Churn prediction

Hvad er churn prediction?

Churn prediction er brugen af data og maskinlæring til at forudsige hvilke kunder der er på vej til at forlade din virksomhed, før de faktisk gør det. “Churn” betyder kundeafgang: en kunde der opsiger sit abonnement, skifter leverandør eller simpelthen holder op med at købe.

Det er et af de mest udbredte og velafprøvede AI-use cases i erhvervslivet, fordi det løser et konkret og dyrt problem. Det koster typisk 5-7 gange mere at skaffe en ny kunde end at fastholde en eksisterende. Alligevel bruger de fleste virksomheder størstedelen af deres marketing-budget på kundeafsøgning og minimalt på fastholdelse.

Churn prediction ændrer dynamikken: i stedet for at reagere når kunden er væk, handler du proaktivt mens kunden stadig kan reddes.

Hvorfor er churn prediction vigtig?

Direkte økonomisk effekt

Selv en lille reduktion i churn har stor økonomisk betydning. Hvis en abonnementsforretning med 10.000 kunder og en gennemsnitlig årlig kundeværdi på 5.000 kr. reducerer churn fra 8% til 6%, er det:

200 ekstra fastholdte kunder × 5.000 kr. = 1.000.000 kr./år

Og det er konservativt. De fastholdte kunder genererer omsætning i mange år fremover.

Fokusering af ressourcer

Uden churn prediction behandler retentionsteamet alle kunder ens. Eller værre: de reagerer først når kunden allerede har opsagt. Med churn prediction kan ressourcerne fokuseres på de kunder der har størst risiko OG størst værdi.

Indsigt i churn-drivere

En god churn model fortæller ikke bare hvem der churner, men hvorfor. Det giver indsigt i produktproblemer, servicesvigt og uopfyldte behov som kan adresseres systematisk.

Proaktiv kundeservice

I stedet for at vente på klager og opsigelser kan virksomheden handle før problemet eskalerer. En kunde der modtager et proaktivt opkald fra sin account manager føler sig værdsat. En kunde der ringer for at opsige føler sig frustreret.

Typer af churn

Kontraktuel churn

Kunden opsiger aktivt sit abonnement eller kontrakt. Typisk for SaaS, telco, forsikring, fitness og streaming-tjenester. Det er den tydeligste form for churn fordi der er en klar handling.

Ikke-kontraktuel churn

Kunden stopper gradvist med at købe uden at opsige noget. Typisk for e-handel, retail og banking. Sværere at definere og måle fordi der ingen tydelig hændelse er. Kunden fader bare ud.

Frivillig vs. ufrivillig churn

• Frivillig: Kunden vælger aktivt at forlade (utilfreds, fundet bedre alternativ, behov ændret)
• Ufrivillig: Kunden forlader af årsager uden for sin kontrol (betalingsproblem, flytning, virksomhedslukning)

Churn prediction fokuserer primært på frivillig churn, fordi det er den der kan forebygges.

Hvordan fungerer churn prediction?

Trin 1: Definer churn

Først skal “churn” defineres præcist for din forretning:

• Abonnement: Opsigelse af abonnement (klart defineret)
• E-handel: Ingen køb i 90 dage? 180 dage? (kræver valg af tærskel)
• App: Ingen login i 30 dage? Afinstallation?
• B2B: Ingen ordrer i 2 kvartaler? Reduktion i ordreværdi med >50%?

Definitionen afgør hvad modellen trænes til at forudsige.

Trin 2: Indsaml og forbered data

Adfærdsdata:

• Loginfrekvens og -mønstre
• Feature-brug (hvilke funktioner bruges, og hvilke ignoreres?)
• Købsfrekvens og ordreværdi over tid
• Websiteadfærd (sidebesøg, tid på site)
• App-brug (sessioner, varighed)

Transaktionsdata:

• Betalingshistorik (forsinkede betalinger, fejlslagne transaktioner)
• Ordrehistorik (frekvens, størrelse, produktmix)
• Returneringer og reklamationer

Kundeservicedata:

• Antal supporthenvendelser
• Klager og deres alvor
• Ventetid og løsningstid
• Kundetilfredshedsscores (NPS, CSAT)

Kontraktdata:

• Kontraktlængde og udløbsdato
• Prisplan og prisændringer
• Rabatter og særaftaler

Demografiske data:

• Virksomhedsstørrelse (B2B)
• Branche
• Geografi
• Kundesegment

Trin 3: Feature engineering

Rå data transformeres til features der fanger relevante mønstre:

