Churn Prediction: Definition, Vorteile und Anleitung

Wollen Sie wissen, welche Kunden als nächstes kündigen? Churn Prediction ermöglicht es Ihnen durch Machine Learning abwandernde Kunden frühzeitig zu erkennen. Wie Sie Churn Prediction in vier einfachen Schritten umsetzen können und was Ihnen das bringt, erfahren Sie in diesem Artikel!

Lassen Sie uns direkt einsteigen:

1. Was ist Churn Prediction?
2. Warum ist Churn Prediction wichtig?
3. Für wen lohnt sich Churn Prediction?
4. Welche Vorteile hat Churn Prediction?
5. Welche Daten braucht man für einen Churn Score?
6. Wie funktioniert Churn Prediction? Eine Schritt für Schritt Anleitung
7. Fazit Churn Prediction

Was ist Churn Prediction?

Churn Prediction, auch Abwanderungsvorhersage genannt, ist eine Vorausanalyse. Sie gibt Aufschluss darüber, welche Kunden gefährdet sind abzuwandern. Dadurch ermöglicht sie es, gezielte Maßnahmen zur Kündigerprävention von hoher Effektivität und Effizienz zu treffen. Diese Vorhersage basiert auf den Algorithmen maschinellen Lernens und Künstlicher Intelligenz, die Kundendaten nutzen, um die Abwanderung für die Zukunft vorherzusagen.   

Mit der Abwanderung von Kunden gehen signifikante finanzielle Verluste einher. Je höher die Zahl der Kündiger und somit die Churn Rate ist, desto spürbarer wird dieser Verlust. Hinzu kommt, dass es deutlich teurer ist, neue Kunden dazu zu gewinnen, als Maßnahmen und Kampagnen zur Reaktivierung auszuspielen.

Mit den technologischen Möglichkeiten der heutigen Zeit und den Verfahren der Künstlichen Intelligenz gibt es jedoch exzellente Werkzeuge, die eine Prognose schnell und unkompliziert realisieren.

Es ist also umso wichtiger, die modernen Technologien zu nutzen, sodass Sie vorher wissen, welche Ihrer Kunden abwanderungsgefährdet sind.

Warum ist Churn Prediction wichtig?

Die Analyse des Abwanderungsverhaltens Ihrer Kunden ist ein zentrales Element in jeder CRM Strategie. Insbesondere für Geschäftsmodelle, bei denen Abonnements oder Verträge abgeschlossen werden, ist die Vermeidung von Kundenabwanderung wichtig. Durch verhältnismäßig hohe Akquisitionskosten ist der Verlust von Bestandskunden besonders schmerzhaft und wenn möglich zu reduzieren. Lassen Sie uns ein konkretes Beispiel rechnen, das veranschaulicht, wie wichtig geringe Kundenabwanderung ist. 

Wir betrachten zwei fast identische Unternehmen. Beide haben einen Kundenstamm mit 10.000 Kunden. Unternehmen A hat eine monatliche Churn Rate von 2,5%, hingegen hat Unternehmen B eine Churn Rate von 1,5%.

Nach bereits 12 Monaten macht sich ein deutlicher Unterschied in der Kundenentwicklung bemerkbar. Bei Unternehmen B ist der Kundenstamm 13% größer als bei Unternehmen A. 

Das Beispiel zeigt deutlich, wie entscheidend eine geringe Kundenfluktuation für den Unternehmenserfolg ist. Können Sie sich vorstellen, wie dieser Trend sich fortschreibt?

Damit das nicht passiert können Sie Machine Learning einsetzen, um Kundenabwanderung frühzeitig zu erkennen. Lassen Sie uns schauen für welche Branchen und Geschäftsmodelle sich Churn Prediction lohnt. 

Für wen lohnt sich Churn Prediction?

Churn Prediction lohnt sich insbesondere für Branchen, bei denen ein Vertrag oder Abonnement abgeschlossen wird – also im Rahmen von Dauerschuldverhältnissen. Hierunter fällt eine Vielzahl von Branchen. Die wichtigsten Branchen, in denen Churn Prediction genutzt wird, sind: 

• die Telekommunikation,
• das Banken- und Versicherungswesen,
• die Energieversorgung,
• Streamingdienste und
• der Software as a Service (SaaS) Bereich.

Zusammengefasst lohnt sich Churn Prediction für alle Geschäftsmodelle mit Verträgen oder Abonnements. Auch im E-Commerce lässt sich natürlich eine Prognose über die Kundenabwanderung erstellen.

