Klantbehoud: zo zet je dit AI-experiment op

Veel organisatie worstelen met wat er mogelijk is met Artificial Intelligence, omdat feiten en fictie nogal door elkaar lopen bij dit onderwerp. Met een aantal voorbeelden kunnen we laten zien wat mogelijk is en wat haalbare ideeën zijn. Om te starten met Artificial Intelligence is het vaak logisch om te starten met machine learning. Dit is een onderdeel van Artificial Intelligence. Een haalbaar idee is bijvoorbeeld een experiment om klantbehoud te voorspellen.

Voorspellen van klantbehoud

Het behouden van klanten is tot vijf keer goedkoper dan de kosten van het verkrijgen van nieuwe klanten. Vandaar dat organisaties er steeds vaker voor kiezen om de kans in te schatten dat een klant vertrekt om benodigde acties te vinden om zo de vertrekratio te verlagen. Om een idee concreet te maken, kun je gebruik maken van het gratis AI Experiment Canvas.

Info Support AI Experiment Canvas

Laten we het AI Experiment Canvas invullen voor het AI-experiment voor het voorspellen van klantbehoud.

Learning goal voor klantbehoud

De learning goal is een vraag die duidelijk gekoppeld is aan een bedrijfsdoelstelling.

• Kunnen we de kosten verlagen door klanten proactief te benaderen, voordat ze bij ons vertrekken?
• Meest risicovolle aanname is dat onze klantdata voorspellende waarde heeft voor wat betreft behoud en vertrek.
• Onze hoogste prioriteit is de voorspellende waarde aantonen.

Hypothesis

Een hypothese is een testbare voorspelling over wat gaat gebeuren. Een goede hypothese start met wat je wilt veranderen en is specifiek.

• We verminderen klantvertrek met 10% voor klanten met product [X] door iedere week te voorspellen of zij binnen 2 maanden vertrekken.
• We geven voorstellen voor acties die we kunnen ondernemen om vertrekkende klanten te behouden.

Metric

Kies één metriek die de verandering duidelijk weergeeft en die wordt beïnvloed door het experiment.

• We meten het huidige klantvertrek in percentage voor klanten met product [X] en meten het klantvertrek aan het eind van het experiment.
• Als faalconditie (het minimale niveau dat we moeten halen om het experiment geslaagd te noemen) zetten we op:
  • 80% van de klanten wordt correct ingedeeld als behoud of vertrek.
  • 10% punten vermindering van klantvertrek aan eind experiment.

Ouch … STOP!

Zodra dit gebeurt is het experiment niet meer bij te sturen en stoppen we het experiment. Het heeft geen zin het experiment verder uit te voeren.

• Als de data geen voorspellende waarde heeft, dan stoppen we het experiment direct.

AI Experiment

Het wat, waar, wanneer en wie van het experiment. Alles wat relevant is voor de uitvoering van het experiment.

• Bepalen nulmeting klantvertrek.
• Marketeers betrekken.
• Data Scientist type B is nodig.
• Jan is Product Owner.
• Overleg met Harry over integratie in dashboards.
• Start experiment: 1 juni 2020.
• Ruimte reserveren voor uitvoering experiment.
• Output is een Excel sheet met klant id, klantnaam, behoud/vertrek en mogelijke acties.
• …

Timebox

Geef de duur van het ontwikkelen en laten lopen van het experiment op.

• We creëren het model in 5 werkdagen. Aan het einde van de 5 werkdagen moeten we de 80% correct indelen behoud/vertrek halen.
• Het experiment loopt 4 maanden. Aan het einde van de 4 maanden meten we het klantvertrek. Deze moet 10% punten gedaald zijn.

Data

Kunnen we aangeven welke databronnen we gebruiken en zijn er acties nodig t.a.v. wetgeving?

• Databronnen: klanten, marketingacties, customer support

Voorbeeld ingevuld canvas klantbehoud

Idealiter vul je het AI Experiment Canvas is met je teamleden. Met stickies vul je de poster en definieer je vooraf je experiment.

Voorbeeld van ingevuld AI Experiment Canvas voor klantbehoud

Wil je weten wat Data & Artificial Intelligence voor je kunnen betekenen vandaag de dag? Ben je benieuwd naar niet-technische verhalen over Machine Learning? Abonneer je dan op het Nederlandstalige eMagazine AIToday. Volledig geschreven en uitgebracht door AI-experts voor Business & IT.