenetelmät pystyvät “edes” jollain tasolla ennustamaan poistuneita
  • Optimaalisessa tilanteessa opetus- ja testiaineiston vastemuuttujan jakauma olisi hyvä olla samankaltainen. Painotetun opetusaineiston tapauksessa yleensä käy niin, että testiaineistosta laskettu mallin todellisen tarkkuuden arvio on yleensä heikompi (malli ennustaa ei-poistuneita liian herkästi poistuneiksi)

Esim 4. Jaetaan aineisto opetus- ja testiaineistoksi suhteessa 70%/30%. Käytetään split-data-operaattorin “stratified-sampling” ominaisuutta, joka pitää vastemuuttujan “Poistunut” jakauman samana molemmissa aineistoissa.

 

kuva5

 

 

5. Valitse kilpailevia mallinnusmenetelmiä 2-luokkaisen vasteeseen sovellettavien menetelmien joukosta

  • Valitse mallinnusmenetelmät mallinnusongelmasi/liiketoimintaongelman kannalta järkevällä tavalla. Jos on tarvetta tietää kuinka tietyt selittävät muuttujat vaikuttavat poistumaan, tulee tällöin valita mallinnusmenetelmiä, jotka paljastavat selittävien muuttujien vaikutuksen suuruuden ja suunnan esim. suuret selittävän muuttujan X arvot implikoivat asiakkaan poistumaa
  • Mieti valmiiksi onko mallinnusmenetelmäsi erityisen herkkä säätöparametriensa suhteen ja rakenna mallinuksen prosessiketjusi sen mukaisesti. Herkistä mallinnusmenetelmistä mainittakoon neuroverkko ja svm
  • Tunne mallinnusmenetelmien heikkoudet ja vaatimukset esim. vaatimukset selittävien muuttujien tyyppien suhteen

Esim 5. Koska luokitteluongelma on 2-luokkainen, valitaan kilpaileviksi malleiksi päätöspuu ja logistinen regressio (operaattorit W-J48 ja W-Logistic), joista molemmat menetelmät antavat tietoa selittävien muuttujien yksittäisistä vaikutuksista vasteeseen.

 

6. Suorita mallinvalinta ristiinvalidoinnin avulla

  • Vertaa mallien luokittelutarkkuutta ristiinvalidoinnin avulla
  • Valitse sopiva ristiinvalidoinnissa käytettävä osajoukkojen lukumäärä X:

1. Halutaan arvioida ennustevirhe mahdollisimman tarkasti: Valitse suuri ristiinvalidoinnin osajoukkojen lukumäärä, X>=10

2. Halutaan opettaa mallit mahdollisimman hyvin: Valitse pieni ristiinvalidoinnin osajoukkojen lukumäärä, X<=10

3. Yleensä kultainen keskitie (“hiharavistus”), X=10

  • Käytä mallien vertailussa konfuusiomatriisin (luokittelutarkkuus nelikenttänä) lisäksi muita binomisen vastemuuttujan kriteerejä. Usein käyttökelpoinen kriteeri on AUC (Area Under ROC-Curve), sekä ROC-käyrä. Yleensä poistuma-analyysissä poistuvien asiakkaiden osuus on niin pieni ettei konfuusiomatriisi anna oikeata kuvaa mallinnusmenetelmän suoriutumisesta. Ainakaan default-arvoista luokittelurajaa 0.5 käytettäessä
  • Punnitse estimoituja malleja tulkinnan ja mallinvalintakriteerien perusteella
  • Käytä ristiinvalidointia myös mallinnusmenetelmän säätöparametrien etsimisessä

Esim 6. Compare-ROCs-operaattorin käyttäminen. Operaattori tekee automaattisesti ristiinvalidoinnin ja laskee keskimääräiset ROC-käyrät molempien menetelmien osalta. ROC-käyrien vertailun perusteella päätöspuulla on parempi luokittelukyky, joskin ennustetarkkuuden vaihtelu on suurempaa.

 

 

compare_rocs

Näkymä Compare ROCs-operaattorin sisältä

inside_compare_rocs

 

7. Laske mallin odotettutarkkuus testiaineiston avulla

  • Kun olet jo suorittanut mallinvalinnan elä enään tee muutoksia testiaineiston tuloksen perusteella. Poikkeuksena voidaan pitää erityisen balansointitarpeen omaavia luokitteluongelmia (joudutaan painottamaan vahvasti opetusaineistoa). Odetettu mallin tarkkuus voidaan laskea käyttämällä hyväksi Apply Model- ja Performance-operaattoreita.

kuva7

 

8. Tulkitse ja tallenna mallisi automatisoitua prosessia varten

  • Tarkastele mallin luokittelutarkkuutta tietyin väliajoin muodostamalla uusi testiaineisto ja sovella malliasi siihen
  • Muista implementoida mallin soveltamisprosessiisi samat lähdeaineiston muokkausoperaatiot kuin mallinnusvaiheessa
  • Kilpailuta malliasi tietyin väliajoin muilla mallinnusmenetelmillä
  • Estimoidun puun rakenteesta voidaan tarvittaessa rakentaa säännöstö, joka voidaan implementoida esimerkiksi suoraan SQL-kyselyksi.

