Avhoppsanalys

Avhoppsanalys – Identifiera varför kunder lämnar innan det händer

Avhoppsanalys (churn analysis) är processen att systematiskt analysera vilka kunder som lämnar, när de lämnar och varför de lämnar. Målet är inte bara att förstå vad som redan hänt, utan att identifiera varningssignaler som gör det möjligt att agera innan kund bestämmer sig för att lämna.

För att behålla kunder måste först nuläget förstås. Hur stor är avhoppsgraden? Vilka kunder hoppar av? Finns det gemensamma mönster hos de som lämnar som skiljer sig från de som stannar?

Genom att samla historisk data om avhoppare och jämföra med kunder som stannat kan specifika beteenden, signaler och tidpunkter identifieras som föregår avhopp. När dessa mönster är kända kan proaktiva åtgärder sättas in för att förmå riskkunder att stanna kvar.

Vad är avhoppsanalys?

Definition

Avhoppsanalys är systematisk utvärdering av:

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)

Mål med analysen

Förståelse: Vad orsakar avhopp i verksamheten?

Förutsägelse: Vilka kunder är i riskzon just nu?

Prevention: Vilka åtgärder kan förhindra avhopp?

Två typer av avhopp

Frivilligt avhopp (voluntary churn): Kunden väljer aktivt att lämna.

Exempel:

Säger upp prenumeration
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)
Dör (för individer)

Fokus i denna guide: Frivilligt avhopp (kan påverkas genom retention-strategi).

Datainsamling för avhoppsanalys

Från befintligt innehåll och utvecklat:

Definiera avhopp

Första steget är att definiera exakt vad som räknas som avhopp.

Olika definitioner beroende på bransch:

Prenumerationstjänst:

Kunden säger upp prenumeration = avhopp
Kunden pausar men inte säger upp = ej avhopp (än)

E-handel:

Kunden köpte regelbundet men inte gjort 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 = partial churn (minskad intäkt)

Viktigt: Konsistent definition så att data är jämförbar över tid.

Samla historisk data

Tidsperiod: Minst 6-12 månader av avhoppsdata för att hitta mönster.

Data om avhoppare:

Från CRM/kundregister:

Kund-ID
Kund sedan (start-datum)
Avhoppsdatum
Total tid som kund
Total spenderad (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/app (om identifierad inloggning):

Antal besök senaste 30/60/90 dagarna
Antal inloggningar
Sidor besökta
Features använda (för SaaS)
Tid på plattform

Från kundsupport/kundtjänst:

Antal kontakter
Typ av kontakter (frågor, klagomål)
När senaste kontakt
Lösta vs olösta problem

Från andra källor:

Livshändelser (flyttning, byte av arbete) om tillgängligt
Betalningsmetod-förändringar
Deltagande i undersökningar/feedback

Samla data om aktiva kunder

Jämförelsegrupp: För att identifiera vad som är unikt för avhoppare behövs samma data för kunder som INTE hoppat av.

Samma datapunkter samlas:

Demografi
Köphistorik
Webbplats/app-beteende
Kundsupport-kontakter

Resultat: Två dataset – avhoppare vs aktiva – redo för jämförelse.

Analysmetoder

Deskriptiv analys (vad hände)

Grundläggande statistik:

Churn rate: (Antal avhoppare ÷ Totalt antal kunder vid periodens början) × 100

Exempel:

1,000 kunder vid månadens början
50 hoppade av
Churn rate = 5%

Segmenterad churn rate: Jämför avhopp mellan segment.

Exempel:

Segment	Kunder	Avhoppare	Churn Rate
Nya (<3 mån)	300	30	10%
Aktiva (3-12 mån)	500	15	3%
Lojala (>12 mån)	200	5	2.5%

Insikt: Nya kunder har 4x högre churn än lojala. Fokusera onboarding.

Avhoppstidpunkt: När i kundresan hoppar folk av?

Exempel:

40% hoppar av inom första 3 månaderna
30% hoppar av vid 12-månaders förnyelse
20% hoppar av vid 24-månaders förnyelse
10% hoppar av slumpmässigt

Insikt: Kritiska tidpunkter är onboarding och årliga förnyelser.

Jämförande analys (skillnader mellan grupper)

Hitta gemensamma nämnare hos avhoppare:

Beteendeskillnader:

Exempel (SaaS):

Metric	Avhoppare	Aktiva	Skillnad
Inloggningar/månad	2	15	Avhoppare använder mindre
Features använda	1-2	4-6	Avhoppare utforskar mindre
Supportkontakter	5	1	Avhoppare har fler problem
Tid sedan senaste aktivitet	20 dagar	3 dagar	Avhoppare inaktiva längre

Insikt: Låg användning + många supportärenden = varningssignaler.

