De customer churn rate, ook wel klantverloop genoemd, verwijst naar het percentage klanten dat gedurende een bepaalde periode geen zaken meer doet met een bedrijf. Het opzeggingspercentage is een belangrijke indicator die rechtstreeks van invloed is op de omzet en winstgevendheid. Ondernemingen houden het klantverloop bij om te meten of hun inspanningen voor klantbehoud vruchten afwerpen en om te zien hoe goed ze hun klantrelaties onderhouden. Een hoog klantverloop kan erop wijzen dat klanten ontevreden zijn over een product of dienst, terwijl een laag klantverloop kan duiden op klantloyaliteit en -tevredenheid. Het gemiddelde klantverloop verschilt van branche tot branche. In 2022 bedroeg het gemiddelde klantverloop voor particuliere Software-as-a-Service-bedrijven (SaaS) 13%.

Om inzicht te krijgen in het klantverloop van je bedrijf, moet je weten hoeveel klanten je in een bepaalde periode behoudt of verliest, en waarom je ze verliest. Met inzicht in het klantverloop kun je een holistische retentiestrategie ontwikkelen om de problemen omtrent je klantverloop aan te pakken. Hieronder bespreken we wat je moet weten over verschillende soorten klantverloopmodellen, hoe je het juiste model voor je bedrijf kiest en ontwikkelt, en wat je kunt doen met de gegeven informatie.

Wat staat er in dit artikel?

• Het klantverloop berekenen
  
• Waarom klantverloop zo belangrijk is
  
• Belangrijke voorspellers van klantverloop
  
• Soorten klantverloopmodellen
  
• Een klantverloopmodel opzetten
  
• Voorspellende analyses gebruiken om klantverloop te verminderen
  
• De effectiviteit van een klantverloopmodel meten
  
• Best practices om klantverloop te verminderen
  

Het klantverloop berekenen

Om het klantverloop te berekenen, deel je het aantal klanten dat je in een bepaalde periode bent kwijtgeraakt door het totale aantal klanten aan het begin van die periode. Dit is een basisformule om het klantverloop te berekenen.

(Aantal klanten verloren tijdens de periode / totaal aantal klanten aan het begin van de periode) × 100 = klantverloop

Ga als volgt te werk om deze formule toe te passen:

• Bepaal de periode waarvoor je het klantverloop wilt berekenen (bijvoorbeeld een maand, een kwartaal of een jaar).

• Identificeer het totale aantal klanten dat je aan het begin van deze periode had.

• Stel het aantal klanten vast dat in deze periode is vertrokken of is gestopt met zakendoen.

• Deel het aantal verloren klanten door het totale aantal klanten aan het begin van de periode.

• Vermenigvuldig het resultaat met 100 om het aantal om te zetten in een percentage.

Dit percentage weerspiegelt je klantverloop: het verloop van klanten die hun relatie met een bedrijf binnen de opgegeven tijdsperiode beëindigen.

Waarom klantverloop zo belangrijk is

Opzeggingspercentages kunnen een grote impact hebben op de omzet, winstgevendheid en reputatie van een bedrijf. Het klantverloop is als volgt van invloed op de bedrijfsvoering:

• Kosten voor klantenwerving. Over het algemeen is het werven van nieuwe klanten duurder dan het behouden van bestaande klanten. Wanneer klanten vertrekken, moeten bedrijven meer investeren in marketing- en verkoopinspanningen om hen te vervangen. Dit kan kostbaar zijn.

• Gederfde inkomsten. Klantverlies zorgt voor een direct inkomstenverlies, wat direct van invloed is op de financiële gezondheid van het bedrijf.

• Minder klanten op de lange termijn. Langdurige klanten hebben de neiging om in de loop van de tijd meer te kopen en kunnen daarom goedkoper worden om van dienst te zijn. Ze kunnen ook producten of diensten met een hogere marge kopen. Een hoger klantverloop betekent minder van deze langdurige klanten en kan leiden tot een lagere winstgevendheid.

