Klantverloop, ook wel klantverlies genoemd, verwijst naar het percentage klanten dat over een specifieke periode stopt met zakendoen met een bedrijf. Klantverloop is een belangrijke maatstaf die direct van invloed is op de inkomsten en winstgevendheid. Ondernemingen houden het klantverloop bij om hun inspanningen voor klantbehoud te meten en te zien hoe goed ze 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 per branche. In 2022 was het mediane klantverloop 13% voor private software-as-a-service (SaaS)-ondernemingen.

Om het verloop van je onderneming te begrijpen, moet je weten hoeveel klanten je over een bepaalde periode behoudt of verliest, en waarom je ze verliest. Modellen voor klantverloop kunnen je helpen een holistische retentiestrategie te bouwen die de problemen achter je verloop aanpakt. Hieronder bespreken we wat je moet weten over verschillende soorten verloopmodellen, hoe je het juiste model voor je onderneming kiest en bouwt, en wat je kunt doen met de informatie die je eruit haalt.

Wat staat er in dit artikel?

• Wat is een voorspellend model voor klantverloop?
  
• Waarom klantverloop voorspellen?
  
• Belangrijke voorspellers van klantverloop
  
• De vier soorten klantverloop
  
• Soorten modellen voor klantverloop
  
• Een model voor klantverloop bouwen voor je onderneming
  
• Voorspellende analyses gebruiken om klantverloop te verminderen
  
• belangrijkste usecases voor voorspellende modellen voor klantverloop
  
• De effectiviteit van modellen voor klantverloop meten
  
• Hoe Stripe Billing kan helpen
  
• Veelgestelde vragen over het bouwen van een model voor klantverloop
  

Wat is een voorspellend model voor klantverloop?

Een voorspellend model voor klantverloop is een door gegevens aangestuurde tool die de kans inschat dat een individuele klant binnen een bepaald tijdsbestek stopt met zakendoen met een bedrijf. Met behulp van historische gegevens van klanten die zijn vertrokken en klanten die zijn gebleven, identificeert het model patronen en risicofactoren zoals teruglopend gebruik, supportklachten of facturatieproblemen, en past het deze toe op huidige klanten om te markeren wie het meeste risico loopt op verloop.

In tegenstelling tot een algemeen klantverloop, dat op geaggregeerd niveau rapporteert wat er al is gebeurd, kijkt een voorspellend model voor klantverloop vooruit en scoort het individuele klanten, wat ondernemingen de kans geeft om in te grijpen voordat die klanten vertrekken. Deze modellen worden doorgaans gebouwd met behulp van machine-learningalgoritmen, zoals logistieke regressie, beslissingsbomen en gradient boosting, getraind op klantkenmerken zoals demografische gegevens, aankoopgeschiedenis, betrokkenheidsniveaus en service-interacties.

De output is meestal een verloopkans of risicoscore per klant, die ondernemingen kunnen gebruiken om prioriteit te geven aan retentie-inspanningen, risicosegmenten te targeten met gepersonaliseerde aanbiedingen en middelen toe te wijzen aan de klanten die de grootste kans hebben om behouden te blijven.

Waarom klantverloop voorspellen?

Klantverloop kan een grote impact hebben op de inkomsten, winstgevendheid en reputatie van een onderneming. Hier volgt hoe klantverloop de bedrijfsactiviteiten beïnvloedt.

• Klantacquisitiekosten: Over het algemeen is het werven van nieuwe klanten duurder dan het behouden van bestaande klanten. Een betrouwbaar voorspellingsmodel voor klantverloop helpt deze kosten te compenseren door risicoklanten in een vroeg stadium te signaleren, zodat ondernemingen hun budget voor klantbehoud kunnen inzetten waar dit waarschijnlijk het meeste oplevert, in plaats van herhaaldelijk de kosten voor nieuwe acquisities te dekken.

• Gederfde inkomsten: Het verliezen van klanten zorgt voor een direct inkomstenverlies, wat onmiddellijk invloed heeft op de financiële gezondheid van de onderneming. Met name voor ondernemingen met abonnementen is dit snel zichtbaar in de MRR (maandelijks terugkerende inkomsten): elke afgehaakte klant doet afbreuk aan die basis en als dit patroon zich bij voldoende klanten voortzet, kan de onderneming achterblijven zonder een stabiele inkomstenbasis om vanuit te groeien.

