Analytics

Klantverloop voorspellen met AI: zo blijven klanten binnen

Gepubliceerd: Leestijd: 9 min
Dashboard met churn-risicoscores per klant voor een MKB-bedrijf

Een klant die al maanden minder bestelt zonder dat iemand het ziet, en de accountmanager hoort het pas bij de opzegging: bij veel bedrijven blijft het bij Excel-lijstjes en onderbuikgevoel. Dit artikel laat zien hoe uit de eigen klantdata blijkt welke klanten risico lopen, wat dat kost en wat het team ermee moet doen.

Waarom retentie goedkoper is dan acquisitie

De rekensom is bekend, maar wordt zelden gemaakt. Stel dat een nieuwe klant aantrekken via advertenties, sales en onboarding 1.000 euro kost, en een bestaande klant tevreden houden 200 euro per jaar. Dan is elke vertrekkende klant niet alleen een gat in de omzet, maar ook een nieuwe acquisitie-investering om dat gat te dichten. Bij een klantbestand van 2.000 klanten en een jaarlijks verloop van 15 procent gaat het om 300 vertrekkende klanten en al snel 300.000 euro aan vervangingskosten per jaar.

Daar komt bij dat bestaande klanten met de tijd meer waard worden. Ze kopen vaker bij, stappen makkelijker over naar een duurder pakket en bevelen het bedrijf aan. Een paar procentpunten minder verloop tikt daardoor harder door dan dezelfde groei in nieuwe klanten. Onderzoek dat al jaren rondgaat in de retentieliteratuur laat zien dat vijf procent minder churn de winst met 25 tot 95 procent kan verhogen, afhankelijk van de sector.

Het probleem is timing. Op het moment dat een klant opzegt, is de beslissing meestal al weken eerder genomen. Een kortingsbon op de valreep voelt dan goedkoop en verandert zelden iets. Churn-predictie verschuift de interventie naar het moment waarop de klant nog twijfelt, niet als hij al weg is. Dat sluit aan bij het bredere idee van datagedreven besluitvorming: handelen op basis van signalen in plaats van onderbuik.

Welke data ervoor nodig is

Een churn-model leert van het verleden: het kijkt naar klanten die zijn vertrokken en zoekt patronen die hen onderscheidden van klanten die bleven. Daarvoor is historie nodig. De vuistregel is minimaal 12 tot 24 maanden aan klantdata, met genoeg vertrokken klanten om patronen uit te halen, idealiter een paar honderd. Bij weinig verloop of een korte historie zijn simpele regels een verstandiger start; een echt model komt later.

De meest voorspellende data zit vaak in gedrag, niet in stamgegevens. Denk aan login-frequentie, gebruik van features, openstaande supporttickets, betaalgedrag, dalende bestelvolumes of het uitblijven van contact. Voor een SaaS-bedrijf is een klant die drie weken niet inlogt een rood signaal; voor een groothandel is een klant die zijn maandelijkse bestelling overslaat dat. Combineer transactiedata, gebruiksdata en interactiedata uit het CRM, en er ontstaat een rijk beeld. Dit overlapt sterk met het werk rond klantgedrag voorspellen met data.

In de praktijk staat die data verspreid over systemen: facturatie hier, supporttickets daar, gebruiksdata weer ergens anders. Het samenbrengen en opschonen is meestal het grootste deel van het werk, niet het modelleren zelf. Een fatsoenlijk datafundament bespaart later veel pijn. Reken erop dat zeker 60 procent van de doorlooptijd in datavoorbereiding gaat zitten.

Hoe een churn-model werkt

Onder de motorkap is een churn-model een classificatie-algoritme. Het model krijgt honderden voorbeelden van klanten met hun kenmerken en de uitkomst (vertrokken of gebleven), en leert welke combinaties van signalen samenhangen met vertrek. Daarna geeft het voor elke huidige klant een risicoscore, bijvoorbeeld 0,82, wat een hoge kans op vertrek betekent. Veelgebruikte technieken zijn logistische regressie voor uitlegbaarheid en gradient boosting voor nauwkeurigheid.

Belangrijker dan de exacte techniek is wat het model laat zien. Een goed churn-model geeft niet alleen een score, maar ook de redenen: deze klant scoort hoog door dalend gebruik en twee onopgeloste tickets. Die uitlegbaarheid is cruciaal, want de accountmanager moet weten waarom hij belt en wat hij kan aanbieden. Een blackbox die alleen een getal geeft, wordt in de praktijk genegeerd.

Wees nuchter over nauwkeurigheid. Een churn-model dat 70 tot 80 procent van de vertrekkers op tijd herkent, is in het MKB al heel bruikbaar. Perfectie bestaat niet, want klanten vertrekken ook om redenen die niet in de data zitten, zoals een overname of een verhuizing. Het doel is geen feilloos orakel, maar een prioriteitenlijst waarmee het retentieteam gerichter werkt dan met een willekeurige greep. Vergelijk het met sales forecasting: de voorspelling bepaalt waar de aandacht heen gaat, het nadenken blijft bij het team.