• Merkreputatie. Een hoog klantverloop kan een teken zijn van ontevredenheid bij klanten, wat de reputatie van een bedrijf kan schaden. Tevreden klanten zijn eerder geneigd andere mensen naar het bedrijf door te verwijzen. Ontevreden klanten kunnen negatieve ervaringen delen, wat potentiële klanten afschrikt.

• Groei op lange termijn. Duurzame groei vereist een stabiel klantenbestand. Hoge opzeggingspercentages kan groeistrategieën op de lange termijn ondermijnen, waardoor het voor bedrijven moeilijk wordt om uit te breiden of te investeren in nieuwe kansen.

Belangrijke voorspellers van klantverloop

Een van de eenvoudigste voorspellers van klantverloop is de mate van klanttevredenheid over een product of dienst. Ondernemingen kunnen dit meten via enquêtes, Net Promoter Scores (NPS) en feedbackvormen. Consistent lage tevredenheidsscores of negatieve feedback kunnen een grote indicator zijn van potentieel klantverloop.

Andere factoren die van invloed kunnen zijn op de beslissing van een klant om een bedrijf te verlaten, zijn onder meer:

• Interacties met de klantenservice. Hoewel sommige betrokken klanten contact kunnen opnemen met de klantenservice om de waarde te maximaliseren, kunnen verzoeken om hulp ook wijzen op problemen of ontevredenheid. Door de aard en het resultaat van deze interacties te analyseren, kun je het klantverloop voorspellen, vooral als problemen niet naar tevredenheid worden opgelost.

• Gebruik van producten of diensten. Door te monitoren hoe en hoe vaak klanten een product of dienst gebruiken, krijgen bedrijven inzicht in de mate van klantbetrokkenheid. Een laag of afnemend gebruik kan een signaal zijn dat een klant de interesse verliest of geen waarde vindt, wat kan leiden tot klantverloop.

• Problemen met de facturatie en betaling. Veelvuldige problemen met facturatie of betalingen kunnen leiden tot frustratie en klantverloop. Als je deze incidenten en de oplossingen ervan bijhoudt, kun je al in een vroeg stadium waarschuwingssignalen aan het licht brengen dat klanten het risico lopen te vertrekken.

• Veranderingen in koopgedrag. Een plotselinge verandering in het gebruikelijke aankooppatroon van een klant, zoals een afname van de omvang of frequentie van bestellingen, kan duiden op ontevredenheid of een verschuiving in behoeften, wat mogelijk kan leiden tot klantverloop.

• Feedback en klachten van klanten. Directe feedback of klachten zijn belangrijke indicatoren van potentieel klantverloop. Klanten die de tijd nemen om hun ontevredenheid of zorgen te uiten, kunnen overwegen te vertrekken als hun problemen niet worden aangepakt.

• Betrokkenheid bij marketingcommunicatie. Een afname van de betrokkenheid van klanten bij e-mails, nieuwsbrieven, promoties of andere marketingcommunicatie kan duiden op een afnemende interesse of relevantie, die klantverloop kan voorspellen.

• Markt- en concurrentiefactoren. Veranderingen in de markt en de acties van concurrenten kunnen het klantverloop beïnvloeden. Als een concurrent bijvoorbeeld met een nieuw product komt of een vergelijkbare dienst aanbiedt tegen een lagere waarde, kan dit leiden tot meer klantverloop.

• Verlengingen van contracten en abonnementen. Voor bedrijven met een abonnements- of contractmodel is een aanstaande verlengingsperiode een belangrijk moment om het klantverlooprisico te beoordelen. Wanneer klanten evalueren of ze wel of niet willen verlengen, bestaat de kans dat er verloop kan optreden.

• Demografische en psychografische factoren. Soms kunnen veranderingen in het demografische profiel van een klant of een verschuiving van waarden en voorkeuren een voorspelling zijn van klantverloop. Een verandering van de financiële status, woonplaats of levensstijl kan bijvoorbeeld van invloed zijn op de beslissing om een bepaald product of een bepaalde dienst te blijven gebruiken.

