Müşteri kaybını analiz etmek ve önceden görmek

Churn analizi neyi cevaplar?

Churn, müşterinin ürün ya da hizmeti kullanmayı bırakması, aboneliği iptal etmesi veya bir daha satın almaması anlamına gelir. Churn analizi ise şu soruları sistematik biçimde cevaplamaya çalışır: Kimler ayrılıyor, ne zaman ayrılıyor, neden ayrılıyor ve ayrılmadan önce hangi işaretleri veriyor?

Analiz yalnız geçmişi açıklamak için yapılmaz. Amaç, ayrılma riski yüksek müşterileri erken görmek ve doğru müdahaleyi doğru kişiye zamanında yapmaktır. Bu yüzden churn analizi hem veri analizi hem de ürün, pazarlama ve müşteri başarısı kararlarıyla birlikte yürüyen bir çalışmadır.

İlk adım: churn'ü doğru tanımlamak

Analizin en kritik ve en sık atlanan adımı tanımdır. Abonelik modelinde iptal tarihi açıktır; ancak perakende, e-ticaret ya da bir mobil uygulamada müşteri hiçbir şey söylemeden gider. Bu durumda belirli bir süre işlem yapmayan müşteri kayıp sayılır ve bu sürenin ne olacağı ürünün doğal kullanım sıklığına göre belirlenir. Haftalık kullanılan bir uygulama ile yılda birkaç kez alınan bir ürün aynı eşikle ölçülemez.

Tanım şu seçimleri içerir: • Müşteri sayısı kaybı mı, gelir kaybı mı ölçülüyor; bu ölçüler çok farklı resim verebilir • Tam ayrılma ile kullanımın düşmesi (kısmi churn) ayrı mı izleniyor • Dondurulan ya da geçici durdurulan hesaplar nasıl sayılıyor • Gönüllü ayrılma ile ödeme başarısızlığı kaynaklı ayrılma ayrı raporlanıyor mu

Tanım değişirse oran değişir; bu yüzden tanım yazıya dökülmeli ve tüm ekipler aynı tanımı kullanmalıdır.

Kohort, segment ve elde tutma eğrisi

Tek bir genel churn oranı sıklıkla yanıltır. Oran, yeni gelen müşterilerin eski müşterilere oranına göre oynar. Bu nedenle analiz kohortlarla başlar: aynı dönemde edinilen müşteriler bir grup olarak izlenir ve her dönem sonunda kaçının kaldığı elde tutma eğrisi olarak çizilir. Eğrinin ilk dönemde hızla düşüp sonra yatay seyretmesi, sorunun ilk deneyimde ve ilk kullanım alışkanlığında olduğunu gösterir.

Sonra müşteriler segmentlere ayrılır: edinim kanalı, paket ya da ürün, şirket büyüklüğü, sektör, bölge, ilk satın alınan ürün gibi. Aynı genel orana sahip farklı şirketler, içindeki segmentlerin farklı davranışı sayesinde tamamen farklı sorunlar yaşıyor olabilir. Segment analizi, kaynağın nerede yoğunlaştığını gösterir ve müdahalenin kime yöneleceğini belirler.

Örneğin bir abonelik ürününde yıl başında gelen müşteriler ilk aylarda hızla ayrılıyorsa, bu kohortun ilk kullanım deneyimine bakılır: kurulum tamamlanmış mı, temel özellik kullanılmış mı, ilk değer anına ulaşılmış mı? Ayrılanlarla kalanların ilk haftadaki davranışı kıyaslandığında, ürünün hangi adımda müşteriyi kaybettiği açıkça görülür ve hem onboarding hem ürün tasarımı bu bulguya göre değişir.

Ayrılma nedenleri nasıl bulunur?

Veri ayrılanın kim olduğunu söyler, nedenini kesin söylemez. Neden için nitel kaynaklar gerekir: iptal ekranındaki seçenekler ve serbest metin, ayrılan müşterilerle yapılan kısa görüşmeler, destek talepleri ve şikayet kayıtları, satış ve müşteri başarısı ekiplerinin notları.

