Behålla kunder
Avhoppsanalys
På den här sidan
- Vad är avhoppsanalys?
- Fyra saker analysen ska visa
- Det här ska analysen ge
- Två typer av avhopp
- Så samlar du in data för avhoppsanalysen
- Definiera avhopp
- Samla historisk data
- Samla data om aktiva kunder
- Så analyserar du avhoppen
- Deskriptiv analys (vad hände)
- Jämförande analys (skillnader mellan grupper)
- Följ kundgrupper över tid med kohortanalys
- Orsaksanalys (varför hände det)
- Prediktiv analys (vem kommer att hoppa av)
- Identifiera varningssignaler
- Gemensamma nämnare och signaler
- Så gör du en avhoppsanalys i sju steg
- Steg 1: Definiera och samla data
- Steg 2: Beräkna baslinjen
- Steg 3: Jämför avhoppare och aktiva kunder
- Steg 4: Hitta varningssignaler
- Steg 5: Skapa riskpoäng
- Steg 6: Automatisera spårningen
- Steg 7: Validera och justera
- Så kan en komplett avhoppsanalys se ut
- Ett tänkt SaaS-företag med hög avhoppsgrad gör analysen
- Verktyg för avhoppsanalys
- Analytics
- Customer success-plattformar
- BI-verktyg
- Plattformar för maskininlärning
- Så går du från analys till åtgärd
- Kontakta oss för avhoppsanalys
Avhoppsanalys (churn analysis) är en systematisk genomgång av vilka kunder som lämnar, när de lämnar och varför. Målet är att förstå vad som redan hänt och att hitta varningssignaler, så att ni kan agera innan kunden bestämmer sig för att lämna.
För att behålla kunder måste ni först förstå nuläget. Hur stor är avhoppsgraden? Vilka kunder hoppar av? Finns det gemensamma mönster som skiljer dem som lämnar från dem som stannar?
När ni samlar historisk data om avhoppare och jämför den med data om kunder som stannat kan ni se vilka beteenden, signaler och tidpunkter som föregår avhopp. Utifrån de mönstren kan ni sätta in åtgärder i tid för att få riskkunder att stanna kvar.
Vad är avhoppsanalys?
Fyra saker analysen ska visa
En avhoppsanalys utvärderar systematiskt
- Vilka kunder som lämnar (demografi, segment, värde)
- När de lämnar (tidpunkt i kundresan, säsong, efter händelse)
- Varför de lämnar (orsaker bakom beslutet)
- Varningssignaler som föregår avhopp (beteenden innan beslut)
Det här ska analysen ge
- Förståelse
- Vad orsakar avhopp i verksamheten?
- Förutsägelse
- Vilka kunder är i riskzon just nu?
- Förebyggande
- Vilka åtgärder kan förhindra avhopp?
Två typer av avhopp
Frivilligt avhopp (voluntary churn): Kunden väljer aktivt att lämna.
Exempel
- Säger upp prenumerationen
- Byter leverantör
- Slutar köpa produkter
Ofrivilligt avhopp (involuntary churn): Kunden vill fortsätta men kan inte.
Exempel
- Betalningsmetod fungerar inte (kreditkort utgått)
- Flyttar utomlands (tjänst inte tillgänglig)
- Kunden har avlidit
Frivilliga avhopp går att påverka genom arbete med att behålla kunder.
Så samlar du in data för avhoppsanalysen
Definiera avhopp
Första steget är att definiera exakt vad som räknas som avhopp.
Definitionen beror på bransch
Prenumerationstjänst
- Kunden säger upp prenumerationen = avhopp
- Kunden pausar men säger inte upp = ej avhopp (än)
E-handel
- Kunden köpte regelbundet men har inte gjort något köp på X månader = avhopp
- (X beror på produktkategori: 3 månader för mat, 12 månader för elektronik)
B2B-tjänst
- Kontraktet förnyas inte = avhopp
- Kontraktet förnyas men till lägre nivå = delvis avhopp (minskad intäkt)
Viktigt Använd samma definition hela tiden, så att data går att jämföra över tid.
Samla historisk data
Tidsperiod: Minst sex till tolv månaders avhoppsdata för att hitta mönster.