• Minder langetermijnklanten: Langetermijnklanten kopen na verloop van tijd vaak meer en kunnen daardoor goedkoper worden om te bedienen. Ze kopen mogelijk ook producten of diensten met een hogere marge. Een hoger klantverloop betekent minder van deze langetermijnklanten en kan leiden tot een lagere winstgevendheid.

• Merkreputatie: Een hoog klantverloop kan een teken zijn van klantontevredenheid, wat de reputatie van een bedrijf kan schaden. Tevreden klanten verwijzen sneller anderen door naar de onderneming, terwijl ontevreden klanten mogelijk hun negatieve ervaringen delen, wat potentiële klanten afschrikt.

• Langetermijngroei: Duurzame groei vereist een stabiel klantenbestand. Door klantverloop te voorspellen voordat het gebeurt, krijgen ondernemingen de kans om in te grijpen terwijl een klantrelatie nog te redden is, in plaats van pas te reageren nadat er al inkomsten zijn verloren. Een hoog klantverloop kan langetermijngroeistrategieën ondermijnen, waardoor het voor ondernemingen moeilijk wordt om uit te breiden of te investeren in nieuwe kansen. Dit geldt vooral voor bedrijven die proberen te groeien. Zonder een manier om te anticiperen op klantverloop en dit te verminderen, kan de groei in nieuwe klanten teniet worden gedaan door verliezen bij bestaande klanten, waardoor het moeilijker wordt om een duurzaam momentum op te bouwen.

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 klantensupport: Hoewel sommige betrokken klanten contact kunnen opnemen met support om waarde te maximaliseren, kunnen supportverzoeken ook wijzen op problemen of ontevredenheid. Het analyseren van de aard en de uitkomst van deze interacties kan churn voorspellen, vooral als problemen niet naar tevredenheid worden opgelost.

• Gebruik van producten of diensten: Monitoren hoe en hoe vaak klanten een product of dienst gebruiken, kan ondernemingen inzicht bieden in het niveau van klantbetrokkenheid. Laag of afnemend gebruik kan erop wijzen dat een klant interesse verliest of geen waarde meer vindt, wat kan leiden tot churn.

• Problemen met facturatie en betaling: Frequente facturatieproblemen of problemen met betalingen kunnen leiden tot frustratie bij de klant en churn. Het volgen van deze incidenten en de oplossingen ervan kan vroege waarschuwingssignalen aan het licht brengen dat klanten mogelijk het bedrijf verlaten.

• Veranderingen in koopgedrag: Een plotselinge verandering in de gebruikelijke aankooppatronen van een klant, zoals een afname in de grootte of frequentie van een bestelling, kan wijzen op ontevredenheid of een verschuiving in behoeften, wat mogelijk leidt tot churn.

• Feedback van klanten en klachten: Directe feedback of klachten zijn belangrijke indicatoren van potentiële churn. Klanten die de tijd nemen om ontevredenheid of zorgen te uiten, overwegen mogelijk om weg te gaan als hun problemen niet worden aangepakt.

• Betrokkenheid bij marketingcommunicatie: Een daling in klantbetrokkenheid bij e-mails, nieuwsbrieven, promoties of andere marketingcommunicatie kan duiden op afnemende interesse of relevantie, wat vooraf kan gaan aan churn.

• Markt- en concurrentiefactoren: Veranderingen in de markt en de acties van concurrenten kunnen churn beïnvloeden. Als een concurrent bijvoorbeeld een nieuw product lanceert of een vergelijkbare dienst tegen lagere kosten aanbiedt, kan dit leiden tot toegenomen churn.

• Verlengingen van contracten en abonnementen: Voor ondernemingen met een model op basis van een abonnement of contract, is een naderende verlengingsperiode een belangrijk moment om het risico op churn te beoordelen. Wanneer klanten evalueren of ze al dan niet verlengen, is er een kans dat churn optreedt.

• Demografische en psychografische factoren: Soms kunnen veranderingen in het demografische profiel van een klant of een verschuiving in de waarden en voorkeuren churn voorspellen. Een verandering in financiële status, een verhuizing of een andere levensstijl kan bijvoorbeeld de beslissing beïnvloeden om een bepaald product of bepaalde dienst te blijven gebruiken.

De vier soorten klantverloop

Niet al het klantverloop gebeurt om dezelfde reden. Dit zijn de soorten die je moet kennen:

Vrijwillig klantverloop

De klant besluit actief om een product of dienst te annuleren of te stoppen met het gebruik ervan, vaak vanwege ontevredenheid, betere alternatieven of onvervulde behoeften. Dit is het soort klantverloop waarop veel modellen voor klantverloop zich richten om te voorspellen, omdat het vaak te voorkomen is met de juiste interventie.