Esim 8. Mallin voi tallentaa Store- tai Write Model-operaattoreilla ja mallin voi ladata Retrieve-operaattorilla repositorysta tai Read Model-operaattorilla erillisestä malli-tiedostosta. Kuvissa mallin soveltaminen uuteen aineistoon (oletus, että uudelle aineistolle on tehty jo vastaavat muuttujien muunnokset kuin opetusvaiheessa), estimoidun päätöspuun rakenne (tulkinta), sekä tulosnäkymä mallin sovelluksesta (luokkatodennäköisyydet/confidencet).

rm_applier
kuva8

Asiakaspoistuma_uudet_asiakkaat

 

Lista poistumatodennäköisyyksistä (confidence-sarake ja ID-sarake) voidaan viedä esimerkiksi CRM-järjestelmää, joka kertoo kontaktoitavien asiakkaiden prioriteetit. Todennäköisyyksien avulla pystytään lisäksi arvioimaan moniko asiakas tulee poistumaan summaamalla poistumatodennäköisyydet yhteen.

 


27.08.2014 / Ville Niemijärvi

ManAsiakaspoistuma-analyysi (eng. churn) tarkoittaa analytiikan prosessiketjua, jossa selvitetään mitkä asiakkaat ovat vaarassa poistua, millä todennäköisyydellä ja miksi. Poistuma tarkoittaa sitä kun asiakas lopettaa sopimuksen palveluntarjoajan kanssa tai yksinkertaisesti lopettaa asioimisen yrityksessä. Voidaan puhua myös asiakaspidosta (eng. retention).

Termi liittyy läheisesti myös asiakkuuden elinkaaren arvon määrittämiseen (customer life-cycle value) ja nykypäivän yhteen muotitermiin; customer journey. Itse näkisin kuitenkin, että kyseessä on enemmänkin yksinkertaisesti paremmasta asiakashallinnasta ja huolenpidosta…

Poistuma-analyysi sopii hyvin sopimusliiketoimintaan, esimerkiksi sähköyhtiöille, puhelin- ja internet operaattoreille, kuntosaliketjuille tai lehtitaloille. Mutta poistuma-analyysiä voidaan tehdä myös vähittäiskaupassa, jos vain asiakas tunnistetaan (kanta-asiakasjärjestelmän avulla). Tällöin pitää vain päättää milloin asiakas on poistunut? Mikä on riittävän pitkä aika, että asiakas ei ole käynyt kaupassa, jotta voidaan päätellä hänen vaihtaneen vakiokauppaansa.

Tässä ja parissa seuraavassa kirjoituksessa käydään läpi asiakaspoistuma-analyysiä ja miten se tehdään käytännössä. Lähestymme aihetta yleisestä yksityiseen. Lopussa näytämme kädestä pitäen miten homma tehdään alusta loppuun.

Asiakaspoistuma-analyysin tuotto on helppo laskea

Kaikessa analytiikkatyössä tulee laskea mitä saamme analyysistä irti, mikä on investoinnin roi, paljonko jää viivan alle. Jollei investointi tuota moninkertaisesti enemmän kuin analyysi ja tiedon keräys maksaa, ei sitä kannata tehdä.

Asiakaspoistuman osalta tämä on erittäin helppoa tehdä. Otetaan esimerkki sähkön myynnistä.

Sähköyhtiöllä on 100 000 asiakasta. Keskimääräinen laskutus per asiakas on 1000e/vuosi. Nopea selvitys sähköyhtiön sopimuskannasta kertoo, että keskimäärin vuodessa sopimuksen lopettaa 8% asiakkaista.

Tämä tarkoittaa, että asiakkaita poistuu 8000 kpl/vuosi. Rahassa tämä on siis 8000kpl*1000e=8 miljoonaa euroa. Tuo on se potti, jota lähdemme pienentämään ja sitä kautta tekemään asiakkaallemme lisää rahaa.

Osa näistä 8000:sta poistuu luonnollisen poistuman kautta, osa vaihtaa kaupunkia. Ja sitten on se osa joka vaihtaa palveluntarjoajaa koska yrityksen tuote, palvelu tai hinta ei ole riittävän hyvä. Tai kilpailijalla on parempi. Kutsuttakoon tätä laadulliseksi poistumaksi.