Soorten klantverloopmodellen

Klantverloopmodellen worden ingedeeld op basis van verschillende factoren, zoals het type algoritme, hoe het model omgaat met tijd en de mate van detail van de voorspelling. Hier vind je een gedetailleerde toelichting op de verschillende soorten klantverloopmodellen.

• Voorspellende verloopmodellen. Deze modellen gebruiken historische gegevens om te voorspellen hoe waarschijnlijk het is dat een klant in de toekomst zal opzeggen. Ze maken meestal gebruik van machine learning-algoritmen om patronen en voorspellers van klantverloop te identificeren, zoals hieronder beschreven.

• Logistische regressie. Dit is een statistisch model dat de kans op een binaire uitkomst (zoals verloop/geen verloop) inschat op basis van een of meer onafhankelijke variabelen. Dit model wordt veel gebruikt vanwege de eenvoud en interpreteerbaarheid.

• Beslisbomen. Deze modellen maken gebruik van een boomachtige grafiek van beslissingen en hun mogelijke gevolgen. Ze zijn gemakkelijk te interpreteren, maar wel vatbaar voor overfitting.

• Willekeurige bossen. Dit is een verzamelmethode die gebruikmaakt van meerdere beslisbomen om de voorspellende nauwkeurigheid te verbeteren en te controleren op overfitting. Willekeurige bossen zijn uitgebreider dan een enkele beslisboom en bieden vaak een hoge nauwkeurigheid.

• Gradiëntverhogingsmachines (GBM's). GBM's vormen een verzameltechniek die bomen opeenvolgend bouwt, waarbij elke nieuwe boom fouten corrigeert die zijn gemaakt door de eerder getrainde bomen. GBM's, zoals XGBoost en LightGBM, zijn krachtig voor het voorspellen van klantverloop, maar kunnen complex zijn om af te stemmen.

• Neurale netwerken. Neurale netwerken zijn deep learning-modellen die complexe niet-lineaire relaties kunnen vastleggen door middel van lagen knooppunten of 'neuronen'. Ze kunnen zeer effectief zijn, vooral bij grote gegevenssets, maar zijn moeilijker te interpreteren dan eenvoudigere modellen.

• Beschrijvende klantverloopmodellen. In plaats van toekomstige klantverloop te voorspellen, bieden deze modellen inzicht in het klantverloopgedrag. Ze helpen trends, patronen en redenen achter klantverloop te identificeren, vaak met behulp van clusteringtechnieken of een analyse van hoofdcomponenten.

• Klantverloopmodel op basis van tijdreeksen. Deze modellen bekijken hoe het klantverloop zich in de loop van de tijd ontwikkelt. Ze kunnen met name nuttig zijn voor bedrijven met sterke seizoenspatronen of bedrijven die de impact van specifieke gebeurtenissen in de loop van de tijd proberen te meten.

• Modellen op basis van cohorten. Deze modellen analyseren het klantverloop van verschillende klantcohorten. Een cohort kan worden gedefinieerd op basis van de datum waarop klanten zich hebben aangemeld, het product dat ze voor het eerst hebben gekocht of een andere belangrijke gebeurtenis. Zo kun je vaststellen of bepaalde cohorten vatbaarder zijn voor klantverloop dan andere.

• Modellen voor survivalanalyse. Deze modellen, ook wel time-to-event-modellen genoemd, meten de tijd die nodig is om een gebeurtenis (verloop) te laten plaatsvinden. Ze zijn vooral handig om te voorspellen wanneer een klant zal opzeggen.

• Verloopmodellen in realtime: Deze modellen genereren directe voorspellingen op basis van realtime gebruikersinteracties. Er is een sterke data-infrastructuur voor nodig en ze worden gebruikt in scenario's waarin bedrijven onmiddellijk actie kunnen ondernemen om klantverloop te voorkomen.

• Hybride modellen. Deze modellen combineren elementen uit verschillende soorten modellen om gebruik te maken van de sterke punten en de zwakke punten te verminderen. Een hybride model kan bijvoorbeeld een combinatie gebruiken van een voorspellend model voor de kans op klantverloop en een survivalanalyse voor de timing ervan.