Onvrijwillig klantverloop

De klant is niet van plan om te vertrekken, maar de toegang wordt toch beëindigd, doorgaans door mislukte betalingen, verlopen creditcards of facturatiefouten. Dit type wordt vaak aangepakt via betere systemen voor het opnieuw proberen van betalingen en facturatiemeldingen in plaats van outreach voor klantbehoud.

Opzettelijk klantverloop

Een subgroep van vrijwillig klantverloop waarbij de klant een bewuste keuze maakt om te vertrekken omdat het product niet langer past bij de behoeften, het budget of de doelen. Dit kan zijn het downgraden naar een concurrent of besluiten dat de dienst de kosten niet waard is.

Incidenteel klantverloop

Ook vrijwillig, maar gedreven door omstandigheden buiten de directe ontevredenheid van de klant om, zoals een verandering in levenssituatie, financiële problemen of een verhuizing. Deze klanten waren mogelijk tevreden over het product, maar zijn vertrokken om redenen die geen verband houden met de kwaliteit ervan.

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 modellen voor klantverloop: Deze modellen gebruiken historische gegevens om de kans te voorspellen dat een klant in de toekomst afhaakt. Ze maken doorgaans gebruik van algoritmen voor machine-learning 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 wel/geen klantverloop) schat op basis van een of meer onafhankelijke variabelen. Het wordt veel gebruikt vanwege de eenvoud en interpreteerbaarheid.

• Beslissingsbomen: Deze modellen gebruiken een boomachtige grafiek van beslissingen en de mogelijke gevolgen ervan. Ze zijn gemakkelijk te interpreteren, maar zijn gevoelig voor overfitting.

• Random forests: Dit is een ensemblemethode die meerdere beslissingsbomen gebruikt om de voorspellende nauwkeurigheid te verbeteren en overfitting tegen te gaan. Random forests zijn uitgebreider dan een enkele beslissingsboom en bieden vaak een hoge nauwkeurigheid.

• Gradient boosting machines (GBM's): GBM's zijn een ensembletechniek die bomen opeenvolgend opbouwt, waarbij elke nieuwe boom fouten corrigeert die door de eerder getrainde bomen zijn gemaakt. 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 via lagen van knooppunten of 'neuronen'. Ze kunnen zeer effectief zijn, vooral bij grote datasets, maar zijn moeilijker te interpreteren dan eenvoudigere modellen.

• Beschrijvende modellen voor klantverloop: In plaats van toekomstig klantverloop te voorspellen, bieden deze modellen inzicht in gedrag uit het verleden met betrekking tot klantverloop. Ze helpen bij het identificeren van trends, patronen en redenen achter klantverloop, vaak met behulp van clustertechnieken of hoofdcomponentenanalyse.

• Tijdreeksmodellen voor klantverloop: Deze modellen kijken naar hoe het klantverloop in de loop van de tijd evolueert. Ze kunnen bijzonder nuttig zijn voor ondernemingen met sterke seizoenspatronen of ondernemingen die de impact van specifieke gebeurtenissen in de loop van de tijd proberen in te schatten.

• Cohortgebaseerde modellen: Deze modellen analyseren het klantverloop van verschillende klantcohorten. Een cohort kan worden gedefinieerd door de datum waarop klanten zich hebben aangemeld, het product dat ze het eerst hebben gekocht of een andere belangrijke gebeurtenis. Dit helpt te identificeren of bepaalde cohorten vatbaarder zijn voor verloop dan andere.

• Overlevingsanalysemodellen: Deze modellen, ook wel 'time-to-event'-modellen genoemd, meten de tijd die nodig is voordat een gebeurtenis (klantverloop) plaatsvindt. Ze zijn bijzonder nuttig om te voorspellen wanneer een klant zal afhaken.

• Realtime modellen voor klantverloop: Deze modellen genereren onmiddellijke voorspellingen op basis van realtime interacties van gebruikers. Ze vereisen een sterke data-infrastructuur en worden gebruikt in scenario's waarin ondernemingen onmiddellijk actie kunnen ondernemen om klantverloop te voorkomen.

• Hybride modellen: Deze modellen combineren elementen van verschillende soorten modellen om hun sterke punten te benutten en zwakke punten te verminderen. Een hybride model kan bijvoorbeeld een combinatie gebruiken van een voorspellend model voor de kans op klantverloop en een overlevingsanalyse voor de timing.

