Inom detaljhandeln och restaurangbranschen säger ingen upp sig. Kunderna kommer helt enkelt mindre ofta. Det är först flera månader senare som man märker att omsättningen har gått ner. Det är precis här som prediktiv analys kommer in: istället för att titta bakåt, beräknar den framåt. Den uppskattar hur sannolikt det är att någon kommer att utebli under de kommande veckorna. Och ditt lojalitetsprogram levererar de bästa uppgifterna du överhuvudtaget kan få för detta.
Den här guiden visar hur det fungerar i praktiken. Du får lära dig hur man överhuvudtaget definierar personalomsättning utan anställningsavtal, vilka tecken du redan kan se idag och vilken utvecklingsnivå som passar just ditt företag. Dessutom får du lättförståeliga nyckeltal, en femstegsplan och de viktigaste riktlinjerna för GDPR.
Vad som skiljer prediktiv analys från traditionella analyser
De flesta företag mäter redan sina resultat noggrant. De känner till sin omsättning, sina kvittosummor och ofta även sin churn rate, det vill säga andelen kunder som man har förlorat under en viss period. Dessa siffror beskriver vad som har hänt. De fungerar som en backspegel. Prediktiv analys handlar om att förutse: den visar vem som troligtvis kommer att lämna företaget härnäst. De båda hör ihop, för utan en tydlig tillbakablick finns det ingen tillförlitlig prognos.
| Fråga | Klassisk utvärdering | Prediktiv analys |
|---|---|---|
| Tidsriktning | Översikt över avslutade perioder | En förhandsblick på de kommande veckorna |
| Typiskt nyckeltal | Avgångsfrekvens, återköpsfrekvens, kvittobelopp | Sannolikhet för utflyttning per person |
| Resultat | Ett procenttal för den totala beståndet | En ranglista över enskilda personer |
| Fördelar | Du inser att det finns ett problem | Du kan ingripa innan det uppstår |
| Förutsättning | En ren databas | En ren databas plus beteendehistorik |
Skillnaden låter teknisk, men har mycket praktiska konsekvenser. En avgångsfrekvens på 20 procent säger inte vem du ska ringa. En lista över de 300 medlemmarna som löper störst risk säger det mycket tydligt.
När anses kunder utan avtal ha lämnat företaget?
Det är den frågan som de flesta projekt fastnar på. Ett gym märker att kunder lämnar när de säger upp sitt medlemskap. Ett bageri får aldrig någon signal. Därför behöver du en egen definition, och den härleds bäst utifrån den individuella rytmen.
Det är viktigt att se till varje enskilt fall. Ett fast värde som gäller för alla straffar de som handlar mer sällan och bortser från de dagliga gästerna. Som utgångspunkt kan du göra en grov indelning efter bransch. Följande värden är tumregler från praktiken, inte resultat från studier. Se till att jämföra dem med dina egna data.
| Bransch | Typiskt köpavstånd | Ett lämpligt tidsfönster för utflyttning | Vad som dessutom spelar roll |
|---|---|---|---|
| Bageri, kafé, snabbmat | 1 till 3 dagar | från och med 14 dagar utan köp | Semestertider, ledighet, distansarbete |
| Restaurangbranschen | 2 till 6 veckor | från 10 till 12 veckor | Säsong, väder, evenemang |
| Modebranschen | 6 till 12 veckor | från 6 månader | Byte av kollektion, byte av storlek |
| Skönhet och frisör | 4 till 8 veckor | från 14 veckor | Punktlighet, uteblivna besök |
| Apotek | 4 till 8 veckor | från 4 månader | Långtidsmedicinering, årstid |
| Dryckes- och specialbutiker | 3 till 8 veckor | från 4 månader | Lageruppköp, kampanjer |
Vilka signaler ger ditt lojalitetsprogram redan idag?
Den stora fördelen med ett digitalt lojalitetsprogram: Det samlar in precis de data som behövs för en prognos. Inte mer, utan just de rätta. Ett papperskort vet ingenting om dig. En app vet när någon var där senast, vad hen har samlat in och om hen reagerar på meddelanden. Ur dessa spår uppstår de så kallade egenskaperna, eller ”features” i fackjargongen. Varje egenskap är en kolumn i din datatabell.
