Kunder säger inte till när de tänker lämna. De säger inte upp något, klagar inte och avregistrerar sig inte: en månad handlar de lite mindre, nästa låter de några veckor gå, och när du märker det har de inte satt sin fot i butiken på ett halvår. Därför är det mycket mer användbart att veta hur du hittar kunder som riskerar att lämna än att räkna hur många som redan har gått.

Den goda nyheten är att den här tysta förlusten lämnar spår i dina egna köpdata. Den dåliga är att nästan ingen tittar på dem i tid: man tittar först när återaktiveringskampanjen redan kommer för sent eller, ännu värre, när man ger rabatt till någon som aldrig skulle ha gjort rabatten lönsam. Här är ett annat sätt att arbeta, utan listor som blir inaktuella och med tydliga regler baserade på verkligt beteende.

Det fungerar för en butikskedja, för restaurangverksamhet eller för vilken verksamhet som helst med återkommande kunder som du kan identifiera.

1. Tyst kundbortfall: därför finns det nästan aldrig någon uttalad churn

I en prenumerationsverksamhet har churn ett datum: någon säger upp sig. I detaljhandeln är det inte så. Kunden som glider bort ger ingen signal ifrån sig, köpmönstret svalnar helt enkelt. Den skillnaden ändrar allt: om du väntar tills bortfallet är uppenbart har du redan förlorat kunden. Därför kommer churn rate i detaljhandeln, beräknad som om det vore en prenumeration, alltid för sent: när bortfallet syns i siffran har det redan hänt.

Det finns ett andra problem. Kunden som handlade var tredje vecka och nu dyker upp varannan månad sticker inte ut i någon försäljningsrapport: köpen fortsätter att räknas, bara med längre mellanrum. För att se det måste du titta på kunden, inte på butiken.

Orsakerna varierar. Vissa lämnar efter en dålig upplevelse utan att säga något, andra går över till konkurrenten utan förvarning och ytterligare andra ändrar helt enkelt sina vanor. I dina data slutar alla tre på samma sätt: färre köp, med längre mellanrum, och en köphistorik som klingar av.

Klädbutik utan kunder, en bild av tyst kundbortfall bland kunder som riskerar att lämna

Om du undrar hur du hittar kunder som riskerar att lämna, börja här: kunden måste vara identifierad. Utan varje persons köphistorik finns det inget att jämföra, och utan jämförelse finns det ingen signal.

2. Så hittar du kunder som riskerar att lämna med RFM: signalerna du kan mäta redan i dag

Du behöver ingen kristallkula. Du behöver bestämma vilket beteende du räknar som att ”svalna” och mäta det automatiskt. Det här är signalerna du kan följa med de köpdata du redan har.

De fyra RFM-statusarna, från ”i riskzonen” till ”förlorad”

RFM-modellen rangordnar varje kund utifrån tre variabler: när kunden senast handlade (recency), hur ofta kunden handlar (frequency) och hur mycket kunden spenderar (monetary). I Wapping beräknas RFM hela tiden, och utifrån den tas fyra statusar fram som markerar vägen mot bortfall.

De fyra RFM-statusarna för en kund som riskerar att lämna: At Risk, About to churn, Hibernating och Lost

I Wappings RFM för detaljhandeln beräknas statusarna inte bara utifrån kvintiler: systemet arbetar också med absoluta värden och med nettovärdet, det vill säga försäljningen minus returerna. En kund som köper mycket men returnerar nästan allt är inte den bra kund den ser ut att vara.

Så hittar du kunder som riskerar att lämna när deras vanliga köpmönster ändras

Det finns en typ av bortfall som ren RFM upptäcker sent: kunden med en egen rytm. Den som handlar varje år till jul, eller den som fyller på i september inför skolstarten.

Med Wapping kan du bygga ett segment med kunder som handlade till jul förra året och ännu inte har gjort det i år, och hitta kunder vars säsongsmönster har förändrats.

Samma sak gäller nivåerna i ett lojalitetsprogram: du kan hitta de kunder som riskerar att sjunka en nivå och agera innan det händer.

3. RFM-segmentering i detaljhandeln: hitta kunder som riskerar att lämna utan listor som blir inaktuella

En lista över riskkunder som exporteras en måndag är en ögonblicksbild, och på tisdagen stämmer den inte längre. Dynamisk segmentering gör tvärtom: kunden går in i och ut ur segmentet automatiskt, utifrån sitt beteende. I vissa segment sker förändringen i realtid, i andra uppdateras de varannan timme.