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 model voor klantchurn bouwen voor je onderneming

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 churn: Verschillende ondernemingen hanteren verschillende definities van churn. Voor een abonnementsdienst kan churn een klant zijn die het abonnement annuleert. Voor een e-commerceplatform kan het een klant zijn die in een bepaalde periode geen aankoop heeft gedaan.

• Verzamelen van gegevens: Verzamel historische gegevens van zowel klanten met als zonder churn. De dataset moet verschillende kenmerken bevatten, zoals demografische gegevens van de klant, transactiegeschiedenis, gegevens over productgebruik, interacties met de klantenservice en andere relevante gegevens die churn kunnen beïnvloeden.

• Voorbereiding van gegevens: Schoon de gegevens op (verwerk ontbrekende waarden, verwijder duplicaten, enzovoort) en transformeer deze naar een indeling die geschikt is voor modellering. Dit kan het coderen van categorische variabelen, het normaliseren van numerieke waarden of het creëren van tijdvensters voor voorspellende kenmerken omvatten.

• Ontwikkeling van kenmerken: Ontwikkel kenmerken die het gedrag en de eigenschappen van je klanten effectief vastleggen. Dit kan het aggregeren van transactiegegevens in betekenisvolle statistieken, het berekenen van gebruiksfrequentie of het afleiden van andere inzichtelijke attributen uit ruwe gegevens omvatten.

• Verkennende gegevensanalyse (EDA): Voordat je het model bouwt, voer je EDA uit om de patronen in je gegevens te vinden. Zoek naar correlaties tussen kenmerken en churn, identificeer uitschieters en begrijp de verdeling van de belangrijkste variabelen.

• Selectie van het algoritme: Kies een machine-learning-algoritme om churn te voorspellen. Logistische regressie, beslissingsbomen, random forests, gradient boosting machines en neurale netwerken zijn veelvoorkomende keuzes. De keuze van het model is afhankelijk van de grootte van de dataset, het belang van het kenmerk en de behoefte aan interpreteerbaarheid.

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

• Modelvalidatie: Gebruik statistieken zoals nauwkeurigheid, precisie, recall, F1-score en oppervlakte onder de ROC-curve (AUC-ROC) om de prestaties van je model te evalueren. Richt je op de statistieken die van invloed zijn op je zakelijke doelen. Als de kosten van fout-positieven bijvoorbeeld hoog zijn, wil je wellicht de precisie maximaliseren.

• Modeltuning: Pas de hyperparameters van het model aan om de prestaties ervan te verbeteren. Overweeg technieken zoals grid search, random search of Bayesiaanse optimalisatie te gebruiken om de optimale set hyperparameters te vinden.

• Kenmerkanalyse: Ontdek welke kenmerken de meeste invloed hebben bij het voorspellen van churn om je strategieën voor klantbehoud te sturen.

• Implementatie: Implementeer het model in een productieomgeving waar het voortdurend voorspellingen kan leveren. Dit kan het integreren van het model in je bedrijfssystemen omvatten of het opzetten van een batchproces om klanten periodiek te scoren.

Voorspellende analyses gebruiken om klantverloop te verminderen

Bruikbare inzichten en interventiestrategieën

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

• Segmenteer risicoklanten op basis van hun kenmerken of redenen voor mogelijk klantverloop en pas interventies daarop aan.

Monitoring- en feedbacklus

• Controleer continu de prestaties van het model. Pas het model aan en train het opnieuw waar nodig om te reageren op veranderende patronen in klantgedrag of bedrijfsactiviteiten.

• Stel feedbackmechanismen in om de resultaten van inspanningen voor klantbehoud 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 leerpunten en aanbevelingen van het voorspellende analyseproces over relevante afdelingen om een samenhangende retentiestrategie te creëren.

• Integreer datagestuurde inzichten in besluitvormingsprocessen om proactief in te spelen op de behoeften van de klant en het klantverloop te verminderen.

Belangrijkste toepassingen voor churnvoorspellingsmodellen

Churnvoorspelling is waardevol in vrijwel elke branche met terugkerende of herhaalde klantrelaties, maar is vooral nuttig in sectoren waar acquisitie van klanten duur is of inkomsten afhankelijk zijn van voortdurende betrokkenheid.

De effectiviteit van een klantverloopmodel meten

Het is belangrijk om de effectiviteit van de modellen voor klantchurn te meten om te voorkomen dat je zakelijke beslissingen neemt op basis van onjuiste voorspellingen. De volgende statistieken kunnen je helpen evalueren hoe goed de churnmodellen presteren.