Kun menemme asiakkaalle, teemme aina vastaavan laskelman ja arvioimme asiakkaan kanssa yhdessä, mikä on tuon laadullisen poistuman osuus ja kuinka paljon on realistista saada pienennettyä sitä. Sähköyhtiöiden osalta voimme katsoa julkisesta datasta, esim. THL:ltä, mikä on muuttoliike kunnasta pois päin ja paljonko poistuu jalat edellä. Näin emme joudu arvailemaan vaan meillä on faktaa laskelmien taustalla. Sanottakoon esimerkkinä, että sähköyhtiön tapauksessa 3% on luonnollista/muuttopoistumaa ja loput 5% on laadullista poistumaa. Poistumaa, johon voimme vaikuttaa. Tähän iskemme kyntemme.

Entä jos voimme pudottaa tuota 5% poistumaa vaikka vain yhden prosenttiyksikön? Tämä tarkoittaisi 1000 asiakasta ja miljoonaa euroa vuodessa lisämyyntiä. Jos analyysi maksaa 20 000 euroa, on investoinnin tuotto aika huima. Se on jotain sellaista, jota kannattaisi kaikkien tavoitella.

Mitä dataa poistuma-analyysi tarvitsee?

Ensiksi otamme historiatietoa eli tietoa jo poistuneista ja ei-poistuneista asiakkaista. Toisin sanoen sähköyhtiön tapauksessa luemme sopimustietokantaa ja sähkönkulutustietoja (yhä yleisemmin tietovarastoa tai edistyneimmissä yrityksessä erikseen toteutettua analytiikkakantaa) ja haemme sieltä mahdollisimman pitkän historian, mahdollisimman monelta asiakkaalta. Mitä enemmän sitä parempi. Historia-aineistoon otetaan mukaan asiakkaiden taustatietoja sekä käyttäytymiseen liittyvää tietoa.

Taustatietoja ovat esimerkiksi

  • alue/kaupunki/postinumero
  • demografiatiedot (tulo- ja koulutustaso)
  • sukupuoli
  • ikä
  • asiakkuuden kesto
  • talotyyppi, koko, lämmitysmuoto jne. toimialaspesifistä tietoa

Käyttäytymiseen liittyviä tietoja ovat esimerkiksi:

  • kulutus- ja laskutushistoria (esim. keskimääräinen kulutus per kk)
  • ostetut tuotteet (eli millainen sopimus)
  • reklamaatiota, asiakaspalautteet, yhteydet asiakaspalveluun
  • maksuhäiriöt
  • muut toimialaspesifit tiedot
  • Ja lopuksi se tärkein tieto: onko asiakas poistunut vai ei (K/E)

Monilta yrityksiltä ei löydy kaikkia näitä tietoja, olen nähnyt yrityksiä joilla asiakkaista tiedetään käytännössä vain numero ja osoite. Ei edes nimeä tai sitä onko kyseessä yritys- vai henkilöasiakas. Ennen kuin analytiikkaa päästään hyödyntämään täysillä, on edessä usein systemaattinen tiedon keräämisvaihe ja mahdollisesti muutokset lähdejärjestelmiin/tietovarastoon.

Ennen analyysia emme tiedä mitkä tiedot ovat relevantteja ja vaikuttavat poistumisen takana ja sen selvittäminen onkin koko homman ydin.

Miten poistuma-analyysi tehdään?

Kun tiedot on kasassa, jaamme datan kahteen eri settiin: opetusdataan ja testidataan (esimerkiksi suhteessa 60-40). Opetusdatan avulla muodostamme ennustemallin, käyttäen liiketoimintaongelmaan sopivaa analytiikka-algoritmia (esim. logistinen regressio, naive-bayes). Parhaan mallin löytäminen vaatii useita iteraatioita.

Työ vaatii analytiikkasoftan mutta ei välttämättä lisenssihankintaa vaan työn voi ostaa usein palveluna. Markkinoilta löytyviä analytiikkaohjelmistoja on esimerkiksi: R, RapidMiner, SAS, SPSS ja löytyypä Microsoftin SQL Serveristä data mining -moduuli.

Muodostunutta ennustemallia testataan testidataa vasten. Koska testidata on historiadataa, tiedämme onko asiakas poistunut vai ei. Testin voisi ajatella siten, että peitämme tuon poistuma-tiedon ja kuvittelemme, että kyseessä olisi täysin uutta dataa. Annamme mallin tehdä ennusteen eli kertoa todennäköisyydet poistua kullekin asiakkaalle. Tämän jälkeen tarkastamme tuloksen ja arvioimme mallin tarkkuuden. Näin varmistamme toimiiko malli ja kannattaako sitä hyödyntää uutta dataa vasten vai pitääkö sitä parantaa.