| Signalgrupp | Konkreta kännetecken | Vad de avslöjar |
|---|---|---|
| Köpbeteende | Senaste köp, köpintervall, kvittobelopp, varukorg | Det viktigaste avsnittet. En sjunkande frekvens är det tidigaste tecknet. |
| En trend som går emot sig själv | Inköp under de senaste 30 dagarna jämfört med motsvarande period föregående år | Konstaterar en nedgång även bland kunder som redan är få. |
| Programanvändning | Poängställning, tid sedan senaste inlösen, utestående bonusar | Den som samlar men aldrig löser in förlorar intresset för programmet. |
| Kommunikation | Öppningar, klick, inlösen av kuponger, samtycke till push-meddelanden | Bristande respons under flera kampanjer är ett tydligt varningssignal. |
| Appanvändning | Senaste inloggning, möten per månad, avinstallerad eller aktiv | Visar ofta en avflyttning tidigare än köpbeteendet. |
| Service | Klagomål, returer, uteblivna besök vid bokade tider | Få fall, men mycket talande. |
| Stamdata | Filial, region, anställningsdatum, statusnivå | Förklarar skillnaderna mellan platser och kohorter. |
Du behöver inte alla grupper redan från början. Erfarenheten visar att köpbeteende och programanvändning står för den största delen av den statistiska signifikansen. Allt annat är finjustering.
Tre utvecklingssteg: Från regel till modell
Prediktiv analys låter som ett datateam och ett stort projekt. Men så behöver det inte vara. I praktiken finns det tre steg, och det första kan du genomföra på bara några timmar. Det viktiga är att du börjar på den nivå som passar din datamängd och ditt team.
| Nivå | Hur den fungerar | Passar om | Arbetsinsats | Gräns |
|---|---|---|---|---|
| 1. RFM-regler | Du betygsätter senaste köp (Recency), köpfrekvens (Frequency) och omsättning (Monetary) med poäng och bildar grupper. | Du har färre än 5 000 aktiva medlemmar eller vill komma igång snabbt. | Från timmar till dagar, direkt i instrumentpanelen | Uppfattar varken subtila mönster eller växelverkan. |
| 2. Regelmodell med trendvärden | Du kompletterar RFM med jämförelser mot föregående period och med programdata. | Du har mellan 5 000 och 30 000 medlemmar och en välskött historik. | Dagar, delvis med stöd | Viktningen förblir uppskattad, inte inlärd. |
| 3. En lärande modell | En algoritm lär sig själv vilka egenskaper som är viktiga utifrån tidigare fall. Vanliga metoder är logistisk regression, beslutsträd eller gradientboosting. | Du har över 30 000 medlemmar och har funnits i minst ett år. | Veckor med datakompetens | Kräver skötsel, övervakning och ytterligare träning. |
Så här skapar du din första prognos i fem steg
Förfarandet är detsamma på varje steg. Det är bara verktygen som skiljer sig åt. Följ den här ordningen så undviker du de typiska tankemissarna.
- Ange mål och tidsram. Bestäm vilken tidsperiod du vill göra en prognos för, till exempel de kommande 60 dagarna. Och definiera exakt vad personalomsättning innebär i just ditt företag.
- Kontrollera databasen. Utan kopplad köphistorik går det inte. Kontrollera om kassadata, appdata och programdata verkligen pekar på samma person och hur långt tillbaka din historik sträcker sig.
- Skapa egenskaper och fall. Välj en avgränsad tidsperiod från det förflutna för egenskaperna. Den efterföljande tidsperioden använder du för att markera vilka som faktiskt har hållit sig borta. Denna åtskillnad är avgörande, annars kommer du att granska dig själv.
- Utvärdera och välj tröskelvärde. Testa på data som modellen inte känner till. Välj inte tröskelvärdet utifrån det snyggaste procenttalet, utan utifrån den ekonomiska nyttan.
- Genomför åtgärderna och följ upp dem. Ange en åtgärd för varje risknivå, behåll en jämförelsegrupp utan åtgärder och kontrollera varje månad om prognosen fortfarande stämmer.
Hur bra är bra? Träffsäkerhet förklarad på ett lättförståeligt sätt
När det gäller prognoser dyker det snabbt upp engelska facktermer. Det finns två som du måste känna till, eftersom de avgör hur mycket en kampanj kostar dig och hur många fall du missar.
