Kundbortfall, även kallat kundtapp, avser den procentandel kunder som slutar göra affärer med ett företag under en specifik tidsperiod. Kundbortfall är ett viktigt mätvärde som direkt påverkar intäkter och lönsamhet. Företag följer upp kundbortfall för att utvärdera sina insatser för att behålla kunder och hur väl de upprätthåller kundrelationer. Ett högt kundbortfall kan indikera att kunderna är missnöjda med en produkt eller tjänst, medan ett lågt kundbortfall kan tyda på kundlojalitet och kundnöjdhet. Det genomsnittliga kundbortfallet varierar från bransch till bransch. År 2022 låg medianen för kundbortfall på 13 % för privata SaaS-företag (software-as-a-service).

För att förstå ditt företags kundbortfall måste du veta hur många kunder du behåller eller förlorar under en given tidsperiod, och varför du förlorar dem. Modeller för kundbortfall kan hjälpa dig att bygga en holistisk strategi för att behålla kunder som adresserar problemen bakom ditt kundbortfall. Nedan går vi igenom vad du bör veta om olika typer av modeller för kundbortfall, hur du väljer och bygger rätt modell för ditt företag, och vad du ska göra med informationen du får från den.

Vad innehåller den här artikeln?

• Vad är en prediktionsmodell för kundbortfall?
  
• Varför ska man förutsäga kundbortfall?
  
• Viktiga prediktorer för kundbortfall
  
• De fyra typerna av kundbortfall
  
• Typer av modeller för kundbortfall
  
• Så gör man för att bygga en modell för kundbortfall för ditt företag
  
• Så gör man för att använda prediktiv analys för att minska kundbortfall
  
• De främsta användningsområdena för prediktionsmodeller för kundbortfall
  
• Så gör man för att mäta effektiviteten hos modeller för kundbortfall
  
• Hur Stripe Billing kan hjälpa
  
• Vanliga frågor om att bygga en modell för kundbortfall
  

Vad är en prediktionsmodell för kundbortfall?

En prediktionsmodell för kundbortfall är ett datadrivet verktyg som uppskattar sannolikheten för att en enskild kund kommer att sluta göra affärer med ett företag inom en definierad tidsram. Genom att använda historiska data om kunder som har lämnat och kunder som har stannat, identifierar modellen mönster och riskfaktorer såsom minskad användning, supportklagomål eller faktureringsproblem, och tillämpar dem på nuvarande kunder för att flagga vilka som löper störst risk för kundbortfall.

Till skillnad från ett generellt kundbortfall, som rapporterar vad som redan har hänt på en aggregerad nivå, blickar en prediktionsmodell för kundbortfall framåt och poängsätter enskilda kunder. Detta ger företag en chans att ingripa innan dessa kunder lämnar. Dessa modeller byggs vanligtvis med hjälp av algoritmer för maskininlärning, såsom logistisk regression, beslutsträd och gradient boosting, och tränas på kundattribut som demografi, köphistorik, engagemangsnivåer och tjänsteinteraktioner.

Resultatet är vanligtvis en sannolikhet för kundbortfall eller en riskpoäng per kund, som företag kan använda för att prioritera insatser för att behålla kunder, rikta in sig på risksegment med personliga erbjudanden och fördela resurser till de kunder som är mest sannolika att kunna räddas.

Varför förutsäga kundbortfall?

Kundbortfall kan ha en stor inverkan på ett företags intäkter, lönsamhet och rykte. Så här påverkar kundbortfall företagets verksamhet.

• Kostnader för kundförvärv: Generellt sett är det dyrare att skaffa nya kunder än att behålla befintliga. En tillförlitlig modell för att förutsäga kundbortfall hjälper till att kompensera för denna kostnad genom att flagga riskkunder tidigt, så att företag kan rikta sina investeringar för att behålla kunder dit de med störst sannolikhet kommer att löna sig, i stället för att upprepade gånger täcka kostnaden för nya förvärv.