• Trendindikatorer: “Ændring i loginfrekvens over 30 dage” fanger nedadgående trends bedre end “antal logins denne uge”
• Relative mål: “Aktivitetsniveau i forhold til gennemsnittet for segmentet” er mere informativt end absolut aktivitet
• Tidsbaserede features: “Dage siden sidste køb,” “dage til kontraktudløb,” “tid siden sidste supporthenvendelse”
• Aggregeringer: “Antal klager de seneste 90 dage,” “gennemsnitlig ordreværdi de seneste 6 måneder”
• Interaktionsfeatures: “Klage inden for 7 dage efter prisændring” fanger specifikke frustrationsscenarier

Trin 4: Byg og træn modellen

Typiske algoritmer for churn prediction:

Gradient boosting (XGBoost, LightGBM). Den mest populære tilgang. Høj præcision, håndterer mixed datatyper godt, og kan forklare hvilke features der driver forudsigelsen.

Random forest. Robust, let at implementere, god til at identificere feature importance. Lidt lavere præcision end gradient boosting men mere stabil.

Logistisk regression. Simpel og let at fortolke. Godt udgangspunkt og baseline-model. Velegnet når forklarbarhed er vigtigere end marginal præcisionsforbedring.

Neurale netværk. For store datamængder med komplekse mønstre. Typisk overkill for standard churn prediction men relevant for sekvensdata (f.eks. brugerrejser).

Survival models. Forudsiger ikke bare om en kunde churner, men hvornår. Nyttigt til timing af interventioner.

Trin 5: Evaluér modellen

Nøglemetrikker:

• AUC-ROC: Modellens overordnede evne til at skelne mellem churnere og ikke-churnere. Over 0.80 er godt, over 0.85 er stærkt.
• Precision: Af dem modellen flager som risikokunder, hvor mange churner faktisk? Vigtigt når retentionsindsatser er dyre.
• Recall: Af alle der faktisk churner, hvor mange fanger modellen? Vigtigt når churn-omkostningen er høj.
• Lift: Hvor meget bedre er modellen end tilfældig selektion? “Top 10% af risikokunder indeholder 50% af alle churnere” = 5x lift.

Trin 6: Deploy og handl

Modellen er kun værdifuld hvis den fører til handling:

• Dashboard: Retentionsteam får daglig oversigt over risikokunder
• Alerts: Automatiske notifikationer når en kundes risikoscore stiger markant
• CRM-integration: Churn-score synlig direkte i kundekortet
• Automatiserede workflows: Trigger retentionskampagner baseret på risikoscore og kundeværdi

Praktiske eksempler

Eksempel 1: SaaS-virksomhed

Situation: B2B SaaS med 5.000 kunder, 4% månedlig churn, ARR på 50 mio. kr.

Data: Produktbrugsdata (logins, feature-brug, datavolumen), supporttickets, NPS-scores, kontraktdata.

Top churn-indikatorer identificeret af modellen:

1. Fald i antal aktive brugere hos kunden (stærkeste signal)
2. Fravær af brug af nøgle-features de seneste 30 dage
3. Åben supportticket ældre end 14 dage
4. NPS-score under 6 ved seneste måling
5. Kontraktudløb inden for 60 dage

Handling:

• Score > 80%: Account manager ringer inden 48 timer
• Score 60-80%: Customer Success sender personaliseret e-mail med brugstips og tilbud om onboarding-session
• Score 40-60%: Automatiseret in-app-besked med relevante features kunden ikke bruger

Resultat: Churn reduceret fra 4% til 2,8% per måned. Årlig besparelse: 3,6 mio. kr. i fastholdt omsætning. Investering: 300.000 kr. i model og integration.

Eksempel 2: Telco

Situation: Mobilselskab med 200.000 kunder, 2% månedlig churn.

Data: Opkalds- og dataforbrugsmønstre, klager, kontrakttype, prisplan, konkurrenttilbud (via markedsdata), betalingshistorik.

Top churn-indikatorer:

1. Opkald til kundeservice med klage de seneste 30 dage
2. Faldende dataforbrug (indikerer kunden bruger alternativ)
3. Kontraktbinding udløber inden for 30 dage
4. Kunden har søgt på “opsig” på hjemmesiden
5. Betalingsforsinkelse de seneste 3 måneder

Handling:

• Højværdi-kunder med høj risiko: Personligt tilbud via account manager (opgradering, rabat, ekstra data)
• Mellemværdi-kunder: SMS/e-mail med skræddersyet tilbud baseret på brugsmønster
• Lavværdi-kunder: Automatiseret loyalty-program med mindre incitamenter

Resultat: 25% reduktion i frivillig churn. ROI på 400% inden for første år.

Eksempel 3: E-handel (ikke-kontraktuel churn)

Situation: Webshop med 50.000 aktive kunder. Definition af churn: ingen køb i 120 dage.

Data: Købshistorik, browsingadfærd, e-mail-engagement (åbningsrate, klikrate), returneringer, sæsonmønstre.

