2. 2
Agenda
• Sanoma
• Doelstellingen
• Analyse vraagstukken
• Methode
• Resultaten
R lt t
• Samenvatting
3. 3
Sanoma
(SMB) Magazines
SQILLS
Jervi
Internet
Mobile
Title 3
4. 4
Doelstellingen
• Boosting customer value
• Retentiegraad van abonnees ↑
↓
‘churn prevention – strategie
churn prevention’
5. 5
Doelstellingen (2)
• Welke klantenprofielen zullen abo opzeggen vs
vs.
welke zullen abo verlengen?
• Wie zijn onze waardevolle vs. minder
waardevolle klanten?
↓
Doelgericht acties ondernemen
naar sommige klanten
6. 6
Doelstellingen (3)
High Retentie Retentie
campagne
Waarde
campagne
Retentie
Medium campagne
Low
Low Medium High
Kans op churn
Title 6
7. 7
Analyse vraagstukken
• Wie is onze klantenpopulatie?
• Wat verstaan we onder ‘toekomstige waarde’?
• Welke factoren hangen samen met churn?
• Welke klantenpopulatie is churn g
p p gevoelig?
g
• Welke klanten hebben een grote potentiële waarde voor
Sanoma?
Title 7
8. 8
De klantenpopulatie
• Een klant is een individu welke onder 1 of meerdere ID’s
ID s
geregistreerd kan staan
Samenvoegen van ID’s tot individuen
• Onderscheid betaler / ontvanger
Uitgesloten:
• SMB-personeel
• Gratis abonnementen
• enz…
Title 8
9. Methode: verwachte toekomstige waarde
g 9
• Abonnement = opeenvolging van cycli
€
Future Lifetime Value: De verwachte toekomstige
waarde die de klant nog kan genereren (afhankelijk
huidige lifetime)
CYCLUS 1 CYCLUS 2 CYCLUS 3
Vandaag TIJD
Title 9
10. 10
Customer value
• De waarde van een klant = verwachte cash inflow
– Verwachte toekomstige omzet op abonnementen
(stabiele waarde)
geen rekening met k t voor acquisitie: d kk t
k i t kosten i iti drukkosten,
korting/gift, verzendingskosten, …
– Verwachte toekomstige omzet op andere p
g p producten
zoals gadgets, dvd’s, workshops, etc (incidentele
waarde)
– I di t waarde
Indirect d
• Customer value pragmatisch benaderen
stabiele waarde als uitgangspunt gebruiken
Title 10
11. Future Value vs. Past lifetime 11
Expected Future Value
E xp ecte F u tu re V alu e (€)
ed u
12 18 24 30 36 42 48 54 60
Number of months active
Title 11
12. Methode: kans op churn
p 12
•P(churn) = de kans dat de klant zijn abonnement niet meer zal
hernieuwen
Tijd
Cyclus 1 Historiek Cyclus 1
Cyclus 2 Historiek Cycli 1 - 2
Cyclus … Historiek Cycli …
Nu
Kans op
Cyclus N Historiek Cycli 1- N
1 churn?
h ?
Wat is de kans dat het abonnement wordt opgezegd,
gegeven de informatie uit de huidige cyclus en de
historiek?
Title 12
18. Modelkracht onderscheid churners en 18
niet-churners
i t h
Voorbeeld subpopulatie met churn kans = 7%
% churners
LIFT
100%
% CHURN POPULATION
90%
80%
70%
60% RANDOM
50% MODEL
40% EXACT
30%
20%
10%
0%
0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% 65% 70% 75% 80% 85% klanten
% 90% 95% 100%
% POPULATION
Lift-curve: in welke mate een analyse in staat is om churners af
te zonderen van niet-churners
Title 18
19. Modelkracht onderscheid churners en
19
niet-churners (2)
% CH U R N T AR GE T S W IT H OU T % CH U R N T AR GE T S W IT H
% P OP U LAT ION GAIN
MOD E L) MOD E L
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
20. Samenvatting
g
20
• Datamart opgebouwd:
– klanthistoriek
– Kans op Churn (P(churn))
– Future Lifetime (FLTV)
( )
– Geïmplementeerd met industriestandaarden (Oracle)
– Brain-drain document
voor elke subscription cycle op individu-niveau
• Concepten FLTV en P(churn) staan centraal in
nieuwe retentiepolitiek
• Datamart kan ook gebruikt worden voor andere
analyses
l
Title 20