• Förlorade intäkter: Att förlora kunder innebär en direkt förlust av inkomst, vilket omedelbart påverkar företagets ekonomiska hälsa. Särskilt för abonnemangsbaserade företag märks detta snabbt på de månatliga återkommande intäkterna (MRR): varje förlorad kund minskar denna baslinje, och om mönstret fortsätter bland tillräckligt många kunder kan det lämna företaget utan en stabil intäktsgrund att växa från.

• Färre långsiktiga kunder: Långsiktiga kunder tenderar att köpa mer över tid och kan därför bli mindre dyra att betjäna. De kan också köpa produkter eller tjänster med högre marginaler. Ett högre kundbortfall innebär färre av dessa långsiktiga kunder och kan leda till lägre lönsamhet.

• Varumärkets rykte: Ett högt kundbortfall kan vara ett tecken på kundmissnöje, vilket kan skada ett företags rykte. Nöjda kunder är mer benägna att rekommendera andra till företaget, medan missnöjda kunder kan dela sina negativa erfarenheter, vilket avskräcker potentiella kunder.

• Långsiktig tillväxt: Hållbar tillväxt kräver en stabil kundbas. Genom att förutsäga kundbortfall i förväg får företag en chans att ingripa medan en kundrelation fortfarande går att rädda, i stället för att agera först när intäkterna redan har gått förlorade. Ett högt kundbortfall kan undergräva långsiktiga tillväxtstrategier och göra det svårt för företag att expandera eller investera i nya möjligheter. Detta gäller särskilt för företag som försöker skala upp. Utan ett sätt att förutse och minska kundbortfall kan en tillväxt av nya kunder neutraliseras av att befintliga kunder förloras, vilket gör det svårare att bygga ett hållbart momentum.

Viktiga prediktorer för kundbortfall

En av de okomplicerade prediktorerna för kundbortfall är hur nöjda kunder är med en produkt eller tjänst. Företag kan mäta detta genom undersökningar, Net Promoter Scores (NPS) och feedbackmekanismer. Konsekvent låga nöjdhetspoäng eller negativ feedback kan vara en stark indikator på potentiellt kundbortfall.

Andra faktorer som kan påverka en kunds beslut att lämna ett företag inkluderar:

• Interaktioner med kundsupport: Även om vissa engagerade kunder kan kontakta support för att maximera värdet, kan supportförfrågningar också tyda på problem eller missnöje. Att analysera karaktären och utfallet av dessa interaktioner kan förutse kundbortfall, särskilt om problemen inte löses på ett tillfredsställande sätt.

• Användning av produkt eller tjänst: Att övervaka hur – och hur ofta – kunder använder en produkt eller tjänst kan ge företag insikter om kundernas engagemangsnivåer. Låg eller minskande användning kan signalera att en kund håller på att tappa intresset eller inte hittar något värde, vilket kan leda till kundbortfall.

• Fakturerings- och betalningsproblem: Återkommande faktureringsproblem eller problem med betalningar kan leda till kundfrustration och kundbortfall. Att spåra dessa händelser och hur de löses kan avslöja tidiga varningssignaler om att kunder riskerar att lämna.

• Förändringar i köpbeteende: En plötslig förändring i en kunds vanliga köpmönster, såsom en minskning av beställningens storlek eller frekvens, kan signalera missnöje eller ändrade behov, vilket potentiellt kan leda till kundbortfall.

• Kundfeedback och klagomål: Direkt feedback eller klagomål är viktiga indikatorer på potentiellt kundbortfall. Kunder som tar sig tid att uttrycka missnöje eller oro kan överväga att lämna om deras problem inte åtgärdas.

• Engagemang i marknadsföringskommunikation: En nedgång i kunders engagemang med e-postmeddelanden, nyhetsbrev, kampanjer eller annan marknadsföringskommunikation kan tyda på avtagande intresse eller relevans, vilket kan föregå ett kundbortfall.