Data om avhoppare
Från CRM eller kundregister
- Kund-ID
- Kund sedan (startdatum)
- Avhoppsdatum
- Total tid som kund
- Totalt spenderat belopp (LTV)
- Segment/kategori
- Demografi (ålder, plats, företagsstorlek för B2B)
Från transaktionssystem
- Köphistorik (frekvens, belopp, produkter)
- Senaste köp (hur länge sedan?)
- Genomsnittligt ordervärde
- Antal ordrar totalt
Från webbplats eller app (om kunden är inloggad)
- Antal besök de senaste 30, 60 och 90 dagarna
- Antal inloggningar
- Besökta sidor
- Använda funktioner (för SaaS)
- Tid på plattformen
Från kundsupport eller kundtjänst
- Antal kontakter
- Typ av kontakter (frågor, klagomål)
- Tidpunkt för senaste kontakt
- Lösta och olösta problem
Från andra källor
- Uppgifter kunden själv lämnat, till exempel adressändring
- Ändrade betalningsmetoder
- Deltagande i undersökningar och feedback
Att analysera enskilda kunders beteende och demografi är behandling av personuppgifter och kräver en rättslig grund enligt GDPR. Samla bara in de uppgifter ni behöver.
Samla data om aktiva kunder
Jämförelsegrupp: För att identifiera vad som är unikt för avhoppare behövs samma data för kunder som inte hoppat av.
Samla samma datapunkter
- Demografi
- Köphistorik
- Beteende på webbplats eller i app
- Kontakter med kundsupport
Resultat Två dataset, avhoppare och aktiva, redo för jämförelse.
Så analyserar du avhoppen
Deskriptiv analys (vad hände)
Grundläggande statistik
Avhoppsgrad: (Antal avhoppare ÷ Totalt antal kunder vid periodens början) × 100
Exempel
- 1 000 kunder vid månadens början
- 50 hoppade av
- Avhoppsgrad = 5 procent
Segmenterad avhoppsgrad: Jämför avhopp mellan segment.
Exempel
| Segment | Kunder | Avhoppare | Avhoppsgrad |
|---|---|---|---|
| Nya (<3 mån) | 300 | 30 | 10 procent |
| Aktiva (3-12 mån) | 500 | 15 | 3 procent |
| Lojala (>12 mån) | 200 | 5 | 2,5 procent |
- Insikt
- Nya kunder har fyra gånger så hög avhoppsgrad som lojala. Fokusera på onboardingen.
- Avhoppstidpunkt
- När i kundresan hoppar folk av?
Exempel
- 40 procent hoppar av inom de första 3 månaderna
- 30 procent hoppar av vid förnyelsen efter 12 månader
- 20 procent hoppar av vid förnyelsen efter 24 månader
- 10 procent hoppar av vid andra, spridda tidpunkter
Insikt: De kritiska tidpunkterna är onboardingen och de årliga förnyelserna.
Jämförande analys (skillnader mellan grupper)
Hitta gemensamma nämnare hos avhoppare
Beteendeskillnader
Exempel (SaaS)
| Mått | Avhoppare | Aktiva | Skillnad |
|---|---|---|---|
| Inloggningar/månad | 2 | 15 | Avhoppare använder mindre |
| Använda funktioner | 1-2 | 4-6 | Avhoppare utforskar mindre |
| Supportkontakter | 5 | 1 | Avhoppare har fler problem |
| Tid sedan senaste aktivitet | 20 dagar | 3 dagar | Avhoppare är inaktiva längre |
Insikt: Låg användning och många supportärenden är varningssignaler.
Demografiska skillnader
Exempel (e-handel)
- Avhoppare: 70 procent män, 60 procent 18-25 år, 80 procent Stockholm
- Aktiva: 50 procent män, 40 procent 18-25 år, 30 procent Stockholm
Insikt: Män, unga och stockholmare är överrepresenterade bland avhopparna. Analysera kombinationerna av kön, ålder och ort innan ni drar slutsatser om till exempel unga män i Stockholm.
Följ kundgrupper över tid med kohortanalys
Analysera avhopp per kohort (grupp kunder som började samtidigt).
