Teleoperaattorin asiakaspidon parantaminen
Isoilla teleoperaattoreilla on useita palvelukokonaisuuksia, joita asiakkaat ostavat sopimuksiin perustuen (esim. matkapuhelin- ja laajakaistaliittymät tai maksu-tv paketit). Koska Suomessa ei väestö kasva, niin muutamat operaattorit kilpailevat jatkuvasti samoista henkilö- ja yritysasiakkaista. Toisaalta tämä johtaa tilanteeseen, että isoilla operaattoreilla on paljon asiakkaita (vähintään satojatuhansia).
Koska uuden asiakkaan hankkiminen on kalliimpaa kuin vanhan pitäminen, asiakaspidon parantaminen on erinomainen keino vaikuttaa taloudelliseen kannattavuuteen.
Tehdään esimerkkilaskelma sopivan pyöreillä luvuilla.
Asiakkaita 100 000, asiakkaan laskutus vuodessa 360 eur/asiakas, yht. 36 000 000 euroa.
Jos poistuma on 7%, niin sen arvo on 2 520 000 euroa.
Mikäli poistuma onnistutaan laskemaan 4%:iin, niin sen arvo on 1 440 000 euroa.
Eli poistumaa vähentämällä säästyisi 1 080 000 euroa vuodessa.
Tietysti tästä on vielä poistettava investoinnit, joilla poistumaa vähennetään.
Mitä teimme?
Autoimme asiakkaan omaa tiimiä:
- tarkentamaan ennusteongelmat (esim. eri mallit yritys- ja kuluttaja-asiakkaille)
- keräämään ja muokkaamaan datat koneoppimisalgoritmeille sopiviksi
- toteuttamaan useita eri asiakaspoistumamalleja eri toimintoihin
Lisäksi opastimme asiakkaan tiimiä koneoppimisen perusteissa ja teknologioiden käytössä.
Tulokset
Asiakkaan mukaan asiakaspoistuma putosi merkittävästi seuraavan 6 kuukauden aikana, kun siirryttiin käyttämään koneoppimisen tuottamia poistumalistoja. On tietysti huomioitava, että pelkät poistumalistat eivät torju poistumisia, vaan asiakkaalle kohdistettu oikea toimenpide.
Lisäksi mallinnuksen aikana selvisi, mitkä tekijät vaikuttavat poistumariskiin erityisen paljon ja mitkä tekijät ovat epärelevantteja. Tämä tieto auttaa kehittämään omaa toimintaa oikeaan suuntaan.
Viimeisin tulos oli, että saatiin odotettua enemmän lisämyyntiä. Se mistä tämä johtui, ei projektin aikana vielä täysin selvinnyt.
Muita asiakaspoistumaprojekteja
Terveydenhuollossa olemme tehneet kaksi erillistä projektia siitä, miten vanhuksen kotihoito päättyy (esim. muutto hoitolaitokseen tai kuolema). Vaikka analyysit koneoppimista käyttäen tapahtuvat yksilötasolla, niin tulosten tulkinta tehdään summatasolla. Tarkoituksena on nimittäin ennustaa, kuinka paljon laitospaikkoja tarvitaan seuraavana vuonna kotihoidosta tuleville. Tuloksellisesti mallit ennustavat ilmiötä hyvin .
Energiayhtiössä ennustimme asiakaspoistumaa perustuen muun muassa sopimustietoihin sekä asiakkaan taustamuuttujiin. Ennustemallit pystyivät hyvin erottelemaan poistumavaarassa olevat asiakkaat ja löytämään syitä poistuman taustalla.
Toisessa energiayhtiössä toteutimme asiakaspoistumaan ja asiakaspitoon liittyvän konseptointiprojektin, jossa testasimme mm. tiettyjä ennalta määriteltyjä hypoteeseja asiakaspoistumaan liittyen. Bilotin oman tekoälytyökalun AI-Jackin pohjalta rakennettiin koneoppimisympäristö, jonka avulla saatiin tutkittua ketterästi ennalta määritettyä hypoteesia ja samanaikaisesti muodostettua jatkuvia ennusteita CRM:n hyödynnettäväksi.
Henkivakuutusyhtiössä toteutimme moniportaisen asiakaspoistumamallinnuksen, koska ko. liiketoiminnassa asiakkaat harvoin poistuvat kerralla. Pikemminkin se tapahtuu erilaisten tilasiirtymien kautta. Tässäkin tapauksessa ennustemallit toimivat hyvin ja pystyivät ennustamaan poistuvia asiakkaita sekä erittelemään syitä poistumalle.
Toisessa vakuutusyhtiössä olemme auttaneet asiakasta ennustamaan asiakkaiden maksu-uskollisuutta (analoginen ongelma asiakaspoistumalle), osana projektia jossa implementoitiin Bilotin AI-JACK asiakkaan järjestelmään.