| Begrepp | Betydelse i vardagen | När den är hög | Om den är låg |
|---|---|---|---|
| Träffsäkerhet (Precision) | Av alla personer som har markerats som utsatta: Hur många lämnar verkligen landet? | Du slösar knappast bort bonusar på personer som ändå skulle ha stannat kvar. | Du ger rabatter till stamkunderna, vilket inte alls är något problem. |
| Täckningsgrad (Recall) | Av alla som faktiskt flyttade: Hur många har modellen identifierat? | Du fångar nästan alla som är i fara. | En stor del försvinner obemärkt. |
| Tröskelvärde | Från vilken sannolikhet du ingriper. | Hög tröskel: få, men säkra fall. | Låg tröskel: många fall, större spridningsförlust. |
Att väga de båda värdena mot varandra är ingen matematisk uppgift, utan en ekonomisk beräkning. Ett exempel med fritt valda antaganden visar varför: Anta att din återvinningskampanj kostar 4 euro per person, och att en återvunnen person ger dig 90 euro i årsomsättning. Då kan du gärna kontakta nio personer gratis för att rädda en. I det här fallet är en hög träfffrekvens viktigare än träffar av hög kvalitet. Vid en kostsam åtgärd, till exempel ett personligt telefonsamtal, vänds ekvationen till det motsatta.
Från prognos till åtgärd
Det vanligaste misstaget i prediktiva projekt är en rapport som inte hjälper någon. Ett betyg får först effekt när det för varje nivå är tydligt vad som händer, vem som utlöser det och hur ofta. Dessa fyra nivåer har visat sig vara en praktisk indelning.
Nivå 1: stabil
Rytmen är rätt, personen kommer som vanligt. Här gäller det att inte störa.
- Regelbunden programkommunikation
- Inga rabatter, ingen extra budget
- Mål: Att behålla vanan
Steg 2: första bucklan
Avståndet sedan det senaste köpet ökar något. Oftast räcker det med en liten knuff.
- Översikt över poängställningen
- Information om en bonus som kan erhållas
- Ingen prisnedsättning behövs
Nivå 3: tydligt hotad
Vårt eget köpavstånd har överskridits avsevärt. Nu behövs det ett verkligt incitament.
- Personlig förmån med utgångsdatum
- I linje med tidigare köphistorik
- En kanal, ett meddelande, ingen oavbruten ström
Nivå 4: inaktiv
Inga köp, inga reaktioner på flera månader. Här handlar det om att återta marknadsandelar eller om att avsluta affären på ett ordnat sätt.
- En tydlig återhämtningsinsats
- Sänk sedan frekvensen
- Följa raderingsfristerna
GDPR: Vad som gäller vid automatiserad riskbedömning
Ett avhoppningsbetyg är en bedömning av personer. Det faller därmed under det som den allmänna dataskyddsförordningen kallar profilering: automatiserad analys av personuppgifter för att förutsäga egenskaper eller beteenden. Detta är inte förbjudet, men det regleras. Du bör klargöra dessa punkter med din dataskyddsombud eller din advokat innan du sätter igång.
- Fastställ den rättsliga grunden. Oftast grundar sig en intern poängsättning på ett berättigat intresse eller på samtycke. Ange vilken grund du använder och varför.
- Skapa öppenhet. I integritetspolicyn bör det framgå att du analyserar användardata för att kunna visa relevanta erbjudanden och påminnelser.
- Inga ensidiga beslut med allvarliga konsekvenser. Artikel 22 i GDPR skyddar människor mot helt automatiserade beslut med betydande konsekvenser. En poängsättning som endast styr vilket meddelande någon får påverkas i regel inte av detta. Så snart detta medför uteslutningar eller tydliga nackdelar ser det annorlunda ut.
- Ta dataminimering på allvar. Ta endast med de egenskaper som du verkligen behöver. Hälsouppgifter och andra särskilt skyddade kategorier hör inte hemma i ett marknadsföringsbetyg.
- Fastställ raderingsfrister. Bestäm när inaktiva profiler ska raderas och håll dig till det.
- Dokumentera poängberäkningslogiken. Skriv ner vilka kriterier som ingår och hur de viktas. Det behöver du för informationsförfrågningar.
Detta är ingen juridisk rådgivning, utan en vägledning baserad på praktiska erfarenheter från projektarbete. Den konkreta bedömningen beror alltid på vad du ska använda det till.
Sex misstag som gör prognoser värdelösa
| Fel | Hur du känner igen honom | Vad du gör istället |
|---|---|---|
| En fast gräns för utflyttning för alla | Kunder som handlar sällan hamnar permanent i riskgruppen | Beräkna gränsen utifrån den individuella köpavståndet |
| Framtidsinsikter i modellform | Träffsäkerheten verkar för bra – i praktiken fungerar den inte | Gör en tydlig åtskillnad mellan egenskaper och målperiod |
| Poäng utan åtgärd | Det skapas analyser, men inga kampanjer | Ange en fast åtgärd för varje nivå |
| Rabatt som standardåtgärd | Marginalen minskar, men frekvensen gör det inte | Först en påminnelse och information om bonus, rabatt endast på nivå 3 |
| Ingen jämförelsegrupp | Varje kampanj betraktas som en framgång | Lämna fem till tio procent avsiktligt utanför |
| Modellen har aldrig tränats om | Prognosen förvärras månad för månad | Kontrollera varje kvartal och räkna om vid behov |
FAQ: Vanliga frågor om prediktiv analys inom kundlojalitet
Hur mycket data behöver jag för att göra en prognos över befolkningsavflyttningen?