Welche Vorteile hat Churn Prediction?

Churn Prediction kann abwanderungsgefährdete Kunden frühzeitig erkennen. So können Sie durch gezielte Maßnahmen die richtigen Kunden erreichen und von der Abwanderung abhalten. Das hat den Vorteil, dass Ihr Präventionsbudget präzise eingesetzt statt über den ganzen Kundenbestand verteilt wird.

Eine erfolgreich verhinderte Abwanderung erspart Ihnen für diese Kunden die andernfalls oft eingesetzten Maßnahmen zur Kündigerrückgewinnung.

Diese ist im Vergleich weniger erfolgversprechend, da Kunden möglicherweise bereits beim Wettbewerber einen neuen Vertrag abgeschlossen haben.  

Lassen Sie uns im Folgenden die Vorteile von Churn Prediction nochmal genauer betrachten: 

1. Erkennen Sie Kunden, die möglicherweise kündigen

Die frühzeitige Erkennung von abwanderungsgefährdeten Kunden ist für abonnement- und vertragsbasierte Geschäftsmodelle essentiell. Churn hat eine enorme Auswirkung auf die Profitabilität, daher wird oft für die Rückgewinnung viel Geld in die Hand genommen.

Doch durch Churn Prediction und eine gute Churn Management Strategie können Sie bereits vorher Maßnahmen zur Prävention ergreifen. Dies spart zum einen Budget bei der Rückgewinnung und führt andererseits auch zu einem besseren Kundenerlebnis. 

2. Stoppen Sie Kunden vor der Kündigung

Durch unterschiedliche Anreizstrategien (Vorteile und Rabatte) oder Kundenbindungsmaßnahmen können Sie auf Basis des Churn Scores die profitablen Kundenbeziehungen proaktiv halten und den Fokus von unprofitablen Kundenbeziehungen nehmen.

Je nach Abonnenten und Produkt lohnen sich sogar Outbound Calls für die Kundenbindung, aber auch E-Mail-Kampagnen mit attraktiven Vorteilen sind ein gangbarer Weg. 

In diesem Artikel finden Sie eine Anleitung zum Thema Churn Prevention. 

3. Sammeln Sie Informationen über Churn Trends frühzeitig

Durch den Churn Score erkennen Sie schnell Trends in der Kundenabwanderung. Wenn der Churn Score über die komplette Kundenbasis oder in einzelnen Kundensegmenten steigt, dann haben Sie bereits einen Frühindikator, um rechtzeitig zu handeln. Somit wird der Churn Score z.B. dazu genutzt: 

• frühzeitig Probleme mit bestehenden Prozessen, Produkten oder Diensten erkennen
• oder die Auswirkung von Preisoffensiven durch Wettbewerber zu bemerken.

4. Verstehen Sie die Gründe für die Kundenabwanderung durch die Modellinterpretation

Ein Churn Prediction Modell erkennt Muster in den Daten, die die Kundenabwanderung beschreiben. Da es oft nicht nur ein Muster für die Kündigung gibt, ist es besonders für den Fachbereich von hoher Bedeutung zu verstehen, was die Treiber und Muster sind, die die Kundenabwanderung beschreiben.

Das Modell muss also interpretiert und erklärt werden können. 

Für die Interpretation von Machine Learning Modellen können so genannte Shapley Values abgeleitet werden. Durch sie werden Modelle besser beschreibbar und erklärbar, was durch reine Datenanalyse nicht machbar ist. Individuelle Gründe für eine Kündigung lassen sich so erkennen.  

Welche Daten braucht man für einen Churn Prediction Score?

Für einen Churn Prediction Score dienen vor allem Kundendaten als Eingabedaten. Insbesondere Verhaltensdaten, die das Kundenverhalten und mögliche Änderungen darin beschreiben, geben Hinweise, dass Ihre Kunden abwandern könnten. Weitere wichtige Daten sind demographische Informationen, wie das Alter und das Geschlecht.