• Marknads- och konkurrensfaktorer: Förändringar på marknaden och konkurrenters agerande kan påverka kundbortfallet. Till exempel, om en konkurrent lanserar en ny produkt eller erbjuder en liknande tjänst till ett lägre pris, kan detta leda till ökat kundbortfall.

• Förnyelse av kontrakt och abonnemang: För företag med en abonnemangs- eller kontraktsbaserad modell är en kommande förnyelseperiod en viktig tidpunkt för att bedöma risken för kundbortfall. När kunder utvärderar om de ska förnya eller inte finns det en risk att ett kundbortfall inträffar.

• Demografiska och psykografiska faktorer: Ibland kan förändringar i en kunds demografiska profil eller en förändring i deras värderingar och preferenser förutse ett kundbortfall. Till exempel kan en förändring i ekonomisk status, flytt eller livsstil påverka deras beslut att fortsätta använda en viss produkt eller tjänst.

De fyra typerna av kundbortfall

Allt kundbortfall sker inte av samma anledning. Här är typerna du bör känna till:

Frivilligt kundbortfall

Kunden beslutar sig aktivt för att avsluta eller sluta använda en produkt eller tjänst, ofta på grund av missnöje, bättre alternativ eller ouppfyllda behov. Det här är den typ av kundbortfall som många bortfallsmodeller fokuserar på att förutsäga, eftersom det ofta kan förhindras med rätt åtgärd.

Ofrivilligt kundbortfall

Kunden har inte för avsikt att lämna, men hens åtkomst upphör ändå, vanligtvis på grund av misslyckade betalningar, utgångna kreditkort eller faktureringsfel. Denna typ hanteras ofta genom bättre system för nya betalningsförsök och faktureringsmeddelanden snarare än genom kontakt för att behålla kunder.

Medvetet kundbortfall

En undergrupp till frivilligt kundbortfall där kunden gör ett medvetet val att lämna eftersom produkten inte längre passar hens behov, budget eller mål. Detta kan innefatta att nedgradera till en konkurrent eller att besluta att tjänsten inte är värd kostnaden.

Situationsbetingat kundbortfall

Också frivilligt, men drivet av omständigheter utanför kundens direkta missnöje, såsom en förändrad livssituation, ekonomiska svårigheter eller flytt. Dessa kunder kan ha varit nöjda med produkten men lämnat av skäl som inte har med dess kvalitet att göra.

Typer av kundbortfallsmodeller

Kundbortfallsmodeller kategoriseras baserat på en mängd olika faktorer, till exempel typen av algoritm, hur den behandlar tid och nivå av förutsägelse. Här följer en detaljerad förklaring av de olika typerna av kundbortfallsmodeller.

• Prediktiva modeller för kundbortfall: Dessa modeller använder historiska data för att förutsäga sannolikheten för att en kund kommer att förloras i framtiden. De använder vanligtvis maskininlärningsalgoritmer för att identifiera mönster och prediktorer för kundbortfall, vilka beskrivs nedan.

• Logistisk regression: Detta är en statistisk modell som uppskattar sannolikheten för ett binärt utfall (som kundbortfall/inget kundbortfall) baserat på en eller flera oberoende variabler. Den används flitigt för sin enkelhet och tolkningsbarhet.

• Beslutsträd: Dessa modeller använder en träkliknande graf av beslut och deras möjliga konsekvenser. De är lätta att tolka men har en tendens till överanpassning.

• Random forests: En ensemblemetod som använder flera beslutsträd för att förbättra prediktiv noggrannhet och kontrollera överanpassning, random forests är mer omfattande än ett enskilt beslutsträd och ger ofta hög noggrannhet.

• Gradient boosting machines (GBM:er): GBM:er är en ensembleteknik som bygger träd sekventiellt, där varje nytt träd korrigerar fel som gjorts av de tidigare tränade träden. GBM:er, som XGBoost och LightGBM, är kraftfulla för att förutsäga kundbortfall men kan vara komplexa att finjustera.