Demografiska skillnader:

Exempel (e-handel):

Avhoppare: 70% män, 60% 18-25 år, 80% Stockholm
Aktiva: 50% män, 40% 18-25 år, 30% Stockholm

Insikt: Unga män i Stockholm har högre churn. Kanske fel produktsortiment för den målgruppen?

Kohortsanalys

Analysera avhopp per kohort (grupp kunder som började samtidigt).

Exempel:

Kohort Jan 2025: 100 nya kunder

Efter 1 mån: 90 kvar (10% churn)
Efter 3 mån: 75 kvar (25% kumulativ churn)
Efter 6 mån: 60 kvar (40% kumulativ churn)
Efter 12 mån: 50 kvar (50% kumulativ churn)

Kohort Feb 2025: 100 nya kunder

Efter 1 mån: 85 kvar (15% churn – sämre än Jan)

Insikt: Något förändrades mellan Jan och Feb som ökade tidig churn. 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 längre (behov förändrades)
Dålig kundservice
Produkt/tjänst fungerade inte som förväntat

Kategorisera svar: Skapa kategorier och räkna hur vanliga varje orsak är.

Exempel:

Orsak	Andel
Pris	35%
Konkurrent	25%
Behov upphört	20%
Dålig service	15%
Tekniska problem	5%

Insikt: Pris och konkurrent = 60% av avhopp. Prisstrategi och differentiation viktigt.

Supportärende-analys: 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 hoppa av)

Machine learning-modeller: Träna modell på historisk data för att förutsäga framtida avhopp.

Input: Alla datapunkter (beteende, demografi, transaktioner, support).

Output: Churn risk-score per kund (0-100%).

Användning: Identifiera kunder med hög risk-score och rikta retention-insatser till dem.

Kräver:

Stor dataset (minst 1,000+ kunder, idealt 10,000+)
Data science-kompetens
Verktyg (Python, R, eller ML-plattformar)

Alternativ för mindre företag: Regelbaserad scoring istället för ML.

Exempel:

Riskscore beräknas:

Ingen aktivitet senaste 30 dagarna: +30 poäng
Supportärende senaste 14 dagarna: +20 poäng
Köp senaste 60 dagarna: -20 poäng
Lojal kund (>12 mån): -30 poäng

Summa risk-score → Kategorisera:

0-30: Låg risk
31-60: Medel risk
61-100: Hög risk

Identifiera varningssignaler

Från befintligt innehåll och utvecklat:

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 identifierad inloggning):

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:

Ökad frekvens av kontakter (mer problem)
Klagomål istället för frågor
Olösta ärenden
Lång tid sedan senaste kontakt (tappar bort företaget)

Demografiska ändringar:

Flyttning (adressändring)
Byte av betalningsmetod (försöker avsluta?)
Ändring i företagsstorlek (för B2B)

Exempel på specifika signaler:

Signal 1: Ingen aktivitet på 30 dagar (SaaS)

80% av kunder som inte loggat in på 30 dagar hoppar av inom 60 dagar
Åtgärd: Skicka re-engagement email vid 20 dagars inaktivitet

Signal 2: 3+ supportärenden på 2 veckor (alla branscher)

60% av kunder med 3+ ärenden på kort tid hoppar av inom 90 dagar
Åtgärd: Eskalera till senior support, erbjud personlig hjälp

Signal 3: Minskad köpfrekvens (e-handel)

Kund köpte varje månad tidigare, nu 4 månader sedan senaste köp
70% av dessa kunder kommer aldrig tillbaka
Åtgärd: Win-back kampanj vid 3 månaders inaktivitet

Signal 4: Besöker prissida + konkurrentsajter (alla)

Jämför alternativ aktivt
50% av dessa kunder byter inom 30 dagar
Åtgärd: Personligt erbjudande, påminn om värde

Processs för avhoppsanalys

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 baseline

Nuvarande churn rate: Vad är avhoppsgraden idag?

Segmenterad churn: Hur skiljer sig churn mellan segment?

Kostnad av churn: Hur mycket intäkt förloras per månad/år på grund av avhopp?

Exempel:

Churn rate: 5%/månad
1,000 kunder × 300 kr/månad = 300,000 kr MRR
Förlorad intäkt: 300,000 × 0.05 = 15,000 kr/månad
Årlig förlust: 180,000 kr

Steg 3: Jämför avhoppare vs aktiva

Identifiera skillnader:

Beteenden
Demografi
Transaktionsmönster
Support-kontakter

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% av avhoppare? Eller 20%?

