De flesta företag lider av kundläckage (”churn”); det vill säga att kunder slutar köpa företagets produkter eller tjänster – kanske för att de är missnöjda eller av helt andra orsaker.
Detta är ett stort problem, eftersom tumregeln säger att det är ungefär fem eller sex gånger så dyrt att få en ny kund som att behålla en befintlig. Befintliga kunder är dessutom mer benägna att köpa ytterligare produkter, vilket ökar det genomsnittliga kundvärdet.
Många marknadsavdelningar arbetar därför med att få ner kundläckaget och behålla kunderna längre.
Att förstå varför kunderna slutar köpa och utvärdera riskerna för detta är en bra datadriven strategi för att behålla fler kunder och få upp det genomsnittliga kundvärdet.
Med artificiell intelligens – eller mer korrekt, maskininlärning – går det att bygga självlärande algoritmer som detekterar vilka kunder som sannolikt kommer att sluta köpa; och att använda sådana algoritmer kallas för ”churn prediction”.
”Churn prediction” kan vara särskilt viktigt för företag som erbjuder abonnemangsprodukter, till exempel mobiloperatörer, leverantörer av molnbaserade programvaror, etc. För sådana företag är det av största vikt att hålla abonnemangen aktiva så länge som möjligt.
Att upptäcka missnöjda kunder tidigt gör det möjligt att erbjuda olika typer av incitament för att stanna kvar som kund.
Om du i förväg vet vilka kunder som sannolikt kommer att överge dig och sluta använda företagets produkter eller tjänster, kan du kontakta dem och försöka förhindra att det sker – genom att lösa eventuella problem kunden kan uppleva, ge rabatter, eller på andra sätt få kunden att vilja stanna kvar.
Med AI-driven prediktiv marknadsföring är det ofta möjligt att upptäcka vilka faktorer och mönster som indikerar varför kunder slutar köpa. Därmed blir det möjligt att bedöma vilka kunder som har dessa attribut, och därmed sannolikt är på väg att förloras.
Beroende på kundens värde kan AI-drivna algoritmer för ”churn prediction” starta olika händelsekedjor i marketing automation systemet; t ex genom att skicka en sekvens av lämpliga e-postmeddelanden – eventuellt med ett rabatterbjudande för att få kunden att stanna kvar.
Detta kan vara ett lämpligt tillvägagångssätt för större mängder lågkvalitativa kunder, och på konsumentmarknaden där kundvolymerna är mycket stora.
På företagsmarknaden kan marketing automation systemet istället konfigureras så att det meddelar en säljare att han eller hon skall ringa kunden personligen och försöka rätta till situationen innan det är för sent.
Kundläckage kan detekteras genom att analysera faktorer som:
- Demografiskt data
- Digitalt fotavtryck (beteende på webbplats/email, etc.)
- Köphistorik och betalningsmönster
- Känslomässig attitydanalys (”sentiment”) på sociala medier
- Om möjligt, data om hur produkten används
- Statistik över kundtjänstärenden
- Osv.
För att upptäcka kundläckage (”churn”) vill vi helt enkelt veta hur sannolikt det är att varje kund kommer att sluta köpa.
AI-baserade klassificeringsalgoritmer – till exempel beslutsträd – kan användas för detta, eftersom de kan klassificera en kund till att falla i en av två kategorier, baserat på denna och andra kunders beteende.
I vårt fall tolkar vi de två klasserna som “slutar troligen att köpa snart” och “kommer troligen fortsätta vara kund”.
Följ dessa insikter och agera på dem för att behålla kunderna längre!
Integration av marketing automation system kan vara bra här, så att automatisk bearbetning kan göras på stora volymer av kunder i det första skedet. Mer tidskrävande manuell uppföljning kan därefter ta vid för de mest värdefulla kunderna.
Själv är jag författare och konsult inom marketing automation och artificiell intelligens. Behöver du hjälp med att installera och sätta upp ett marketing automation system, eller AI-baserade lösningar? Kontakta mig – jag erbjuder konsulttjänster på området!
Är du intresserad av framtidens marknadsföring? Här finner du fler artiklar om marknadsföring med AI och marketing automation.
Vill du lära dig mer? Läs mina bloggartiklar om marketing automation och datadriven marknadsföring!