Exempel
Kohort Jan 2025: 100 nya kunder
- Efter en månad: 90 kvar (10 procent avhopp)
- Efter tre månader: 75 kvar (sammanlagt 25 procent avhopp)
- Efter sex månader: 60 kvar (sammanlagt 40 procent avhopp)
- Efter tolv månader: 50 kvar (sammanlagt 50 procent avhopp)
Kohort Feb 2025: 100 nya kunder
- Efter en månad: 85 kvar (15 procent avhopp, sämre än januarikohorten)
Insikt: Något förändrades mellan januari och februari och ökade de tidiga avhoppen. Undersök vad.
Orsaksanalys (varför hände det)
Exit surveys: Fråga kunder som säger upp varför de lämnar.
Vanliga svar
- För dyrt
- Hittade bättre alternativ
- Använder inte produkten längre (behovet har förändrats)
- Dålig kundservice
- Produkten eller tjänsten fungerade inte som väntat
Kategorisera svar: Skapa kategorier och räkna hur vanlig varje orsak är.
Exempel
| Orsak | Andel |
|---|---|
| Pris | 35 procent |
| Konkurrent | 25 procent |
| Behov upphört | 20 procent |
| Dålig service | 15 procent |
| Tekniska problem | 5 procent |
- Insikt
- Priset och konkurrenterna står för 60 procent av avhoppen. Se över prisstrategin och vad som skiljer er från konkurrenterna.
- Analys av supportärenden
- Granska klagomål från avhoppare innan de lämnade.
- Identifiera återkommande problem
- Om många avhoppare klagade på samma sak innan avhopp är det troligen en huvudorsak.
Prediktiv analys (vem kommer att hoppa av)
- Machine learning-modeller
- Träna en modell på historisk data för att förutsäga framtida avhopp.
- Indata
- Alla datapunkter (beteende, demografi, transaktioner, support).
- Resultat
- Avhoppsrisk per kund (0-100 procent).
- Användning
- Identifiera kunder med hög avhoppsrisk och rikta insatser för att behålla dem.
Kräver
- Stort dataset (minst 1 000 kunder, helst 10 000)
- Data science-kompetens
- Verktyg (Python, R eller ML-plattformar)
Alternativ för mindre företag: Regelbaserad poängsättning i stället för ML.
Exempel
Så beräknas riskpoängen
- Ingen aktivitet de senaste 30 dagarna: +40 poäng
- Supportärende de senaste 14 dagarna: +30 poäng
- Köp de senaste 60 dagarna: -20 poäng
- Lojal kund (>12 mån): -30 poäng
Summera poängen. En negativ summa räknas som 0. Kategorisera sedan
- 0-30: Låg risk
- 31-60: Medelhög risk
- 61-100: Hög risk
Identifiera varningssignaler
Gemensamma nämnare och signaler
Målet är att hitta gemensamma nämnare hos avhoppare som är unika och som skiljer sig från aktiva kunder.
Vad analyseras
Beteenden på webbplatsen (om kunden är inloggad)
- Minskad besöksfrekvens
- Kortare tid på sajt
- Slutar besöka viktiga sidor (prissida, produktsidor)
- Besöker ”Avsluta prenumeration”-sida men avslutar inte (ännu)
Konsumtionshistorik
- Minskad köpfrekvens
- Minskad köpvolym
- Längre tid sedan senaste köp
- Byte till billigare produkter (downgrade)
Kontakthistorik från kundtjänst
- Fler kontakter (fler problem)
- Klagomål i stället för frågor
- Olösta ärenden
- Lång tid sedan senaste kontakt (kunden tappar bort företaget)
Demografiska ändringar
- Flytt (adressändring)
- Byte av betalningsmetod (försöker avsluta?)