Du har två utgångspunkter: de fördefinierade RFM-segmenten och de segment du själv bygger med de kriterier som din verksamhet ser som en signal om bortfall. Det andra alternativet är det som gör skillnad, eftersom vad det innebär att ”svalna” beror på verksamheten: den normala köpfrekvensen i ett kafé liknar inte den i en modebutik.

När segmentet är definierat riktas kampanjen och kommunikationen till det, och när kunden handlar igen lämnar hen segmentet automatiskt, utan att någon behöver rensa listor. Allt detta utan att öppna ett ärende hos IT: marknadsavdelningen bestämmer kriteriet och segmentet håller sig självt uppdaterat.

Om du vill se hur de byggs steg för steg förklarar vi det i vår artikel om dynamisk segmentering i detaljhandeln.

4. Gränser för vilande kunder: 60, 90 eller 120 dagar, men aldrig ensamma

Det vanligaste kriteriet för att räkna någon som vilande kund är tiden sedan senaste köp. I Wapping är gränsen konfigurerbar, och de vanliga tidsfönstren är 60, 90 och 120 dagar. Misstaget är att använda den ensam: tiden utan köp är bara halva svaret.

En kund som inte har handlat på 90 dagar kan vara någon som spenderade 800 euro om året eller någon som kom in en gång för en kampanj och spenderade 40 euro. Det är ett illustrativt exempel, men tanken är verklig: samma gräns, väldigt olika värde. Därför kombineras reglerna: dagar utan köp plus beloppet som spenderats under en annan period.

Vad som räknas som historiskt värde bestämmer du: det som spenderats under det senaste året, till exempel, eller nettovärdet efter avdrag för returer. Det viktiga är att kriteriet är detsamma för hela teamet och alltid tillämpas på samma sätt.

Matris med inaktivitetsgränser på 60, 90 och 120 dagar kombinerade med kundens historiska värde för att avgöra vem som ska återaktiveras

Ett praktiskt sätt att läsa matrisen, som riktlinje:

Och en nyans som slår hål på en utbredd föreställning: det finns ingen generell punkt där det är för sent. Vissa kunder som räknats som förlorade går utmärkt att återaktivera, skillnaden ligger i hur mycket du är beredd att investera i var och en.

5. Återaktiveringskampanjer för vilande kunder: vinn tillbaka utan att ge bort marginal

Det är här många kampanjer förlorar pengar: rabatt till alla vilande kunder, utan att kontrollera om försäljningen de ger lämnar någon marginal. Det som fungerar är det motsatta: att villkora incitamentet. Koppla det till ett minsta köpbelopp, så att köpet lönar sig, eller till vissa kategorier eller produkter där marginalen bär kampanjinvesteringen.

Tre misstag som kostar marginal:

När det gäller kanal fungerar en specifik kampanj oftast bäst, kommunicerad via en eller flera kanaler beroende på hur många du vill nå. För ett snabbt resultat ger push eller sms oftast bättre effekt än e-post, och ofta är det bäst att kombinera flera. WhatsApp passar för mycket specifika segment där kanalen redan är aktiv, inte som massutskick till hela den vilande kundbasen.

När incitamentet tillämpas och löses in i kassan via den headless lojalitets- och kampanjmotorn mäts resultatet direkt på försäljningen: du vet utan uppskattningar hur många av de återaktiverade kunderna som handlade och med vilket köpbelopp.

6. Var du börjar den här veckan

Att veta hur du hittar kunder som riskerar att lämna är inte värt mycket om återaktiveringen sedan ger bort marginal. Om du undrar hur du minskar churn i detaljhandeln med data, börja med tre steg som inte kräver något projekt:

  1. Bestäm din gräns. Välj det fönster på 60, 90 eller 120 dagar som passar dina kunders normala köpfrekvens.
  2. Kombinera den med det historiska värdet. Skilj den vilande kunden som är värd sin vikt i guld från den som inte motiverar insatsen.
  3. Villkora incitamentet. Koppla det till ett minsta köpbelopp eller till kategorier med marginal, aldrig lika för hela kundbasen.

När du har lanserat din första kampanj, titta på vilka segment som svarade och justera gränsen. Den första versionen är sällan den slutgiltiga.

Att hitta kunder som riskerar att lämna handlar inte om att gissa: det är regler baserade på verkligt beteende, bestämda av din verksamhet och tillämpade automatiskt. Om du vill se hur det ställs in på en riktig plattform kan du upptäcka hur Wapping fungerar.