För en regelbaserad poängberäkning utifrån senaste köp, köpfrekvens och omsättning räcker det med några hundra aktiva medlemmar och ett par månaders historik. På så sätt kan du omedelbart bilda grupper och sätta igång de första åtgärderna. För en lärande modell behöver du betydligt mer: som riktlinje minst några tusen medlemmar och ett års historik, så att även säsongsvariationer återspeglas. Det avgörande är inte så mycket den rena kvantiteten som kvaliteten: köphistorik, appanvändning och programdata måste på ett tillförlitligt sätt kunna kopplas till samma person.
När anses kunder utan avtal ha lämnat företaget?
Då, när de tydligt avviker från sin vanliga rytm. Beräkna för varje person det genomsnittliga intervallet mellan två köp och multiplicera det med två till tre. Den som annars kommer varje vecka och uteblir i tre veckor är ett fall som kräver åtgärder. Den som ändå bara handlar en gång i kvartalet behöver ett mycket längre tidsfönster. Ett generellt värde för alla ger däremot upphov till två problem samtidigt: falska larm när det gäller de som handlar mer sällan och blinda fläckar när det gäller de dagliga stamkunderna.
Behöver jag ett datateam eller AI för det här?
Inte i början. Det första steget är ett RFM-betyg, som du kan visa med hjälp av de inbyggda funktionerna i en bra lojalitetsdashboard. Det upptäcker visserligen inga subtila mönster, men sorterar dina kunder betydligt bättre än vad magkänslan gör. Lärande modeller lönar sig om du har många medlemmar, flera verksamhetsställen eller säsongseffekter. Då ger en modell mätbart fler träffar, men kräver i gengäld underhåll, övervakning och regelbunden omskolning.
Är det tillåtet att använda ett automatiskt poängsystem för kundbortfall enligt GDPR?
I regel ja, om du följer de allmänna villkoren. Du behöver en dokumenterad rättslig grund, oftast berättigat intresse eller samtycke, samt en tydlig hänvisning i integritetspolicyn. En poängsättning som endast styr vilken påminnelse eller vilket erbjudande någon får medför normalt sett ingen väsentlig inverkan i den mening som avses i artikel 22. Använd endast egenskaper som du verkligen behöver, fastställ raderingsfrister och dokumentera poängsättningslogiken skriftligt. Utvärdera den konkreta tillämpningen tillsammans med din dataskyddsrådgivare.
Vilket nyckeltal visar om prognosen är till någon nytta?
Jämför återvändandegraden i den tilltalade gruppen med återvändandegraden i en jämförelsegrupp som inte tilltalats. Endast denna skillnad utgör din effekt. Dessutom är det värt att titta på kostnaden per återvunnen person och på återköpsgraden för riskgruppen under det följande kvartalet. Modellens rena träffsäkerhet är däremot ett tekniskt mått. Den visar hur bra prognosen är, men inte om din åtgärd har någon effekt.
Hur ofta måste jag uppdatera modellen?
Kontrollera prognosernas kvalitet minst en gång per kvartal. Sortera därför prognoserna från det senaste kvartalet efter risk och se hur många av dem i den översta gruppen som faktiskt inte har inträffat. Om värdet förblir stabilt räcker det med den här kontrollen. Om det sjunker markant har beteendet förändrats, till exempel på grund av en ny filial, en prisjustering eller en förändrad säsong. Då beräknar du modellen på nytt med aktuella data. Regelbaserade poäng behöver sällan justeras, men bör kontrolleras årligen med avseende på sina tröskelvärden.
Kan prediktiv analys även förutsäga positiva händelser?
Ja, och det underskattas ofta. Samma databas kan användas för att uppskatta köpvilja, rätt tidpunkt för ett meddelande eller nästa lämpliga produkt. Även kundvärdet över hela kundrelationen kan på så sätt bättre prognostiseras. Till att börja med är kundbortfall ändå det mest lönsamma ämnet: effekten är mätbar, åtgärden tydlig och den ekonomiska nyttan lätt att beräkna.