- Ändring i företagsstorlek (för B2B)
Exempel på specifika signaler
Signal 1: Ingen aktivitet på 30 dagar (SaaS)
- Mät hur stor andel av kunderna utan inloggning på 30 dagar som hoppar av inom 60 dagar
- Åtgärd: Skicka ett återaktiverande mejl vid 20 dagars inaktivitet
Signal 2: 3+ supportärenden på 2 veckor (alla branscher)
- Mät hur stor andel av kunderna med minst tre ärenden på kort tid som hoppar av inom 90 dagar
- Åtgärd: Eskalera till senior support, erbjud personlig hjälp
Signal 3: Minskad köpfrekvens (e-handel)
- Kunden köpte varje månad tidigare, men nu är det fyra månader sedan senaste köpet
- Mät hur stor andel av dessa kunder som aldrig kommer tillbaka
- Åtgärd: Win-back-kampanj vid tre månaders inaktivitet
Signal 4: Besöker prissida och uppsägningssida upprepade gånger (alla branscher)
- Kunden kan hålla på att jämföra alternativ
- Mät hur stor andel av dessa kunder som byter inom 30 dagar
- Åtgärd: Personligt erbjudande, påminn om värdet
Så gör du en avhoppsanalys i sju steg
Steg 1: Definiera och samla data
Definiera avhopp: Vad räknas som avhopp i verksamheten?
Samla data
- Avhoppare (6-12 månaders historik)
- Aktiva kunder (samma datapunkter)
- Källor: CRM, transaktionssystem, webbplats, kundsupport
Steg 2: Beräkna baslinjen
- Nuvarande avhoppsgrad
- Vad är avhoppsgraden i dag?
- Segmenterad avhoppsgrad
- Hur skiljer sig avhoppen mellan segment?
- Kostnaden för avhopp
- Hur mycket intäkt förloras per månad och år?
Exempel
- Avhoppsgrad: 5 procent per månad
- 1 000 kunder × 300 kronor i månaden = 300 000 kronor i månatliga återkommande intäkter (MRR)
- Förlorad månadsintäkt första månaden: 300 000 × 0,05 = 15 000 kronor
- Efter tolv månader, utan nya kunder: omkring 138 000 kronor lägre månadsintäkt (300 000 × (1 − 0,95 upphöjt till 12))
- Ackumulerad intäktsförlust under året: omkring 980 000 kronor (summan av de tolv månadernas bortfall)
Steg 3: Jämför avhoppare och aktiva kunder
Identifiera skillnader
- Beteenden
- Demografi
- Transaktionsmönster
- Supportkontakter
Dokumentera: Lista alla signifikanta skillnader.
Steg 4: Hitta varningssignaler
Vilka beteenden föregår avhopp?
- Inaktivitet
- Minskad köpfrekvens
- Supportklagomål
Hur långt före avhopp syns signalerna?
- 30 dagar? 60 dagar? 90 dagar?
Hur vanliga är signalerna?
- Syns de hos 80 procent av avhopparna? Eller 20 procent?
Prioritera de starkaste signalerna: De som är vanligast och tidigast.
Steg 5: Skapa riskpoäng
Definiera riskpoäng: Vilka faktorer ger poäng?
Exempel
Höjer risk
- +30: Ingen aktivitet 30 dagar
- +20: Supportärende med klagomål
- +15: Minskad köpfrekvens
- +10: Besökte prissida
Sänker risk
- -20: Köp senaste 30 dagarna
- -30: Lojal kund (>12 mån)
- -10: Positivt NPS-svar
Summera poängen. En negativ summa räknas som 0. Kategorisera sedan
- 0-30: Låg risk
- 31-60: Medelhög risk
- 61-100: Hög risk
Steg 6: Automatisera spårningen
Automatisera identifieringen: Låt ett system beräkna riskpoäng löpande för alla kunder.
Plattformar
- CRM med egna fält
- Customer success-plattformar (Gainsight, ChurnZero)
- Egna dashboards (Tableau, Power BI)
Larm: Avisering när en kund hamnar i kategorin ”Hög risk”.
Steg 7: Validera och justera
- Testa förutsägelserna
- Hur många av ”Hög risk”-kunderna hoppar av?
- Jämför mot baslinjen
- Hoppar kunder med hög risk av klart oftare än kunder i genomsnitt? Först om de gör det fungerar modellen.
- Täckning
- Hur stor andel av alla avhoppare hade modellen flaggat i förväg?
- Kontrollgrupp
- Låt en slumpvis utvald del av kunderna med hög risk vara utan insats. Bara då går effekten av insatsen att skilja från modellens träffsäkerhet.