Feature engineering-eksempler:

• “Dage siden sidste køb / gennemsnitligt interval mellem køb” (ratio > 2 = risiko)
• “E-mail-åbningsrate de seneste 30 dage vs. historisk gennemsnit”
• “Antal besøg uden køb de seneste 14 dage”

Handling:

• Risikokunder der stadig besøger sitet: Personaliseret on-site-tilbud
• Risikokunder der ikke besøger: Win-back e-mailkampagne med personaliseret produktudvalg og incitament
• Risikokunder med høj returneringsrate: Kundeservice-outreach for at forstå og løse produktproblemer

Resultat: 15% af identificerede risikokunder reaktiveret. Ekstra omsætning: 2 mio. kr./år.

Intervention: Hvad gør man med forudsigelsen?

Forudsigelsen er kun halvdelen. Den anden halvdel er interventionen. De mest effektive interventioner er:

Proaktiv kontakt

Ring til kunden før de ringer til dig. “Vi kan se at I ikke har brugt [feature]. Vil I have en gennemgang?” er langt mere effektivt end at vente på en opsigelse.

Personaliserede tilbud

Ikke alle kunder motiveres af det samme. Nogle vil have rabat, andre vil have bedre service, nogle vil have nye features. Match tilbuddet med kundens situation og churn-driver.

Produktforbedring

Hvis modellen viser at kunder churner fordi de ikke bruger en bestemt feature, er løsningen måske ikke bedre retention. Det er bedre onboarding eller et bedre produkt.

Segmenteret tilgang

Almindelige faldgruber

For sent i processen

Mange churn-modeller forudsiger kunder der allerede har besluttet sig for at forlade. Fokusér på tidlige indikatorer (faldende engagement) frem for sene (kundeserviceklage om opsigelse).

Ignorerer kundeværdi

At bruge lige mange ressourcer på at fastholde en kunde med 500 kr./år som en med 50.000 kr./år er dårlig forretning. Kombiner altid churn-score med kundeværdi.

Selvopfyldende profeti

Hvis modellen bruges til at kontakte kunder med aggressive retentionsindsatser, kan det i sig selv signalere at kunden er “på vej ud” og accelerere beslutningen. Tonaliteten og tilgangen er afgørende.

Model drift

Churn-mønstre ændrer sig over tid: nye konkurrenter, produktændringer, markedsforhold. Monitorér modellens performance løbende og genoptræn regelmæssigt.

Data leakage

At inkludere features der kun er tilgængelige fordi kunden allerede har churnet (f.eks. “kunde har ringet og bedt om opsigelse”) giver en kunstigt god model der er ubrugelig i praksis.

Ofte stillede spørgsmål

Hvad er churn prediction?

Churn prediction er brugen af data og maskinlæring til at forudsige hvilke kunder der har størst sandsynlighed for at forlade en virksomhed. Ved at analysere mønstre i kundeadfærd (loginfrekvens, købsmønstre, supporthenvendelser, engagement) kan modellen identificere risikokunder tidligt nok til at virksomheden kan gribe ind med målrettede fastholdelsesindsatser. Det er et af de mest udbredte og økonomisk værdifulde AI-use cases.

Hvilke data bruges til churn prediction?

De vigtigste datatyper er adfærdsdata (logins, feature-brug, køb), kundeservicedata (henvendelser, klager, tilfredshedsscores), transaktionsdata (betalingshistorik, ordreværdi), og kontraktdata (varighed, udløb, prisplan). De stærkeste signaler er typisk ændringer i adfærd over tid (f.eks. faldende loginfrekvens eller reduceret brug af kernefunktioner) snarere end statiske kundegenskaber.

Hvor præcis er churn prediction?

En god churn-model har typisk en AUC-ROC på 0.75-0.90, hvilket betyder at den er markant bedre end tilfældig gætning. I praksis oversættes det til at modellens top 10-20% risikokunder indeholder 40-60% af alle der faktisk churner. Perfekt præcision er ikke målet. Målet er at fokusere retentionsindsatsen på de rigtige kunder, og selv en moderat præcis model giver betydelig forretningsværdi.

Hvordan reducerer man churn baseret på forudsigelserne?

Kombiner churn-scoren med kundeværdi for at prioritere indsatsen. Højværdi-kunder med høj risiko bør kontaktes personligt af en account manager. Mellemværdi-kunder kan modtage målrettede tilbud via e-mail eller app. Vigtigst: Forstå hvorfor kunderne churner (modellen viser typisk de vigtigste drivere) og adressér de underliggende årsager (dårlig onboarding, manglende feature-brug, uløste supportproblemer) i stedet for blot at tilbyde rabatter.