Burada bilinmesi gereken tuzaklar vardır. Birincisi, müşterinin söylediği neden ile gerçek neden her zaman aynı olmaz; fiyat gerekçesi sıklıkla ürünün değer yaratmadığı hissinin kibar bir ifadesidir. İkincisi, yalnız ayrılanlarla konuşmak yanlı bir resim çıkarır; kalan müşterilerle de aynı konuşmayı yapıp farkı görmek gerekir.

Nedenler gruplanır ve ürün, fiyat, hizmet, rakip, kullanım ihtiyacının ortadan kalkması gibi başlıklar altında toplanır. Bu başlıklar segment analiziyle birleştirildiğinde hangi segmentte hangi nedenin baskın olduğu görülür.

Erken uyarı göstergeleri ve tahmin modeli

Ayrılan müşteriler genellikle önceden davranışlarını değiştirir. Giriş sıklığı azalır, temel özelliklerin kullanımı düşer, destek talepleri artar ya da çözümsüz kalır, ödeme gecikir, hesaptaki kullanıcı sayısı küçülür, yenileme görüşmesine yanıt gelmez. Bu davranışlar erken uyarı göstergelerine dönüştürülür.

Tahmin modelinde amaç, her müşteri için belirli bir sürede ayrılma olasılığı üretmektir. Basit bir başlangıç, kural tabanlı bir sağlık skorudur. Daha ileri yöntemler lojistik regresyon, karar ağaçları ve topluluk modelleri ya da ayrılma zamanını modelleyen sağkalım analizidir. Hangisi seçilirse seçilsin şu noktalara dikkat edilir: • Etiket ayrılmadan önceki bir tarihten bakılarak kurulmalı; ayrılma sonrası oluşan veriler modele sızarsa model gerçekte işe yaramaz • Ayrılanlar genellikle az olduğu için sınıf dengesizliği dikkate alınmalı • Model başarısı tek bir doğruluk sayısıyla değil, riskli listenin gerçek ayrılanları ne kadar yakaladığıyla değerlendirilmeli • Skor, müdahale kapasitesiyle birlikte düşünülmeli; ekip her gün yalnız belirli sayıda müşteriyle ilgilenebilir

Müdahale tasarımı, deney ve sık yapılan hatalar

Skor tek başına müşteriyi tutmaz. Riskli müşteriye yönelik müdahale hazırlanır: kullanım rehberliği, bir müşteri başarısı görüşmesi, özellik eğitimi, paket uyarlaması, ödeme sorununu çözme. Her müdahalenin etkisi kontrol grubuyla karşılaştırılarak ölçülür; çünkü riskli müşterilerin bir kısmı müdahale olmadan da kalırdı.

Sık yapılan hatalar: • Churn tanımını değiştirip önceki dönemlerle kıyaslamak • Korelasyonu nedensellik saymak: ürünü az kullananların ayrılması, kullanımı artırınca ayrılmayı önleyeceği anlamına gelmez • Tüm riskli müşterilere aynı indirimi sunmak • Ayrılmaya gelen müşteriyi geç yakalamak; iptal ekranı en geç noktadır • Analizi veri ekibinde bırakıp ürün ve müşteri başarısı ekibine taşımamak

Yol planı ise döngüseldir: ölç, çözümle, müdahale et, deneyle doğrula, öğrendiğini ürüne geri taşı.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Churn Analizi ve Elde Tutma Odaklı Ürün Geliştirme programı kayıp kavramı ve ölçümüyle başlar; kayıp analizi ve segmentasyon, ayrılma nedenleri araştırması, erken uyarı göstergeleri, müdahale tasarımı ile deney, ölçüm ve yol planı modüllerine ilerler. Yani bu sayfadaki akışın her halkası programın bir modülüne karşılık gelir.

Veri tarafında kullanılan temel kavramlar için sözlük sayfalarına, sektör örnekleri için telekomda iş analitiği ve yapay zeka ile churn önleme yazılarına göz atabilirsiniz.