Een procent minder klantverlies is in het algemeen al uiterst rendabel. Tekstmining kan helpen om klantdefectie te verminderen. Tekstmining van e-mails van klanten bijvoorbeeld leidt tot identificatie van hen die overwegen om naar de concurrent te gaan. Ook tekstmining van e-mails op de aanwezigheid van klachten biedt perspectieven.
Recency, Frequency en Monetary Value als indicatoren voor churn
Een segmentatie model dat enigszins indicaties kan geven over mogelijke defecties van klanten, is het zogenaamde ‘Recency Frequency and Monetary value’ (RFM) model. In dit model worden klanten ingedeeld in een groot aantal clusters op basis van de datum waarop de laatste aankoop heeft plaatsgevonden, de aankoopfrequentie en de waarde van de aankopen. Naarmate de frequentie lager is, de laatste aankoop langer geleden is en de waarde van de aankopen lager is, zal een volgende aankoop langer op zich laten wachten. Klanten die aan deze beschrijving voldoen, zullen voor een deel de klantrelatie waarschijnlijk gaan beëindigen.
Klantinteracties als indicaties voor churn
De beste indicaties voor eventueel klantverlies kunnen worden ontleend aan de interacties tussen klanten en de organisatie. E-mail is voor veel klanten inmiddels een belangrijk communicatiekanaal geworden. Dagelijks komen grote hoeveelheden e-mails van klanten binnen.
In een wetenschappelijk onderzoek is tekstmining toegepast op e-mails van klanten. Tekstmining is het analyseren van ongestructureerde informatie, teksten, met het doel de relevante begrippen en de belangrijkheid van deze begrippen in de teksten te bepalen. De teksten worden op deze manier omgezet in ‘gestructureerde informatie’, in codes die aangeven hoe belangrijk bepaalde termen in een tekst document zijn.
De resultaten van de tekstmining, de codes, zijn in het onderzoek gebruikt om het al dan niet beëindigen van klantrelaties te voorspellen. Het onderzoek laat zien dat met het gebruik van tekstmining de identificatie van klanten die op het punt staan om te vertrekken significant verbeterd wordt.
Klachtenmanagement
In een experiment is tevens onderzocht in hoeverre tekstmining kan worden ingezet om e-mails van ontevreden klanten, of klachten, van overige e-mails te onderscheiden. De resultaten laten zien dat het heel goed mogelijk is om automatisch klachten uit de binnenkomende e-mails te selecteren en deze vervolgens te routeren naar een speciaal klachten management team.
Tekstmining en spraakanalyse lijken op elkaar
Tekstmining van e-mails is te vergelijken met spraakanalyse van telefoongesprekken. Beide analyses bieden op verschillende manieren mogelijkheden voor het verbeteren van klantbehoud. Klanten die op het punt staan om naar de concurrent te gaan, kunnen beter worden geïdentificeerd, waardoor klantverlies kan worden voorkomen. De tekstmining van e-mails biedt daarnaast mogelijkheden om signalen van ontevredenheid en klachten te identificeren. Deze identificatie vindt automatisch plaats. Door deze berichten naar een speciaal klachtenmanagement team te routeren kan effectief ingespeeld worden op de gesignaleerde ontevredenheid, en toekomstig klantverlies worden voorkomen.
Bron: Artikel op Vereniging Contactcenters Nederland (VCN), gebaseerd op:
Coussement, K. (2008), ’Employing SAS Text Miner Methodology to Become a Customer Genius in Customer Churn Prediction and Complaint E-mail Management’,
Paper 123-2008, SAS Global Forum 2008, Ghent University, Belgium
Tweet
Recency, Frequency en Monetary Value als indicatoren voor churn
Een segmentatie model dat enigszins indicaties kan geven over mogelijke defecties van klanten, is het zogenaamde ‘Recency Frequency and Monetary value’ (RFM) model. In dit model worden klanten ingedeeld in een groot aantal clusters op basis van de datum waarop de laatste aankoop heeft plaatsgevonden, de aankoopfrequentie en de waarde van de aankopen. Naarmate de frequentie lager is, de laatste aankoop langer geleden is en de waarde van de aankopen lager is, zal een volgende aankoop langer op zich laten wachten. Klanten die aan deze beschrijving voldoen, zullen voor een deel de klantrelatie waarschijnlijk gaan beëindigen.
Klantinteracties als indicaties voor churn
De beste indicaties voor eventueel klantverlies kunnen worden ontleend aan de interacties tussen klanten en de organisatie. E-mail is voor veel klanten inmiddels een belangrijk communicatiekanaal geworden. Dagelijks komen grote hoeveelheden e-mails van klanten binnen.
In een wetenschappelijk onderzoek is tekstmining toegepast op e-mails van klanten. Tekstmining is het analyseren van ongestructureerde informatie, teksten, met het doel de relevante begrippen en de belangrijkheid van deze begrippen in de teksten te bepalen. De teksten worden op deze manier omgezet in ‘gestructureerde informatie’, in codes die aangeven hoe belangrijk bepaalde termen in een tekst document zijn.
De resultaten van de tekstmining, de codes, zijn in het onderzoek gebruikt om het al dan niet beëindigen van klantrelaties te voorspellen. Het onderzoek laat zien dat met het gebruik van tekstmining de identificatie van klanten die op het punt staan om te vertrekken significant verbeterd wordt.
Klachtenmanagement
In een experiment is tevens onderzocht in hoeverre tekstmining kan worden ingezet om e-mails van ontevreden klanten, of klachten, van overige e-mails te onderscheiden. De resultaten laten zien dat het heel goed mogelijk is om automatisch klachten uit de binnenkomende e-mails te selecteren en deze vervolgens te routeren naar een speciaal klachten management team.
Tekstmining en spraakanalyse lijken op elkaar
Tekstmining van e-mails is te vergelijken met spraakanalyse van telefoongesprekken. Beide analyses bieden op verschillende manieren mogelijkheden voor het verbeteren van klantbehoud. Klanten die op het punt staan om naar de concurrent te gaan, kunnen beter worden geïdentificeerd, waardoor klantverlies kan worden voorkomen. De tekstmining van e-mails biedt daarnaast mogelijkheden om signalen van ontevredenheid en klachten te identificeren. Deze identificatie vindt automatisch plaats. Door deze berichten naar een speciaal klachtenmanagement team te routeren kan effectief ingespeeld worden op de gesignaleerde ontevredenheid, en toekomstig klantverlies worden voorkomen.
Bron: Artikel op Vereniging Contactcenters Nederland (VCN), gebaseerd op:
Coussement, K. (2008), ’Employing SAS Text Miner Methodology to Become a Customer Genius in Customer Churn Prediction and Complaint E-mail Management’,
Paper 123-2008, SAS Global Forum 2008, Ghent University, Belgium
Tweet