Abonnementen · EU

Churn-voorspelling die miljoenen aan omzet redde

Een Europees abonnementsbedrijf verloor klanten zonder waarschuwing. Opdracht: voorspellen wie op het punt staat te vertrekken, uitleggen waarom, en retentiebudget richten waar het loont.

Data: 1,8 mln klanten · 24 maanden Stack: Python · XGBoost · SHAP · dbt Looptijd: 4 weken
churn_model · BI
vandaag bijgewerkt
Maandelijkse churn
−34%
na retentie-acties
Modelprestatie
0.91
AUC
Behouden omzet
€2.4M
op jaarbasis
Campagne-ROI
5.8×
op retentie-uitgaven

Churn-risico per segment

gemiddelde kans op vertrek

Klantenbestand per segment

aandeel van alle klanten

◆ Bevindingen
  • Twee segmenten — risico en slapend — droegen vrijwel alle churn.
  • Het sterkste signaal was een daling in gebruik, weken vóór de opzegging.
  • Retentiebudget werd gelijk verdeeld in plaats van waar het de uitkomst verandert.
✓ Onze oplossing
  • Elke klant wekelijks gescoord met een heldere, uitlegbare risicoreden.
  • Gerichte retentie-aanbiedingen alleen voor risicovolle, waardevolle accounts.
  • Het team een dashboard gegeven om risico te volgen en elke campagne te meten.

Heb je een vergelijkbaar project?

Vertel ons wat je bouwt. We reageren binnen één werkdag met een helder plan en een vaste prijs.

Start je project