• Neurala nätverk: Neurala nätverk är djupinlärningsmodeller som kan fånga komplexa icke-linjära relationer genom lager av noder eller "neuroner". De kan vara mycket effektiva, särskilt med stora datamängder, men är svårare att tolka än enklare modeller.

• Beskrivande modeller för kundbortfall: I stället för att förutsäga framtida kundbortfall ger dessa modeller insikter i tidigare bortfallsbeteende. De hjälper till att identifiera trender, mönster och orsaker till kundbortfall, ofta med hjälp av klustertekniker eller principalkomponentanalys.

• Tidsseriebaserade modeller för kundbortfall: Dessa modeller tittar på hur kundbortfall utvecklas över tid. De kan vara särskilt användbara för företag med starka säsongsmönster eller de som försöker mäta effekten av specifika händelser över tid.

• Kohortbaserade modeller: Dessa modeller analyserar kundbortfallet för olika kundkohorter. En kohort kan definieras av det datum kunderna registrerade sig, produkten de köpte först eller någon annan stor händelse. Detta hjälper till att identifiera om vissa kohorter är mer benägna till bortfall än andra.

• Överlevnadsanalysmodeller: Dessa modeller, även kända som "time-to-event"-modeller, mäter den tid det tar för en händelse (kundbortfall) att inträffa. De är särskilt användbara för att förutsäga när en kund kommer att förloras.

• Realtidsmodeller för kundbortfall: Dessa modeller genererar omedelbara förutsägelser baserat på användarinteraktioner i realtid. De kräver en stark datainfrastruktur och används i scenarier där företag kan vidta omedelbara åtgärder för att förhindra kundbortfall.

• Hybridmodeller: Dessa modeller kombinerar element från olika typer av modeller för att använda deras styrkor och mildra svagheter. Till exempel kan en hybridmodell använda en kombination av en prediktiv modell för sannolikheten för kundbortfall och en överlevnadsanalys för timing.

Att välja rätt modelltyp beror på den specifika affärskontexten, kundrelationens karaktär, tillgängliga data och det önskade resultatet av modelleringsarbetet. Det är ofta fördelaktigt att experimentera med flera modeller för att avgöra vilken som ger de mest exakta och användbara insikterna för ett visst användningsfall.

Så gör man för att bygga en modell för kundbortfall för sitt företag

Att skapa en kundbortfallsmodell är en process i flera steg som innebär att analysera hur du definierar kundbortfall, vad dina data visar dig och vilken modell som är mest användbar för ditt företag. Här är en detaljerad guide för att skapa en kundbortfallsmodell som uppfyller ditt företags behov.

• Definition av kundbortfall: Olika företag har olika definitioner av kundbortfall. För en abonnemangstjänst kan ett kundbortfall vara en kund som säger upp sitt abonnemang. För en e-handelsplattform kan det vara en kund som inte har gjort ett köp under en viss tidsperiod.

• Datainsamling: Samla in historisk data som inkluderar både kunder som har lämnat och de som har stannat. Ditt dataset bör innehålla en rad olika egenskaper, såsom kunddemografi, transaktionshistorik, data om produktanvändning, interaktioner med kundtjänst och annan relevant data som kan påverka kundbortfall.

• Dataförberedelse: Rensa datan (hantera saknade värden, ta bort dubbletter osv.) och transformera den till ett format som lämpar sig för modellering. Detta kan inkludera kodning av kategoriska variabler, normalisering av numeriska värden eller att skapa tidsfönster för prediktiva egenskaper.

• Egenskapsutveckling: Utveckla egenskaper som på ett effektivt sätt fångar dina kunders beteende och särdrag. Detta kan inkludera att aggregera transaktionsdata till meningsfulla mätvärden, beräkna användningsfrekvens eller härleda andra insiktsfulla attribut från rådata.

• Explorativ dataanalys (EDA): Innan du bygger din modell bör du genomföra en EDA för att hitta mönstren i din data. Leta efter korrelationer mellan egenskaper och kundbortfall, identifiera avvikande värden och förstå distributionen av viktiga variabler.