Het kiezen van het juiste modeltype hangt af van de specifieke bedrijfscontext, de aard van de klantrelatie, de beschikbare gegevens en het gewenste resultaat van de modelleringsinspanning. Het is vaak nuttig om met meerdere modellen te experimenteren om te bepalen welk model de meest nauwkeurige en bruikbare inzichten oplevert voor een bepaalde toepassing.

Een klantverloopmodel opzetten

Een klantverloopmodel is een proces dat uit meerdere stappen bestaat. Er wordt geanalyseerd hoe je klantverloop kunt definiëren, wat de gegevens je laten zien en welk model voor je bedrijf het nuttigst is. Dit is een gedetailleerde gids voor het opzetten van een klantverloopmodel dat voldoet aan de behoeften van je bedrijf.

• Definitie van klantverloop. Bedrijven hanteren verschillende definities van klantverloop. Voor een abonnementsdienst, kan klantverloop een klant zijn die een abonnement opzegt. Voor een e-commerceplatform kan het een klant zijn die in een bepaalde periode geen aankoop heeft gedaan.

• Gegevens verzamelen. Verzamel historische gegevens van zowel klantverloop als niet-klantverloop. Je gegevensset moet verschillende kenmerken bevatten, zoals demografische gegevens van klanten, de transactiegeschiedenis, gegevens over productgebruik, interacties met de klantenservice en andere relevante gegevens die op het klantverloop van invloed kunnen zijn.

• Voorbereiding van de gegevens. Schoon de gegevens op (verwerk ontbrekende waarden, verwijder duplicaten, enz.) en zet ze om in een indeling die geschikt is voor modellering. Denk hierbij aan het coderen van categorische variabelen, het normaliseren van numerieke waarden of het maken van tijdvensters voor voorspellende kenmerken.

• Ontwikkeling van functies. Ontwikkel functies die het gedrag en de kenmerken van je klanten effectief vastleggen. Dit kan transactiegegevens samenvoegen of zinvolle statistieken omvatten, de gebruiksfrequentie berekenen of andere inzichtelijke kenmerken uit onbewerkte gegevens afleiden.

• Verkennende gegevensanalyse (EDA). Voordat je je model bouwt, moet je EDA uitvoeren om patronen in je gegevens te vinden. Zoek naar correlaties tussen kenmerken en verloop, identificeer uitschieters en begrijp de verdeling van belangrijke variabelen.

• Selectie van algoritmen. Kies een machine-learningalgoritme om het klantverloop te voorspellen. Logistische regressie, beslissingsbomen, willekeurige bossen, gradiëntverhogende machines en neurale netwerken zijn veelgemaakte keuzes. De keuze van het model hangt af van de grootte van de gegevensset, het belang van de functie en de behoefte aan interpreteerbaarheid.

• Trainen en testen. Splits je gegevens op in trainings- en testsets om de prestaties van je model te evalueren. De trainingsset wordt gebruikt om het model te trainen, en de testset om de voorspellende kracht ervan op ongeziene gegevens te beoordelen.

• Validatie van het model. Gebruik statistieken zoals nauwkeurigheid, precisie, recall, F1-score en Area under the ROC-curve (AUC-ROC) om de prestaties van je model te evalueren. Richt je op de statistieken die van invloed zijn op je bedrijfsdoelstellingen. Als de kosten van vals-positieven bijvoorbeeld hoog zijn, wil je misschien de precisie maximaliseren.

• Model-tuning. Pas de hyperparameters van het model aan om de prestaties te verbeteren. Overweeg het gebruik van technieken zoals rasterzoeken, willekeurig zoeken of Bayesiaanse optimalisatie om de optimale set hyperparameters te vinden.

• Analyse van kenmerken. Ontdek welke functies de grootste invloed hebben op het voorspellen van klantverloop en als leidraad voor je klantbehoudstrategieën.

