Date post: | 27-Jun-2015 |
Category: |
Business |
Upload: | geert-martens |
View: | 1,036 times |
Download: | 0 times |
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