Jak v retailu poznat zákazníky, kteří se chystají odejít ke konkurenci?

Jak jsme již uvedli v předchozích článcích, udržení zákazníků je méně nákladné než přilákání nových. Proto by maloobchodní firmy měly přistupovat ke své klientele proaktivně a hlídat rizika potenciálního churnu. Při tom je potřeba si položit klíčovou otázku: „Kteří z aktivních zákazníků v budoucnu s největší pravděpodobností přestanou nakupovat nebo zmenšovat objem svých nákupů?“

Jednou z odpovědí je použití pokročilé analytiky k předpovídání zákaznického chování. Pokud firma dokáže přesně identifikovat zákazníky, u kterých je vysoké riziko churningu, může následně určit, kteří z nich patří mezi klienty s vysokou hodnotou. Po zhodnocení rizika odchodu a hodnoty zákazníků může maloobchodník navrhnout a implementovat efektivní marketingové kampaně, aby tyto zákazníky znovu získal.

Najít budoucí churnery je v retailu obtížnější než v jiných odvětvích, jako jsou telekomunikace, pojišťovnictví atd., protože se jedná o nesmluvní podnikání. Vzhledem k tomu, že zákazníci v maloobchodě mají různé spotřebitelské vzorce, definice churnu by se pro každého z nich lišila.

Dalším specifikem retailu je, že může nastat scénář částečného odchodu, kdy zákazníci nepřestanou nakupovat zcela, ale sníží své výdaje. Příkladem může být zákazník supermarketu, který v něm nadále nakupuje oblečení, ale pro čerstvé potraviny začal chodit ke konkurenci.

6 kroků k definování odchodu zákazníků v maloobchodním sektoru

V tomto článku vysvětlíme proces definování cílové proměnné (odliv zákazníků) před vytvořením prediktivního modelu. Jedním z důležitých kroků v prediktivním modelování, ať už jde o klasifikaci nebo regresní přístup, je definice cíle.

S ohledem na to bychom mohli definovat odchod zákazníků v šesti krocích. Existují dva typy modelů pro řešení problému odchodu zákazníků – jeden pro měkký churn a jeden pro tvrdý churn.

Krok 1: Útrata zákazníků se agreguje na týdenní úrovni.



Krok 2: Vypočítejte klouzavý průměr týdenních výdajů zákazníka za posledních 12 týdnů, abyste vyrovnali výkyvy. K vyrovnání výkyvů můžete použít jinou dobu měření, ale v našem scénáři je ideální období 12 týdnů



Krok 3: Vypočítejte odchylku klouzavého průměru za posledních 24 týdnů. Vzhledem k tomu, že 24 týdnů je přibližně 6 měsíců nákupního cyklu zákazníka, bylo by to adekvátní období k identifikaci jakýchkoliv výkyvů od běžného vzorce. Delší období by znamenalo nebrat v úvahu přirozené změny ve výdajích zákazníka.



Krok 4: Definujte minimální práh. Toho dosáhnete odečtením standardní odchylky od klouzavého průměru podle následujícího vzorce: 12 týdenní klouzavý průměr – (24 týdenní standardní odchylka.



Krok 5: Posuňte minimální práh o 6 týdnů, abyste podnikli proaktivní opatření ještě předtím, než zákazník odejde. Jednalo by se o částečné snížení útraty před konečným přesunem celého „nákupního koše” do konkurenčního obchodu. Pokud předem určíte bod, kdy zákazník začne být nespokojený, ponecháváte marketingovému týmu dostatek času na realizaci intervencí.



Krok 6: Když klouzavý průměr klesne pod opožděný minimální práh, je zákazník identifikován jako odcházející.

Podařilo se definovat churn pro každého zákazníka. Jak jsme uvedli výše, existují dva typy churnerů – měkký a tvrdý. Jak se tyto dva typy odlišují?

• měkký churn – klouzavý průměr klesne pod námi definovanou minimální hranici
• tvrdý churn – 12týdenní klouzavý průměr dosáhne nuly. To znamená, že zákazník obchod vůbec nenavštívil. (Je potřeba si dávat pozor na zákazníky, kteří vykazují přirozené změny ve svých výdajích.)

Jak to můžeme vzít v úvahu?

Pokud je zákazník po dobu přibližně tří měsíců „soft churner“, předpokládáme, že možná změnil své chování a nemusí tak být churnerem. V těchto případech bychom mohli stanovit pravidlo, že pokud je považován za měkkého churnera tři po sobě jdoucí měsíce, není nadále třeba považovat jej za churnera.

Věříme, že vám tento článek poskytne vhled do identifikace odchodu zákazníků v retailu, což vám pomůže navrhnout správný typ marketingové strategie. Nebo se můžete obrátit na nás a využít náš prediktivní a retenční model.

Vladimír Ira