• Inzet. Implementeer het model in een productieomgeving waar het doorlopende voorspellingen kan doen. Denk hierbij aan het integreren van het model in je bedrijfssystemen of het opzetten van een batchproces om periodiek klanten te scoren.

Voorspellende analyses gebruiken om klantverloop te verminderen

Bruikbare inzichten en interventiestrategieën

• Gebruik de voorspellingen van het model om gerichte retentiestrategieën te ontwikkelen. Overweeg bijvoorbeeld om klanten die je hebt geïdentificeerd als klanten met een hoog risico op klantverloop, gepersonaliseerde promoties, proactieve klantenservice of andere prikkels aan te bieden om ze te behouden.

• Segmenteer klanten met een hoog risico op basis van hun kenmerken of redenen voor potentieel klantverloop en stem interventies daarop af.

Monitoring- en feedbacklus

• Blijf de prestaties van het model voortdurend bewaken. Pas het model aan en train het waar nodig om in te spelen op veranderende patronen in klantgedrag of bedrijfsvoering.

• Stel feedbackmechanismen in om de resultaten van retentie-inspanningen vast te leggen en controleer regelmatig de effectiviteit van je retentiestrategieën. Gebruik deze gegevens om het voorspellende model en de interventiestrategieën verder te verfijnen.

Samenwerking en organisatorische integratie

• Deel lessen en aanbevelingen uit het voorspellende analyseproces met relevante afdelingen om een samenhangende retentiestrategie te creëren.

• Integreer datagestuurde inzichten in besluitvormingsprocessen om proactief in te spelen op klantbehoeften en klantverloop te verlagen.

De effectiviteit van een klantverloopmodel meten

Het is belangrijk om te meten hoe effectief je klantverloopmodellen zijn om ervoor te zorgen dat je geen zakelijke beslissingen neemt op basis van een valse voorspelling. Met de volgende statistieken kun je beoordelen hoe goed je klantverloopmodellen presteren.

• Nauwkeurigheid. Dit is het percentage van de totale voorspellingen dat het model goed had. Hoewel nauwkeurigheid een uitgangspunt is, geeft het niet altijd een volledig beeld, vooral als het aantal in verloop en niet-verloop onevenwichtig is.

• Precisie. Hoeveel van de klanten die volgens het model zouden opzeggen, hebben dat ook daadwerkelijk gedaan? Het beoordelen van deze statistiek is belangrijk, omdat de kosten van vals-positieven (het voorspellen van klantverloop wanneer dit niet gebeurt) hoog kunnen zijn.

• Herinneren. Hoeveel van de klanten die hebben opgezegd, heeft het model correct geïdentificeerd? Dit is belangrijk als je zoveel mogelijk gevallen van echt klantverloop wilt vastleggen, zelfs als dat betekent dat je enkele vals-positieven moet tolereren.

• F1-score: Deze meetwaarde combineert precisie en recall in één getal voor een evenwichtig beeld.

• Gebied onder de ROC-curve (AUC-ROC): De ROC-curve zet het werkelijke positieve percentage af tegen het percentage vals-positieven bij verschillende drempelinstellingen. De AUC meet het gehele tweedimensionale gebied onder de gehele ROC-curve. Een model met perfecte voorspellingen heeft een AUC van 1,0, en een model dat willekeurige gissingen maakt heeft een AUC van 0,5.

• Verwarringsmatrix. Dit is een tabel met het aantal echte positieven, vals-positieven, echte negatieven en vals-negatieven. Hiermee kun je de typen fouten zien die je model maakt.

• Lift. Deze meetwaarde geeft weer hoeveel beter het model is in het voorspellen van klantverloop in vergelijking met willekeurig gissen. Een lift groter dan 1 geeft aan dat het model beter is dan willekeurig raden.