- Justera
- Ändra poängen utifrån det faktiska utfallet och förbättra modellen löpande.
Så kan en komplett avhoppsanalys se ut
Ett tänkt SaaS-företag med hög avhoppsgrad gör analysen
Nuläge
- 2 000 kunder
- 10 procent avhopp per månad (200 kunder förlorade)
- MRR: 500 kronor per kund
- Förlorad återkommande intäkt: 100 000 kronor i månaden
Steg 1: Samla data
- Avhoppare (de senaste sex månaderna)
- 1 200 kunder
- Aktiva kunder
- 2 000 kunder
Steg 2: Jämför grupperna
| Mått | Avhoppare | Aktiva |
|---|---|---|
| Inloggningar/månad | 3 | 20 |
| Använda funktioner | 1 | 5 |
| Supportärenden/månad | 2 | 0,3 |
| Dagar sedan aktivitet | 25 | 2 |
Steg 3: Hitta varningssignalerna
Signal 1: Ingen inloggning på 14+ dagar
- 85 procent av avhopparna hade detta
- 10 procent av de aktiva kunderna hade detta
Signal 2: Använder endast en funktion
- 90 procent av avhopparna
- 15 procent av de aktiva
Signal 3: 2+ supportärenden på 30 dagar
- 70 procent av avhopparna
- 5 procent av de aktiva
Steg 4: Sätt riskpoäng
Poäng
- +40: Ingen inloggning 14+ dagar
- +30: Använder endast en funktion
- +20: 2+ supportärenden
- -30: Inloggning senaste 7 dagarna
- -20: Använder minst fyra funktioner
Steg 5: 400 kunder identifieras som ”Hög risk”
Åtgärd
- Mejlkampanj: ”Vi märkte att du inte använt funktionen X, så här kommer en guide”
- Personlig kontakt från customer success med kunder av högt värde
- Erbjud ett enskilt onboardingmöte
Tänkt resultat efter tre månader
- Avhoppen minskade från 10 procent till 7 procent
- 60 kunder sparade = 30 000 kronor i behållen MRR
- ROI: Insatserna kostade 15 000 kronor och behöll 30 000 kronor i MRR (årlig påverkan: 360 000 kronor)
Verktyg för avhoppsanalys
Analytics
- Google Analytics / Mixpanel
- Beteendedata på webbplats och i app.
- CRM (Salesforce, HubSpot)
- Kunddata, transaktionshistorik, segmentering.
Customer success-plattformar
Gainsight, ChurnZero
- Prognoser över avhopp
- Hälsopoäng
- Automatiserade arbetsflöden
Användning: För SaaS och prenumerationsaffärer.
BI-verktyg
- Tableau, Power BI, Looker
- Egna dashboards för avhoppsanalys.
- Användning
- Visualisera avhoppsdata, segment och trender.
Plattformar för maskininlärning
- H2O.ai, DataRobot, Azure ML
- Bygg prediktiva modeller.
- Användning
- Stora företag med data science-team.
Så går du från analys till åtgärd
Avhoppsanalysen visar var och varför kunderna lämnar. Nästa steg är att agera på resultatet.
Process
1. Avhoppsanalys
- Identifiera var och varför kunder hoppar av
- Hitta varningssignaler
2. Målgruppssegmentering
- Segmentera kunder efter avhoppsrisk
- Hög, medelhög eller låg risk
3. Kanalmatris
- Planera kommunikation per segment
- Vad som sägs, i vilken kanal och när
4. Genomför
- Skicka kampanjer för att behålla kunder
- Personlig kontakt med kunder av högt värde
5. Mät
- Minskade avhoppsgraden?
- Hur många sparades?
6. Justera
- Analysera löpande
- Förbättra modellerna utifrån nya data
Kontakta oss för avhoppsanalys
Carnaby hjälper företag att genomföra systematiska avhoppsanalyser, från datainsamling och identifiering av varningssignaler till implementering av prediktiva modeller som minskar avhoppen.
Kontakta oss
Vill ni veta var ni står i dag?
Ring oss, eller fyll i formuläret så återkommer vi till dig.