Sådan forudsiger vi risikoen for medlemsfrafald

De fleste klubber opdager først et frafald, når udmeldelsen ligger i indbakken – og på det tidspunkt er beslutningen som regel truffet for længst. Formålet med churn-modellen er at vende det om: at pege på de medlemmer, hvor risikoen er forhøjet, mens der stadig er tid til at handle.

Modellen er udviklet på data fra samtlige danske golfklubber over tre på hinanden følgende år. For hvert medlem indgår omkring 50 forskellige oplysninger om profil og adfærd – ikke blot hvor meget der spilles, men også hvor, hvornår og med hvem, ligesom spillerens handicap og handicapudvikling, medlemskabstype og eventuelle medlemskabsændringer indgår, sammen med hvordan mønstrene udvikler sig over tid. Det er kombinationen af mange års data på tværs af alle klubber, der gør det muligt at genkende mønstre.

Modellen er udviklet med AI og machine learning. Den er trænet på én del af datagrundlaget og derefter testet på en anden del, som den aldrig har set før. Først når modellen beviser, at den kan forudsige frafald korrekt på ukendte data, tages den i brug. Vi måler løbende dens træfsikkerhed, og modellen genberegnes i takt med, at nye data kommer til.

For hvert medlem viser dashboardet profilinformation samt to resultater fra modellen: hvilket af fire risikosegmenter medlemmet ligger i (fra lav til høj risiko), og de op til tre faktorer, der trækker mest op i netop dette medlems risiko – vist i rækkefølge fra stærkest til svagest. Bag de viste faktorer ligger de cirka 50 underliggende variable, som af hensyn til overskueligheden er samlet i 15 letforståelige drivere. På den måde får I ikke bare at vide, hvem der er i risiko, men også hvorfor – og dermed et konkret udgangspunkt for handling.

Antal spillede runder, alder og anciennitet er ofte blandt de mest betydende drivere for frafald – men det betyder langt fra, at risikoen kan vurderes ud fra de tre faktorer alene. Modellens styrke ligger i samspillet mellem faktorerne: Få runder betyder noget helt andet for et nyt medlem end for et medlem med tyve års anciennitet, og et fald i aktivitet vejer tungere, hvis medlemmets faste spillepartnere samtidig er blevet væk. To medlemmer, der ligner hinanden på køn, alder, anciennitet og antal runder, kan derfor have vidt forskellig risiko – fordi en række øvrige faktorer trækker i hver sin retning uden nødvendigvis at være blandt de tre stærkeste. Det er netop disse samspil og skjulte mønstre på tværs af 50 variable og tre års data fra hele landet, modellen er trænet til at genkende – mønstre, der først træder frem, når alle klubbers data ses under ét.

Spørgsmål til metoden eller dashboardet? Kontakt projektteamet – vi fortæller gerne mere.