Troels Mark Meyer er grundlægger af Serio Verify i 2010. Virksomheden automatiserer marketing og salg for eksterne kunder og bruger machine learning til at optimere resultaterne.Troels Mark Meyer har 20 års praktisk og akademisk erfaring inden for international ledelse og marketing. Master of Science in Business Administration fra Copenhagen Business School.
Serio Verify er et SaaS-selskab, der fokuserer på automatisering og rådgivning med hensyn til online markedsføring og besvarelse af kundeforespørgsler.
Det er ærgerlige spildte salgskræfter, når en kunde forlader din virksomhed - eller ”churner”, som vi kalder det på nudansk. Der er analyser, der viser, at omkostningen ved at hente samme kunde tilbage i folden eller erstatte kunden med en ny, er op til syv gange dyrere end at lave mersalg til en eksisterende kunde.
Når det er så dyrt at miste kunder, er det ikke overraskende, at virksomhederne bruger så mange kræfter på at sikre, at deres kunder bliver i butikken. ”Churn prevention”, ”retention”, ”højere kundeloyalitet” – ja, kært barn har mange navne.
Dine kunders adfærd er vigtig viden
At finde de kunder, som er på vej væk, handler grundlæggende om at finde et mønster, som kan advare dig, inden det er for sent. Her er machine learning oplagt, da man på den måde kan finde langt mere komplekse mønstre end hvad alverdens pivot tabeller i Excel kan. Machine learning er en langt mere attraktiv model for at bremse ”churn”, eftersom det fungerer bedst med masser af relevante data - og den slags data har de fleste virksomheder allerede liggende på deres eksisterende kunder. Af samme årsag er mange danske virksomheder allerede godt med på machine learning-bølgen inden for ”churn prevention”.
Virksomhederne kender kundernes adfærd, de ved hvilke produkter kunderne har købt, hvor længe de har brugt dem, og hvor ofte de har været i kontakt med virksomhedens kundesupport osv. Alt dette skaber et godt datagrundlag for at lade machine learning analysere adfærden på de kunder som bliver i virksomheden, og de kunder som forlader virksomheden. På den måde har man en model for ”churn prevention”…. og så alligevel ikke i mange tilfælde.
Samme adfærd – forskellige beslutninger
Adfærd er godt nok grundstenen i at forudsige ”churn”, men mange gange er det ikke nok – selv for en avanceret machine learning model.
Lad mig give et forsimplet eksempel: Hans og Lise er begge kunder hos det fiktive firma A Great Company. Hans har ikke kunnet få sit produkt til at virke ordentligt, og han er vred. Han har ringet til kundesupport tre gange, selvom han ikke bryder sig om at vente i kø og i virkeligheden helst vil sende en e-mail. Men produktet skal fikses med samme, så han har ringet i stedet for at skrive en mail. Kundesupporten har hjulpet ham, men Hans synes, at det har været besværligt og har mistet tilliden til A Great Company. Derfor opsiger han aftalen.
Lise har haft samme problem som Hans og har også talt med kundeservice tre gange. Hun vælger også at ringe frem for at skrive, da hun nyder den personlige kontakt. Selvom det tog tre opkald, er hun glad for, at det kunne løses og for hende er det rart ikke kun at være begrænset til at kontakte A Great Company via e-mail. Ham Peter fra kundesupport var faktisk rigtig flink, synes Lise. Hun er tilfreds og forsætter som kunde.
I dette forsimplede eksempel fører samme adfærd på samme problem til to vidt forskellige beslutninger hos kunderne. Det kommer af, at Hans og Lise er to helt forskellige mennesketyper - og derfor kan deres adfærd brugt som datagrundlag ikke stå alene. Sagt med andre ord, hvis adfærdsdata er det eneste, der ligger til grund for en ”churn prevention” machine learning model, så er det mange gange ikke tilstrækkeligt.
Samme type, samme adfærd, samme beslutning
For at kunne få brugbare ”churn prevention” resultater med machine learning, er det vigtigt at have indsigt i både adfærd og mennesketype, der hører med til adfærden. Derfor skal virksomhedens ledelse sikre sig, at begge sæt informationer er tilgængelige. Det kan man f.eks. gøre ved at berige sin kundedatabase med sandsynliggjorte demografiske variabler fra Danmarks Statistik eller tilsvarende. Alternativt ved aktivt at registrere feedback fra sine kunder ved simpelthen at spørge dem om deres kundeoplevelse. Det skal gøres ofte, vedvarende og dybdegående. På den måde beriger man sit datagrundlag, som over tid højst sandsynligt kan klassificere kundetypen allerede første eller anden gang man modtager feedback fra dem.
Uanset om man vælger den ene, den anden eller en kombination af de to metoder, har man nu som virksomhed det helt rigtige datagrundlag at bygge sin machine learning model ud fra. For AI kan se, når dine kunder er på vej væk, før du kan.