• Val av algoritm: Välj en algoritm för maskininlärning för att förutse kundbortfall. Logistisk regression, beslutsträd, slumpmässiga skogar (random forests), gradientförstärkningsmaskiner (gradient boosting) och neurala nätverk är vanliga val. Valet av modell beror på datasetets storlek, egenskapernas betydelse och behovet av tolkbarhet.

• Träning och testning: Dela upp din data i tränings- och testset för att utvärdera din modells prestanda. Träningssetet används för att träna modellen, medan testsetet används för att bedöma dess prediktiva förmåga på okänd data.

• Modellvalidering: Använd mätvärden såsom noggrannhet, precision, täckning (recall), F1-resultat och arean under ROC-kurvan (AUC-ROC) för att utvärdera din modells prestanda. Fokusera på de mätvärden som påverkar dina affärsmål. Till exempel, om kostnaden för falska positiva resultat är hög, kanske du vill maximera precisionen.

• Modelljustering: Justera modellens hyperparametrar för att förbättra dess prestanda. Överväg att använda tekniker såsom rutnätssökning (grid search), slumpmässig sökning (random search) eller bayesiansk optimering för att hitta den optimala uppsättningen av hyperparametrar.

• Egenskapsanalys: Lär dig vilka egenskaper som är mest inflytelserika när det gäller att förutse kundbortfall, för att vägleda dina strategier för att behålla kunder.

• Driftsättning: Driftsätt modellen i en produktionsmiljö där den kan ge löpande förutsägelser. Detta kan innebära att integrera modellen i dina affärssystem eller att sätta upp en batchprocess för att periodiskt poängsätta kunder.

Så här använder du prediktiv analys för att minska kundbortfall

Praktiska insikter och interventionsstrategier

• Använd modellens förutsägelser för att utveckla riktade strategier för att behålla kunder. Överväg till exempel att erbjuda kunder som du har identifierat ha hög risk för kundbortfall anpassade kampanjer, proaktiv kundservice eller andra incitament för att behålla dem.

• Segmentera högriskkunder baserat på deras egenskaper eller orsaker till potentiellt kundbortfall och skräddarsy åtgärder därefter.

Övervaknings- och återkopplingsslinga

• Övervaka modellens prestanda kontinuerligt. Justera och träna om modellen efter behov för att svara på förändrade mönster i kundbeteende eller företagets verksamhet.

• Etablera feedbackmekanismer för att fånga upp resultaten av insatser för att behålla kunder och övervaka regelbundet effektiviteten i dina strategier för att behålla kunder. Använd dessa data för att ytterligare förfina den prediktiva modellen och åtgärdsstrategierna.

Samarbete och organisatorisk integration

• Dela lärdomar och rekommendationer från den prediktiva analysprocessen över relevanta avdelningar för att skapa en sammanhängande strategi för att behålla kunder.

• Integrera datadrivna insikter i beslutsprocesser för att proaktivt tillgodose kundernas behov och minska kundbortfallet.

De vanligaste användningsfallen för modeller för att förutse kundbortfall

Att förutse kundbortfall är värdefullt i nästan vilken bransch som helst med återkommande kundrelationer, men det är särskilt hjälpsamt i sektorer där kundanskaffning är dyrt eller där intäkter beror på ett pågående engagemang.

Så här mäter man effektiviteten hos kundbortfallsmodeller

Det är viktigt att mäta effektiviteten hos dina modeller för kundbortfall för att säkerställa att du inte fattar affärsbeslut baserat på falska förutsägelser. Följande mätvärden kan hjälpa dig att utvärdera hur väl dina modeller för kundbortfall presterar.

• Noggrannhet: Detta är andelen av de totala förutsägelserna som modellen fick rätt. Även om noggrannhet är en utgångspunkt, ger det inte alltid en komplett bild, särskilt om antalet kunder som lämnar och de som stannar är obalanserat.