• Nauwkeurigheid: Dit is het percentage van de totale voorspellingen dat het model goed had. Hoewel nauwkeurigheid een startpunt is, geeft het niet altijd een volledig beeld, vooral als het aantal klanten met en zonder churn uit balans is.

• Precisie: Hoeveel van de klanten waarvan het model voorspelde dat ze zouden churnen, deden dit ook daadwerkelijk? Het beoordelen van deze statistiek is belangrijk omdat de kosten van fout-positieven (het voorspellen van churn wanneer dit niet gebeurt) hoog kunnen zijn.

• Recall: Hoeveel van alle klanten die zijn gechurnd, heeft het model correct geïdentificeerd? Dit is belangrijk als je zoveel mogelijk echte gevallen van churn wilt vastleggen, zelfs als dat betekent dat je enkele fout-positieven moet tolereren.

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

• Oppervlakte onder de ROC-curve (AUC-ROC): De ROC-curve zet de ware positieve frequentie af tegen de valse positieve frequentie bij verschillende drempelinstellingen. De AUC meet de hele tweedimensionale oppervlakte onder de hele ROC-curve. Een model met perfecte voorspellingen heeft een AUC van 1,0, terwijl een model dat willekeurige inschattingen maakt een AUC van 0,5 heeft.

• Verwarringsmatrix: Dit is een tabel met het aantal ware positieven, valse positieven, ware negatieven en valse negatieven. Hiermee zie je welke soorten fouten je model maakt.

• Lift: Deze statistiek toont aan hoeveel beter het model is in het voorspellen van churn vergeleken met willekeurig gokken. Een lift groter dan 1 geeft aan dat het model beter is dan willekeurig gokken.

• Bedrijfsimpact: De ware test van de effectiviteit van het model is de impact op bedrijfsstatistieken. Ben je in staat om churnpercentages te verlagen door actie te ondernemen op basis van de voorspellingen van het model? Leiden strategieën voor klantbehoud die zijn gebaseerd op de inzichten van het model tot een verhoogde lifetime value van de klant (LTV) of verbeterde klanttevredenheid? Om de bedrijfsimpact te evalueren, kun je gecontroleerde experimenten (zoals A/B-testen) uitvoeren om de resultaten te vergelijken met en zonder de door het churnmodel voorgestelde interventies. Het observeren van veranderingen in churnpercentages, scores voor klanttevredenheid en winstgevendheid in de loop van de tijd zal helpen om de werkelijke waarde van het model vast te stellen.

Hoe Stripe Billing je kan helpen

Met Stripe Billing kun je op jouw manier klanten factureren en beheren, van eenvoudige terugkerende betalingen tot facturatie naar gebruik en onderhandelde verkoopcontracten. Haal meer inkomsten binnen, automatiseer processen voor inkomstenbeheer en ontvang betalingen van over de hele wereld.

Stripe Billing kan je helpen:

• Bied flexibele prijzen aan: lanceer snel met ingebouwde op gebruik gebaseerde en hybride prijsmodellen – waaronder vaste kosten plus meergebruik, tegoeden en meer. Ondersteuning voor kortingsbonnen, gratis proefperioden, pro-rataberekeningen en add-ons is ingebouwd.
  
• Met prijzen experimenteren en deze herhalen: reageer sneller op de vraag van gebruikers met tools zonder code om op gebruik gebaseerde tarieven aan te passen, prijscategorieën te beheren en prijsbeslissingen te nemen op basis van gedetailleerde gebruiks- en uitgavenanalyses.
  
• Prijzen afstemmen op de waarde voor de klant: meet en breng kosten in rekening op basis van de gebruiksdimensies die de meeste impact hebben, en bepaal prijzen op een manier die direct weerspiegelt hoe klanten waarde krijgen.
  
• Verhoog de inkomsten en verminder klantverloop: verbeter het vastleggen van inkomsten en verminder onvrijwillig klantverloop met door AI aangestuurde Smart Retries en automatiseringen van herstelworkflows. De hersteltools van Stripe hebben gebruikers geholpen om in 2024 meer dan \$ 6,5 miljard aan inkomsten terug te halen.
  
• Je efficiëntie verhogen: gebruik extra Stripe-oplossingen voor belastingen, inkomstenrapportage en gegevens om meerdere inkomstenstelsels te consolideren tot één. Eenvoudig te integreren met software van derden.
  

Lees meer over Stripe Billing of ga vandaag nog aan de slag.

Veelgestelde vragen over het bouwen van een model voor klantchurn