Prioritera starkaste signalerna: De som är vanligast och tidigast.

Steg 5: Skapa risk-scoring

Definiera risk-score: 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

Kategorisera:

0-30: Låg risk
31-60: Medel risk
61-100: Hög risk

Steg 6: Implementera tracking

Automatisera identifiering: System som beräknar risk-score löpande för alla kunder.

Plattformar:

CRM med custom fields
Customer success-plattformar (Gainsight, ChurnZero)
Custom dashboards (Tableau, Power BI)

Alerts: Notifikation när kund hamnar i ”Hög risk”-kategori.

Steg 7: Validera och iterera

Testa prediktioner: Hur många av ”Hög risk”-kunderna hoppar faktiskt av?

Om 60%+ av hög-risk kunder hoppar av: Modellen fungerar.

Om <30%: Modellen behöver förbättras (andra faktorer mer viktiga).

Iterera: Justera poäng baserat på faktiskt utfall. Kontinuerlig förbättring.

Exempel: Komplett avhoppsanalys

Scenario: SaaS-företag med hög churn

Nuläge:

2,000 kunder
10% churn/månad (200 kunder förlorade)
MRR: 500 kr/kund
Förlorad MRR: 100,000 kr/månad

Steg 1: Data samlad

Avhoppare (senaste 6 månader): 1,200 kunder

Aktiva kunder: 2,000 kunder

Steg 2: Jämförelse

Metric	Avhoppare	Aktiva
Inloggningar/månad	3	20
Features använda	1	5
Supportärenden/månad	2	0.3
Dagar sedan aktivitet	25	2

Steg 3: Identifierade varningssignaler

Signal 1: Ingen inloggning på 14+ dagar

85% av avhoppare hade detta
10% av aktiva kunder hade detta

Signal 2: Använder endast 1 feature

90% av avhoppare
15% av aktiva

Signal 3: 2+ supportärenden på 30 dagar

70% av avhoppare
5% av aktiva

Steg 4: Risk-scoring

Poäng:

+40: Ingen inloggning 14+ dagar
+30: Använder endast 1 feature
+20: 2+ supportärenden
-30: Inloggning senaste 7 dagarna
-20: Använder 4+ features

Steg 5: Identifierade 400 ”Hög risk”-kunder

Åtgärd:

Email-kampanj: ”Vi märkte att du inte använt X feature – här är en guide”
Personlig outreach från customer success till högvärde-kunder
Erbjud 1-on-1 onboarding-session

Resultat efter 3 månader:

Churn minskade från 10% till 7%
60 kunder sparade = 30,000 kr MRR behållet
ROI: Retention-insatser kostade 15,000 kr, behöll 30,000 kr MRR (årlig påverkan: 360,000 kr)

Verktyg för avhoppsanalys

Analytics

Google Analytics / Mixpanel: Beteendedata på webbplats/app.

CRM (Salesforce, HubSpot): Kunddata, transaktionshistorik, segmentering.

Customer success platforms

Gainsight, ChurnZero, Totango:

Churn prediction
Health scores
Automated playbooks

Användning: För SaaS och subscription-business.

BI-verktyg

Tableau, Power BI, Looker: Custom dashboards för avhoppsanalys.

Användning: Visualisera churn-data, segment, trends.

Machine learning platforms

H2O.ai, DataRobot, Azure ML: Bygga prediktiva modeller.

Användning: Stora företag med data science-team.

Från analys till åtgärd

Avhoppsanalys är diagnos. Nästa steg är behandling.

Process:

1. Avhoppsanalys

Identifiera VAR och VARFÖR kunder hoppar av
Hitta varningssignaler

2. Målgruppssegmentering

Segmentera kunder baserat på churn-risk
Hög/medel/låg risk

3. Kanalmatris

Planera kommunikation per segment
Vad sägs, via vilken kanal, när

4. Exekvera

Skicka retention-kampanjer
Personlig outreach för högt värdefulla kunder

5. Mät

Minskade churn rate?
Hur många sparades?

6. Iterera

Kontinuerlig analys
Förbättra modeller baserat på nya data

Kontakta oss för avhoppsanalys

Carnaby hjälper företag genomföra systematiska avhoppsanalyser – från datainsamling till identifiering av varningssignaler till implementering av prediktiva modeller som faktiskt minskar churn.

Kontakta oss →