Kollegani laittaa piakkoin step-by-step ohjeen miten kuka tahansa hiirtä ja näppäimistöä osaava käyttäjä voi tehdä asiakaspoistuma-analyysin omalla datalla käyttäen RapidMineria. RapidMiner on yksi käytetyimmistä analytiikkaohjelmistoista maailmassa ja kuuluu Gartnerin analyysissä leaders-kategoriaan. Rapidista saa ladattua ilmaisversion, jonka avulla voit testata ohjeitamme ja päästä alkuun analytiikan hyödyntämisessä.

Asiakaspoistuma-analyysin tulokset

Poistuma-analyysi tuottaa kaksi erillistä tulosta:

  1. Kaikki nykyiset asiakkaat listattuna poistumatodennäköisyyden mukaan
  2. Selittävät tekijät poistuman taustalla

asiakaspoistuma_tulos

Ensimmäinen tarkoittaa siis konkreettista listaa, jonka voit heittää myynti-/asiakaspalveluyksikölle tai soittokoneistolla ja käskeä kontaktoimaan heti aluksi akuuteimmat top 100 poistujaa.

Toinen tuotos eli selittävät tekijät antavat tulkinnan ilmiölle. Ne kertovat miksi asiakkaat poistuvat. Nämä tulokset on erittäin arvokasta tietoa niin asiakaspalvelulle, myynnille kuin tuotepäälliköille, liiketoiminnan kehittämiselle ylipäätään.

Analyysissä voi tulla esille, että hinta ei olekaan merkittävä tekijä poistuman taustalla vaan huono asiakaspalvelu tai tietylle asiakassegmentille sopimaton tuotepaletti (esim. sähköyhtiöltä puuttuu ekosähkö valikoimastaan).

Parhaimmassa tapauksessa analyysin tuotoksista voidaan generoida sääntökoneisto ja sisällyttää se esimerkiksi asiakaspalvelun työpöydälle tai CRM-järjestelmään. Säännöt voivat olla yksinkertaisuudessaan kertoimia ja IF-lauseita ja voidaan toteuttaa esimerkiksi SQL-komentoina. Analytiikan tulokset kirjoitetaankin usein takaisin joko operatiivisiin järjestelmiin tai tietovarastoon.

Analyysistä toimintaan

Analytiikan pitää johtaa toimintaan. Sen pitää tuottaa tulosta. Tämä erottaa sen perinteisemmästä raportoinnista ja business intelligencestä, jossa tuijotetaan enemmänkin raportteja ja taulukoita. Näytti käppyrät mitä tahansa, hommia jatketaan kuten ennenkin. Kunnes ollaan karilla tai kortistossa.

Poistuma-analyysissa toiminta tarkoittaa monta asiaa, esimerkiksi:

  • kontaktoidaan poistumariskissä olevat asiakkaat
  • pyritään pitämään heidät tai parhaimmassa tapauksessa tekemään lisämyyntiä
  • kehitetään asiakaspalvelun laatua
  • kehitetään tuotteita/palveluita vastaamaan paremmin kysyntää
  • ennakoidaan liikevaihdon muutos kun tiedetään ennuste tulevasta poistumasta

 

Miksi yritys ei tee asiakaspoistuma-analyysiä?

Olemme tehneet vuosien varrella valtavan määrän eri analytiikan sovelluksia ja projekteja. Asiakaspoistuma-analyysi on antanut näistä todennäköisesti parhaimmat tulokset, varsinkin jos mitataan euroissa asiakkaiden saamaa hyötyä. Menetelmä on helppo ja suhteellisen nopea toteuttaa, se on helppo ymmärtää ja tulokset ovat käsin kosketeltavat.

Silti yllättävän harva yritys todella hyödyntää sitä. Syyt ovat moninaiset lähtien tietämättömyydestä aina itsepetokseen.

Surullisin on itseriittoisen sinnikäs toteamus, että ei meidän asiakkaat poistu muuta kuin manan majoille tai hinnan perässä, ne pihit penteleet.

Yrityksen tuotteessa ei ole kuulema mitään vikaa. Palvelu on priimaa ja markkinaosuus olisi 100% jos vain kilpailijat eivät myisi arvelluttavan halvalla sekundatuotteitaan. Jostain syystä liikevaihto kuitenkin mataa.

Uuden asiakkaan hankinta on aina kalliimpaa kuin vanhan pitäminen. Parhaimmassa tapauksessa tekemämme asiakaspoistuma-analyysin tuloksena kontaktoiduille asiakkaille saatiin myytyä aivan pöljänä lisää tavaraa. Asiakkaat eivät aina ole siis tyytymättömiä palveluun, he ovat vain herkkiä myynnille. Sinun kannattaa olla silloin ensimmäisenä paikalla.


Ps. Viikon päästä konkretiaan: miten asiakaspoistuma-analyysi tehdään käytännössä RapidMinerilla. Käy lataamassa Rapidin ilmaisversio koneellesi ja testaa itse.