Churn prediction: 3 signaler før kunden går

Churn prediction: 3 signaler 2-4 måneder før kunden går

Ingen kunde ringer for at sige farvel. Hun flytter først A-varerne, så falder ordrefrekvensen, og til sidst bestiller hun kun det akutte — mens omsætningen ser normal ud hele vejen. Churn prediction handler om at læse den rækkefølge i tide. Her er de tre forløbere og regnestykket på 600 kunder.

Resumé og konklusion

Ingen opsiger noget: Kunder i B2B bestiller sjældnere, mindre og på andre varer, indtil de er væk. Derfor er det virksomheden selv, der definerer, hvornår en kunde er aktiv.
Rækkefølgen betyder mest: Mixet skifter først, så falder frekvensen, til sidst ordrestørrelsen. Mixet er det tidligste signal — og det, ingen ser på.
Varslingsvinduet er 2-4 måneder: Nok til en samtale, ikke til at genopbygge en opgivet relation.
Regneeksempel: 600 kunder og 12 % churn. Reddes hver fjerde truet kunde, er det 518.400 kr. i dækningsbidrag om året — til en femtedel af prisen for at skaffe dem igen.
Faldgruben er sjældent modellen: Den er, at alle flag behandles ens, og at opkaldet kommer, efter kunden har valgt.

Kunden opsiger ikke — hun holder op med at bestille

I en abonnementsforretning er churn en dato: nogen siger op, og systemet ved det. I B2B-ordresalg findes den dato ikke. Kunden bliver ikke væk — hun bliver stille.

Derfor er det første spørgsmål i churn prediction ikke, hvordan man forudsiger frafald, men hvad en aktiv kunde er. De fleste bruger en fast grænse på 12 måneder. Den blander to vidt forskellige kunder sammen: hende, der bestiller hver tredje uge og ikke har gjort det i ti uger, og hende, der bestiller to gange om året og er helt normal i måned ni.

Den brugbare definition er relativ: en kunde er i risiko, når der er gået væsentligt længere end hendes eget normale interval mellem to ordrer. Ikke virksomhedens gennemsnit — hendes. Beregn medianintervallet pr. kunde over to år. Det er ikke en model endnu, men alene den afslører kunder, ingen havde bemærket var holdt op.

De tre forløbere i churn prediction

Rækkefølgen er vigtigere end tallene.

Produktmixet skifter først. Kunden flytter det, der betyder mest, først. A-varerne — dem med volumen, margin eller teknisk binding — går til en anden leverandør, mens de trivielle varer bliver hos jer, fordi det ikke er besværet værd at flytte. Udefra ser omsætningen næsten uændret ud et par måneder endnu. Sammensætningen gør ikke. Mixet er det tidligste og mest oversete signal, fordi ingen ser på den enkelte kundes varegruppefordeling.

Frekvensen falder dernæst. Fem ordrer i kvartalet bliver til tre, og hver enkelt ordre ser normal ud, så ingen reagerer.

Ordrestørrelsen falder sidst. Kunden bestiller kun det akutte, og da er beslutningen som regel truffet et andet sted.

Læg mærke til, at produktmixet skifter længe før omsætningen falder — det er dér, varslingsvinduet opstår.

Fire signaler der forstærker billedet

Fire signaler skærper billedet:

Flere reklamationer og kreditnotaer. Kreditnotaandel pr. kunde er et af de mest undervurderede varselstal.
Længere betalingstid. En kunde på vej ud prioriterer jeres faktura anderledes. Læs det varsomt — det kan også være likviditet.
Ophørt kontakt med sælgeren. Ingen interaktioner i et kvartal hos en kunde med normalt to om måneden.
Skiftet kontaktperson. Det farligste enkeltsignal: en ny indkøber skal vise sit værd og gennemgår leverandørlisten. Relationen er nulstillet, uanset hvor god den var.

Ingen af dem er beviser hver for sig; de ligner de tidlige advarselssignaler, der kommer før regnskabet. Værdien af churn prediction er, at modellen vægter alle otte signaler samtidig og rangordner kunderne efter, hvor stærkt kombinationen historisk er gået forud for et frafald. Vinduet er typisk 2-4 måneder.

Regneeksempel: hvad en fastholdt kunde er værd

En handelsvirksomhed omsætter for 54 mio. kr. på 600 aktive kunder. Årsomsætningen pr. kunde er 90.000 kr., dækningsgraden 32 %. Det giver 28.800 kr. i dækningsbidrag pr. kunde om året.

Churn ligger på 12 %, altså 72 kunder: 6,5 mio. kr. i omsætning og 2,07 mio. kr. i dækningsbidrag, der forsvinder hvert år, uden at nogen har besluttet det.

Antag, at modellen flager 100 kunder om året, at cirka 50 af de 72 fanges i tide, og at hver fjerde truet kunde reddes: 18 kunder.

