De Uitdaging
Onze klant, een telecombedrijf, kampte met een toenemend klantverloop (churn). Het was kostbaar om nieuwe klanten te werven en reactief reageren op opzeggingen was ineffectief. De opdracht was om een datagedreven oplossing te ontwikkelen die proactief klanten identificeert met een hoog risico om op te zeggen, zodat het retentieteam gerichte acties kon ondernemen.
Mijn Aanpak
Ik heb dit project end-to-end geleid, van data-exploratie tot de uiteindelijke implementatie van het voorspelmodel. Het proces bestond uit de volgende stappen:
- Dataverzameling & -analyse: Integratie van data uit diverse bronnen (CRM, gebruiksdata, klantenservice logs) via SQL-queries in Azure. Uitgebreide exploratieve data-analyse (EDA) om patronen en potentiële voorspellers van churn te identificeren.
- Feature Engineering: Creëren van betekenisvolle variabelen (features) zoals contractduur, gemiddeld dataverbruik, aantal klantenservice-contacten en veranderingen in abonnementsvorm.
- Modelontwikkeling: Trainen en valideren van verschillende machine learning modellen (o.a. Logistic Regression, Random Forest en Gradient Boosting). Uiteindelijk is gekozen voor een XGBoost-model vanwege de hoge voorspellende kracht en interpreteerbaarheid.
- Validatie & Impactanalyse: Het model werd gevalideerd op een testset, waarbij het een hoge precisie en recall behaalde. We voerden een business case analyse uit die aantoonde dat gerichte retentie-acties op de top 10% 'high-risk' klanten de churn met 15% kon verlagen.
Het Resultaat
Het opgeleverde churnmodel biedt een wekelijkse lijst van klanten met een verhoogd risico om op te zeggen. Dit stelt het marketing- en retentieteam in staat om proactief en gepersonaliseerd contact op te nemen met deze klanten. De implementatie heeft direct geleid tot een meetbare daling in het klantverloop en een hogere klanttevredenheid. Het project toont de kracht van machine learning om van data naar concrete, winstgevende bedrijfsacties te komen.