Wat de voorspelling in gang zet: interventies en ROI

Hier scheiden de winnaars zich van de rest. Een lijst met risicoklanten is waardeloos zonder een plan per klant. De kracht zit in het koppelen van elke voorspelling aan een passende interventie. Een klant die hoog scoort door een betalingsachterstand heeft een ander gesprek nodig dan een klant die hoog scoort door teruglopend gebruik. Segmenteer de risicoklanten daarom, net als bij klantsegmentatie, en kies per segment de juiste actie: een persoonlijk gesprek, een gerichte training, een tijdelijk aanbod of het oplossen van een sluimerend probleem.

Niet elke risicoklant is het waard om te redden, en niet elke interventie is even effectief. Een klant met lage waarde en hoge bedieningskosten kan beter gaan dan met korting vastgehouden worden. Combineer de churn-score daarom met klantwaarde, zodat de inspanning naar de juiste klanten gaat. Voor het aanbod zelf is gerichte AI-gedreven marketing een logische volgende stap.

De ROI is het eerlijkst te meten met een controlegroep. Behandel een deel van de risicoklanten wel en een vergelijkbaar deel niet, en meet het verschil in verloop. Stel: een gerichte aanpak verlaagt het verloop in de risicogroep van 40 naar 28 procent, bij 200 risicoklanten met een gemiddelde jaarwaarde van 3.000 euro. Dan behoudt het bedrijf 24 klanten extra, oftewel 72.000 euro aan omzet, tegen een modelinvestering die rond 30.000 euro lag. Zo wordt de ROI van het dataproject concreet in plaats van een belofte. Reken op een terugverdientijd tussen zes en achttien maanden.

Stratalytic en klantbehoud

Wij helpen MKB-bedrijven om churn-predictie pragmatisch op te zetten, zonder over-engineering en met de focus op concrete acties die het verloop daadwerkelijk verlagen.

  • We brengen de data uit CRM, facturatie en gebruik samen tot een werkbaar datafundament en zijn eerlijk als een eenvoudig regelmodel voorlopig volstaat.
  • We bouwen een uitlegbaar churn-model dat per klant niet alleen een risicoscore geeft, maar ook de reden, zodat het team weet wat het moet doen.
  • We koppelen voorspellingen aan interventies en zetten een controlegroep op, zodat de ROI hard aantoonbaar is in plaats van een aanname.
  • We zetten het model in productie en regelen het onderhoud, want een model dat niet wordt bijgehouden, veroudert snel. Zie ook onze aanpak voor AI in productie en MLOps.
  • We kijken of het traject onder de WBSO-regeling valt, zodat een deel van de ontwikkelkosten fiscaal terugvloeit.

Veelgestelde vragen

Hoeveel data heb ik nodig voor een churn-model?

Vuistregel: minimaal 12 tot 24 maanden klanthistorie en idealiter een paar honderd klanten die in die periode zijn vertrokken. Het model leert namelijk van vertrokken klanten. Bij weinig verloop of een korte historie zijn regelgebaseerde risicosignalen een betere start; een echt model volgt zodra er genoeg voorbeelden zijn.

Wat kost een churn-model voor het MKB?

Een eerste werkend churn-model kost doorgaans tussen 15.000 en 45.000 euro, afhankelijk van de staat van de data en de complexiteit. Daarbovenop komt onderhoud van zo'n 300 tot 800 euro per maand voor monitoring en hertraining. De terugverdientijd ligt bij de meeste MKB-bedrijven tussen de zes en achttien maanden.

Is een hoge nauwkeurigheid genoeg om succesvol te zijn?

Nee. Een model dat perfect voorspelt maar waar niets mee gebeurt, levert nul euro op. De waarde zit in de interventie: het juiste gesprek, aanbod of herstel op het juiste moment. Bedrijven die slagen, koppelen elke voorspelling aan een concrete actie en meten of die actie het verloop daadwerkelijk verlaagt.

Hoe vaak moet een churn-model worden bijgewerkt?

Klantgedrag verschuift, dus een model veroudert. Plan minimaal eens per kwartaal een hertraining en monitor continu of de voorspelkracht niet wegzakt. Train bij grote veranderingen, zoals een nieuw prijsmodel of een productlancering, eerder opnieuw. Zonder dit onderhoud wordt een goed model binnen een jaar onbetrouwbaar.

Hoe pakken wij dit aan?

We halen de orderhistorie en klantgegevens uit het ERP en Excel, rekenen per klant uit wie terugvalt en leggen dat naast wat het team al weet van de relatie. De accountmanager beslist wat er met een signaal gebeurt. Er komt geen nieuw systeem, het draait naast wat er staat.

Als vervolgstap na de kennismaking laat een Data Impact Scan binnen een week zien welke klanten in de eigen orderhistorie al terugvallen.

Plan een kennismaking van 30 minuten, vrijblijvend.

Stel een vraag over klantverloop voorspellen met AI

Laat je e-mailadres achter. Een solution architect uit het team reageert binnen een werkdag, met een eerste inschatting.

Liever het uitgebreide contactformulier

Dertig minuten om te zien waar de grootste impact zit.

Een eerlijke inschatting in cijfers, ook als het antwoord is dat het niet loont.