Gevinst. 18 gange 28.800 kr. giver 518.400 kr. i dækningsbidrag første år. Reddede kunder er stadig skrøbelige, men er 70 % der i år to og 50 % i år tre, er treårsværdien 1,14 mio. kr.

Omkostning. 100 kundedialoger à 3,5 timer til 450 kr. i timen koster 157.500 kr., plus 4.000 kr. i indrømmelse pr. reddet kunde, altså 72.000 kr. I alt 230.000 kr., eller 12.800 kr. pr. reddet kunde. Netto første år: knap 290.000 kr.

At vinde en ny kunde af den størrelse koster til sammenligning 60.000-80.000 kr. i markedsføring, sælgertid og opstart — sæt det til 70.000 kr. Det er 5,5 gange prisen på at fastholde, og den nye kunde køber kun 50-60 % af et normalt år det første år.

Regn den anden vej: ved 12 % churn skal der vindes 72 nye kunder om året bare for at stå stille, cirka 5,0 mio. kr. Ved 9 % er det 3,8 mio. kr. Forskellen er salgskapacitet til vækst frem for genopfyldning. De cirka 50 falske flag er ikke spildte: et opkald til en kunde, der ikke var på vej væk, hedder et salgsbesøg.

Fire faldgruber i churn prediction

Alle flag behandles ens. I de fleste SMV’er står 20 % af kunderne for 70 % af dækningsbidraget. En flaget A-kunde skal have besøg af ejeren inden for en uge. En C-kunde en mail.

Opkaldet kommer for sent. Flaget lander i en liste, der gennemgås på salgsmødet om tre uger. Så er en fjerdedel af vinduet brugt på kalenderen.

Modellen finder kunder, der allerede er tabt. Trænes den på al data frem til sidste ordre, lærer den kun de åbenlyse signaler. Testen: hvor længe før sidste ordre flager den i gennemsnit? Under seks uger er det et bakspejl. Træn på data, der er mindst 60 dage ældre end frafaldet.

Sæsonkunder flages forkert. Entreprenørkunden, der ikke køber i januar, er ikke i risiko. Uden sæsonkorrektion pr. branche fylder de listen og ødelægger troværdigheden på et kvartal. Modellen siger aldrig hvorfor — det gør kun samtalen.

Playbook: sådan handler du, når alerten kommer

Verificér flaget på fem minutter: er der en anden forklaring — sæson, projektafslutning, fusion eller et leveringssvigt fra jer? Prioritér derefter på værdi gange sandsynlighed i tre spor: ejer, ekstern sælger, internt salg.

Ring inden for fem hverdage med et konkret ærinde, og spørg til det, data viser: den her varegruppe kom hver måned i to år og stoppede i marts — hvad skete der? Registrér udfald og årsag; uden registrering lærer modellen intet.

Sådan sætter du det op i Business Central

Grunddata findes allerede. Ordrefrekvens og ordrestørrelse beregnes på bogførte salgsfakturaer og deres linjer, dækningsbidraget på værdiposterne. Produktmixet kræver, at varekategorierne er konsekvent udfyldt. Det er dér, de fleste projekter falder — ikke i modellen.

Segmentering hentes fra debitorkategori og dimensioner som branche, område og kanal; de skal være obligatoriske, ellers kan risiko ikke vægtes mod værdi. Betalingsadfærd beregnes på debitorposterne som faktisk betalingsdato mod forfaldsdato — ikke gennemsnitlig kredittid. Reklamationer læses på kreditnotaer og returvareordrer, og kontaktsignalerne ligger i Relationsstyring.

Historikken skal dække mindst to år på varelinjeniveau — det samme datafundament for AI, enhver model hviler på. Beregningen hører hjemme i en semantisk Power BI-model oven på BC-data, hvor interval, mix og risikoscore opdateres dagligt.

Sådan understøtter oneBC365 det

Signalerne findes i Business Central, men fordelt på debitorposter, værdiposter, fakturalinjer, kreditnotaer og interaktionsposter, som sjældent læses sammen. oneBC365 samler dem i én færdigbygget semantisk model med ordreinterval, mixforskydning og dækningsbidrag pr. kunde over tid.

Det er fundamentet, en risikoscore kan stå på — og den del, der tager længst tid at bygge selv. Kunden ejer koden.

Sådan kommer du i gang med churn prediction i 4 trin

Definér aktiv kunde relativt pr. kunde, og kør definitionen to år bagud. Se, hvor mange I mistede uden at registrere det.
Lav mixanalysen manuelt på jeres 50 største kunder: omsætningsandel pr. varegruppe i år mod sidste år. Kig efter flad omsætning med skiftet mix.
Ryd op i varekategorier og dimensioner på debitorerne. Uden dem kan intet af det automatiseres.
Vælg 20 kunder, ring til dem, og registrér udfaldet. Det er både den første gevinst og de første træningsdata.

Relaterede artikler

Vil du se ordreinterval, produktmix og dækningsbidrag pr. kunde på jeres egne tal? Book en demo, så kigger vi på de kunder, der er ved at glide væk.