churn prediction in media [dutch]

1

Subscriber retention:F b i i hiFrom subscription historyto future customer value

08.05.2008

1

2

AgendaAgenda• Sanoma• Doelstellingen• Analyse vraagstukkenAnalyse vraagstukken• Methode

R lt t• Resultaten• Samenvatting

3

SanomaSanoma

(SMB) Magazines(SMB) Magazines

SQILLSSQILLS

InternetInternet

JerviJervi

MobileMobile

Title 3

4

DoelstellingenDoelstellingen

• Boosting customer value• Boosting customer value• Retentiegraad van abonnees ↑

↓

‘churn prevention’ – strategiechurn prevention – strategie

5

Doelstellingen (2)Doelstellingen (2)

• Welke klantenprofielen zullen abo opzeggen vs• Welke klantenprofielen zullen abo opzeggen vs. welke zullen abo verlengen?

• Wie zijn onze waardevolle vs. minder waardevolle klanten?waardevolle klanten?

↓Doelgericht acties ondernemen

naar sommige klantennaar sommige klanten

6

Doelstellingen (3)Doelstellingen (3)

Retentie campagne

Retentiecampagne

High

Waarde

Retentie campagneMedium

Waarde

Low

Low Medium High

Kans op churn

Title 6

7

Analyse vraagstukkenAnalyse vraagstukken

• Wie is onze klantenpopulatie?Wie is onze klantenpopulatie?

• Wat verstaan we onder ‘toekomstige waarde’?

• Welke factoren hangen samen met churn?

• Welke klantenpopulatie is churn gevoelig?p p g g

• Welke klanten hebben een grote potentiële waarde voor Sanoma?Sanoma?

Title 7

8

De klantenpopulatieDe klantenpopulatie

• Een klant is een individu welke onder 1 of meerdere ID’sEen klant is een individu welke onder 1 of meerdere ID s geregistreerd kan staan Samenvoegen van ID’s tot individuen

• Onderscheid betaler / ontvanger

Uitgesloten:Uitgesloten: • SMB-personeel

• Gratis abonnementen

• enz…

Title 8

9Methode: verwachte toekomstige waardeg

• Abonnement = opeenvolging van cycli

€

Future Lifetime Value: De verwachte toekomstige waarde die de klant nog kan genereren (afhankelijk huidige lifetime)

TIJD

CYCLUS 1 CYCLUS 2 CYCLUS 3

Vandaag

Title 9

10

Customer valueCustomer value• De waarde van een klant = verwachte cash inflow

– Verwachte toekomstige omzet op abonnementen (stabiele waarde) k i t k t i iti d kk t geen rekening met kosten voor acquisitie: drukkosten,

korting/gift, verzendingskosten, …– Verwachte toekomstige omzet op andere producten g p p

zoals gadgets, dvd’s, workshops, etc (incidentele waarde)I di t d– Indirect waarde

• Customer value pragmatisch benaderen stabiele waarde als uitgangspunt gebruiken stabiele waarde als uitgangspunt gebruiken

Title 10

11Future Value vs. Past lifetimeExpected Future Value

ue (€

)ed

Fut

ure

Valu

Expe

cte

12 18 24 30 36 42 48 54 60

Number of months active

Title 11

12Methode: kans op churnp•P(churn) = de kans dat de klant zijn abonnement niet meer zal hernieuwen

Tijdhernieuwen

Cyclus 1Cyclus 2

Historiek Cyclus 1Historiek Cycli 1 - 2

Cyclus …Cyclus N

Historiek Cycli …Historiek Cycli 1- N

NuKans op h ?Cyclus N Historiek Cycli 1 N

Wat is de kans dat het abonnement wordt opgezegd,gegeven de informatie uit de huidige cyclus en de

churn?

gegeven de informatie uit de huidige cyclus en de historiek?

Title 12

13Factoren die samenhangen met churngCHURN% : Eerste Cyclus (neen / ja)

0 1

Title 13

14

Factoren die samenhangen met churnFactoren die samenhangen met churn

CHURN%: Totaal aantal Cycli

1 2 3 4 5 6

Title 14

15Factoren die samenhangen met churngCHURN%: Aantal secundaire producten aangekocht

0 1 2 3 4 5

Title 15

16Factoren die samenhangen met churngCHURN%: Gebruik van diensten (vb vakantieregeling)

NO YES

Title 16

17Factoren die samenhangen met churngCHURN%: Aantal klachten

0 1 2 3 4 5 6 7 8 9

Title 17

18Modelkracht onderscheid churners en i t hniet-churners

Voorbeeld subpopulatie met churn kans = 7%% churners

LIFT

100%

60%

70%

80%

90%

100%

PULA

TIO

N

RANDOM

20%

30%

40%

50%

60%

% C

HU

RN

PO MODEL

EXACT

% klanten0%

10%

0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% 65% 70% 75% 80% 85% 90% 95% 100%

% POPULATION

%

Lift-curve: in welke mate een analyse in staat is om churners af te zonderen van niet-churners

Title 18

19Modelkracht onderscheid churners en niet-churners (2)

% POPULAT ION %CHURN T ARGET S WIT HOUT %CHURN T ARGET S WIT H GAIN% POPULAT ION %CHURN T ARGET S WIT HOUT MODEL)

%CHURN T ARGET S WIT H MODEL GAIN

1 1 3 200%5 5 25 400%

10 10 43 330%20 20 59 195%25 25 65 160%

25 % van de churners zijn terug te vinden in 5% van de klatenpopulatie door gebruik te maken van churnpredictie model

Title 19

20Samenvattingg• Datamart opgebouwd:

– klanthistoriekklanthistoriek– Kans op Churn (P(churn))– Future Lifetime (FLTV)( )– Geïmplementeerd met industriestandaarden (Oracle)– Brain-drain documentvoor elke subscription cycle op individu-niveau

• Concepten FLTV en P(churn) staan centraal in nieuwe retentiepolitiek

• Datamart kan ook gebruikt worden voor andere lanalyses

Title 20