Predicting Customer Churn with Data Analytics

Flere og flere bedrifter oppnår konkurransefortrinn ved å ta i bruk data på en effektiv måte. Til tross for at det er gjennomført mange studier for å forstå fordelene ved å ta i bruk datadrevet kunnskap, er det få av disse som beskriver praktiske fremgangsmåter for å gjøre dette. Store selskaper har ofte nok ressurser til å utvikle slike praktiske fremgangsmåter på egenhånd, men mange små bedrifter sliter med å sette av nok tid og ressurser til å legge til rette for problemløsing ved hjelp av dataanalyse. Denne oppgaven presenter en konkret fremgangsmåte som kan benyttes av små bedrifter som leverer nettbaserte tjenester til å løse problemer ved hjelp av dataanalyse. Det nettbaserte leksehjelpsselskapet Learnlink ble valgt som utgangspunkt for oppgaven. Data fra kundeforhold, elever og lærere ble analysert for å løse en av de aller vanskeligste utfordringene Learnlink står ovenfor: hvordan de kan få indikasjoner på hvilke kunder som kommer til å avslutte kundeforholdet for tidlig, vanligvis kalt churn. Metodene som ble brukt i denne oppgaven, kan oppsummeres som samle, analysere og evaluere. Relevant data ble samlet fra selskapets database, betalingsløsning og kundeoppfølgingssystem, slått sammen og renset, og gjort tilgjengelig for analyse gjennom visualiseringer i Google Data Studio. Med et analyseverktøy som viste data nærmest i sanntid, kunne en utforskende analyse gjennomføres for å finne mønstre og korrelasjoner i dataen. Tilsynelatende relasjoner ble testet for signifikans, før de ble integrert i fire ulike prediksjonsmodeller. Ved å klassifisere kundene basert på indikasjonene for tidlig avslutning og sammenligne disse klassene med faktisk churn, kunne resultatene fra den utforskende analysen evalueres. Analysen viste at både demografisk data, oppførsel og data knyttet til læreren kunne indikere om en kunde hadde høy sannsynlighet for å avslutte kundeforholdet for tidlig. Analyseverktøyet som ble utviklet gjennom arbeidet med oppgaven bør være godt nok til å fungere som et grunnlag for datadrevet problemløsing for Learnlink, samt bidra til arbeidet med å redusere churn. Andre små selskaper vil også kunne bygge det samme systemet for å løse problemer ved hjelp av data. For videre arbeid kan resultatene forbedres ved å legge til flere datakilder og eksperimentere med et bredere spekter av prediksjonsmodeller