• Precision: Av de kunder som modellen förutspådde skulle lämna, hur många gjorde det faktiskt? Att bedöma detta mätvärde är viktigt eftersom kostnaden för falska positiva resultat (att förutse ett kundbortfall när det inte händer) kan vara hög.

• Täckning (recall): Av alla kunder som lämnade, hur många identifierade modellen korrekt? Detta är viktigt om du vill fånga upp så många sanna fall av kundbortfall som möjligt, även om det innebär att du måste tolerera vissa falska positiva resultat.

• F1-resultat: Detta mätvärde kombinerar precision och täckning till ett enda nummer för en balanserad vy.

• Arean under ROC-kurvan (AUC-ROC): ROC-kurvan plottar andelen sanna positiva mot andelen falska positiva vid olika tröskelvärden. AUC mäter hela den tvådimensionella arean under hela ROC-kurvan. En modell med perfekta förutsägelser har en AUC på 1,0, medan en modell som gör slumpmässiga gissningar har en AUC på 0,5.

• Förväxlingsmatris (confusion matrix): Detta är en tabell som visar antalet sanna positiva, falska positiva, sanna negativa och falska negativa. Den hjälper dig att se vilka typer av fel din modell gör.

• Lyft (lift): Detta mätvärde demonstrerar hur mycket bättre modellen är på att förutse kundbortfall jämfört med slumpmässiga gissningar. Ett lyft som är större än 1 indikerar att modellen är bättre än slumpmässiga gissningar.

• Affärspåverkan: Det verkliga testet på modellens effektivitet är dess påverkan på affärsmätvärden. Kan du minska kundbortfallet genom att agera på modellens förutsägelser? Leder strategier för att behålla kunder, som bygger på modellens insikter, till ökat kunders livstidsvärde (LTV) eller förbättrad kundnöjdhet? För att utvärdera affärspåverkan kan du köra kontrollerade experiment (som A/B-testning) för att jämföra resultaten med och utan de åtgärder som föreslås av modellen för kundbortfall. Att observera förändringar i kundbortfall, kundnöjdhetspoäng och lönsamhet över tid kommer att hjälpa till att fastställa modellens verkliga värde.

Hur Stripe Billing kan hjälpa

Med Stripe Billing kan du fakturera och hantera kunderna på det sätt du vill – från enkel återkommande fakturering till användningsbaserad fakturering och förhandlade avtal. Debitera och behåll mer intäkter, automatisera arbetsflödena för intäktshantering och ta emot betalningar globalt.

Stripe Billing kan hjälpa dig att:

• Erbjud flexibel prissättning: Lansera snabbt med inbyggda användningsbaserade och hybrida prissättningsmodeller – inklusive fast avgift plus överförbrukning, krediter med mera. Support för kuponger, kostnadsfria provperioder, proportionerliga beräkningar och tillägg är inbyggd.
  
• Experimentera och upprepa prissättning: Svara snabbare på användarnas efterfrågan med kodfria verktyg för att justera användningsbaserade priser, hantera priskohorter och fatta välgrundade prisbeslut med detaljerad användnings- och utgiftsanalys.
  
• Anpassa prissättningen efter kunden: Mät och debitera efter de användningsdimensioner som ger mest effekt och definiera prissättningen på ett sätt som direkt återspeglar hur kunderna får värde.
  
• Öka intäkterna och minska kundbortfallet: Förbättra intäktsdebitering och minska ofrivilligt kundbortfall med AI-drivna Smart Retries och automatiseringar av återvinningsarbetsflöden. Stripes återvinningsverktyg hjälpte användare att återfå över 6,5 miljarder USD i intäkter under 2024.
  
• Öka effektiviteten: Använd ytterligare Stripe-lösningar för skatt,intäktsrapportering och data för att kombinera flera intäktssystem i ett. Integrera enkelt med programvara från tredje part.
  

Läs mer om Stripe Billing, eller börja idag.

Vanliga frågor om att bygga en modell för kundbortfall