• Gevolgen voor de onderneming. De echte test voor de effectiviteit van het model is de impact ervan op de bedrijfsstatistieken. Kun je het klantverloop verlagen door te handelen naar de voorspellingen van het model? Leiden strategieën voor klantbehoud op basis van de inzichten van het model tot een hogere lifetime value van de klant (LTV) of een verbeterde klanttevredenheid? Om de impact op het bedrijf te evalueren, kun je gecontroleerde experimenten uitvoeren (zoals A/B-testen) om de resultaten te vergelijken met en zonder de interventies die worden voorgesteld door het klantverloopmodel. Aan de hand van veranderingen in klantverloop, klanttevredenheidsscores en winstgevendheid in de loop van de tijd kan de werkelijke waarde van het model worden vastgesteld.

Best practices om klantverloop te verminderen

• Voorspellende gedragssegmentatie. Gebruik machine learning om toekomstig klantgedrag te voorspellen op basis van eerdere interacties, aankooppatronen en betrokkenheidsgegevens. Zo kun je anticiperen op de behoeften van de klant en ingrijpen voordat een klantverloopsignaal wordt geregistreerd, waardoor je gerichtere en effectievere retentiestrategieën implementeert.

• Geavanceerde personalisatietechnieken. Gebruik geavanceerde analyses en AI om gepersonaliseerde ervaringen te creëren, waardoor elke klant zich gewaardeerd en begrepen voelt. Dit kunnen gepersonaliseerde productaanbevelingen, dynamische inhoud in communicatie en op maat gemaakte gebruikerservaringen op digitale platforms zijn.

• Verbeteringen van de klantervaring. Breng het hele klanttraject in kaart en analyseer het om belangrijke contactpunten en potentiële wrijvingspunten te identificeren. Zo kun je gebruikerservaringen vereenvoudigen, obstakels wegnemen en ervoor zorgen dat elke interactie waarde toevoegt en de tevredenheid verbetert.

• Proactieve interventie voor klantverloop. Maak gebruik van realtime analyses om klanten te identificeren die risico vormen op klantverloop en om proactieve betrokkenheidsstrategieën te initiëren. Dit kan gaan om geautomatiseerde triggers voor gepersonaliseerde aanbiedingen, één-op-ééncontact met customer success teams of toegang tot exclusieve content of ondersteuning.

• Waarderealisatie bijhouden. Bewaak hoe effectief klanten de gewenste resultaten bereiken met je product of dienst. Ontwikkel indicatoren voor waarderealisatie en grijp in als klanten deze benchmarks niet halen. Bied begeleiding, ondersteuning of aanvullende hulpmiddelen zodat klanten de volledige waarde van hun investering kunnen inzien.

• Gemeenschapsvorming. Creëer een gemeenschapsgevoel onder je klanten met exclusieve forums, gebruikersgroepen of sociale platforms. Door in contact te komen met andere klanten kan de retentie van producten toenemen, extra ondersteuningskanalen worden gegenereerd en klantloyaliteit worden opgebouwd.

• Geavanceerde loyaliteitsprogramma's. Ga verder dan loyaliteitsprogramma's op basis van transacties en ga in zee met programma's die betrokkenheid, belangenbehartiging of co-creatie belonen. Moedig klanten aan om ideeën aan te dragen, feedback te delen of deel te nemen aan bètatests en beloon ze met exclusieve voordelen of erkenning.

• Verbeteringen van AI-services. Implementeer AI-gestuurde tools zoals chatbots of voorspellende ondersteuning voor directe, 24/7 klantenservice. Deze tools kunnen ook identificeren wanneer menselijke tussenkomst nodig is en complexe problemen escaleren naar menselijke agenten.

• Datagestuurde productontwikkeling. Gebruik feedback van klanten en gebruiksgegevens om productontwikkeling te stimuleren. Door je roadmap voor producten af te stemmen op de behoeften en voorkeuren van klanten, kun je de tevredenheid verhogen en de kans op klantverloop als gevolg van kwesties op basis van de product-market-fit.

• Strategisch accountmanagement. Beheer B2B of waardevolle klanten strategisch, ontwikkel diepgaande relaties en leer hun zakelijke doelen kennen. Pas je diensten of producten aan om hun succes te ondersteunen.