Jede zusätzliche Information ist hilfreich, um einen Churn Prediction Score zu erstellen. Wir wollen Ihnen einen Überblick über die wirklich wichtigen Daten für Ihren Churn Prediction Score geben: 

• Demographische Daten: Zu wissen, wer die eigenen Kunden sind, ist ein wichtiger Bestandteil für Ihre Churn Prediction. Über die individuellen Kundendaten, wie Wohnort, Alter, Geschlecht, Beschäftigungsstatus, den Job und vielen mehr lassen sich erste Muster und Segmente identifizieren. Eine Kundensegmentierung ist hier ein guter Ansatzpunkt. Verschiedene Kundensegmente haben verschiedene Gründe zur Kündigung oder kündigen auf unterschiedliche Weise.
• Transaktionshistorie: Neben der Kaufhistorie, Mahnungen oder Stornos, sind auch Informationen über die Bezahlmethode interessant. An dieser Stelle können auch die Analyseergebnisse von Customer Lifetime Values (CLVs) einfließen. All diese Informationen sind wichtig, um mögliche Kündiger frühzeitig zu identifizieren.
• Nutzungsdaten: Wichtige Informationen enthalten auch Nutzungsdaten, die beispielsweise darüber Aufschluss geben, wie oft ein Produkt genutzt wird. Wird ein Produkt abrupt seltener genutzt, ist eine Kundenabwanderung wahrscheinlicher. Getrackte Daten zu Interaktionen liefern sehr wertvolle Informationen zur Berechnung eines Churn Prediction Scores.
• Kundenservice: Der Kundenservice sammelt in der Regel sehr wichtige Informationen, die zur Vorhersage des Abwanderungsverhaltens interessant sind. Es wird gespeichert, wie häufig Kunden zu welchen Produkten möglicherweise Probleme haben oder ob ein Kunde sich beschwert hat. In einem Churn Score sind solche Daten sehr wertvolle Merkmale für eine gute Prognosequalität.

Wie funktioniert Churn Prediction? Eine Schritt für Schritt Anleitung

Um das Abwanderungsverhalten von Kunden mit Churn Prediction vorherzusagen und konkrete Maßnahmen daraus abzuleiten, kommt Machine Learning zum Einsatz. Mit Machine Learning Verfahren ist es möglich, die Wahrscheinlichkeit bestimmten Kundenverhaltens – z.B. Churn – vorherzusagen. Wir erklären Ihnen, wie das funktioniert: 

1. Datenbasis analysieren und vorbereiten

Die Datenbasis ist das Fundament für den Erfolg Ihres Churn Prediction Scores. Wie genau die Vorhersagen über das Abwanderungsverhalten am Ende sind, hängt hauptsächlich von der Wahl sowie Verfügbarkeit der richtigen Daten ab. Es gilt: weniger ist mehr.

Man muss ein Modell nicht mit kompletten Kundenhistorien und allen angesammelten Daten füttern – wichtiger ist es, sinnvolle und plausible Daten, die eine Aussagekraft für die Churn Prediction haben, auszuwählen. Dafür müssen die Kundendaten durch eine Datenverarbeitung auf den Churn Anwendungsfall angepasst werden. Häufig lohnt es sich, das angesammelte Wissen von Mitarbeitern in die Datenanalyse einfließen zu lassen. 

Wir verwenden Daten, die das Kundenverhalten aus der Vergangenheit widerspiegeln, um bestmöglich das zukünftige Verhalten schätzen zu können. Damit kann für einen gewissen Zeitraum prognostiziert werden, ob es zur Abwanderung kommt oder nicht.  

2. Churn Prediction Score erstellen

Das Herzstück eines Churn Prediction Scores ist der Algorithmus. In den meisten Fällen wird die Churn Prediction durch Maschinelle Lernmethoden berechnet. 

Basis sind die Eingangsdaten, die zuvor analysiert wurden (siehe Schritt 1). Sämtliche Machine Learning Verfahren und die resultierenden Genauigkeiten sind abhängig von den Eingangsdaten. Passen diese nicht zu dem verfolgten Ziel, werden die Ergebnisse unrealistisch und ungenau sein. Die Datenbasis zu analysieren und exakt aufzubereiten ist also elementar und unabdingbar. 

Wenn bekannt ist, welche Daten einfließen sollen und welches Ziel mit dem Churn Prediction Score verfolgt wird, folgt die Frage, welches Machine Learning Model umgesetzt werden soll. Dies ist in der Regel vom Aufwand, der Anwendung und den vorhandenen Daten abhängig.

Von einer einfachen logistischen Regression bis hin zu Neuronalen Netzen ist hier alles möglich. Beachten Sie aber, dass es nicht möglich ist, von vornherein festzulegen, welches Modell verwendet werden soll und am besten funktioniert. 

In der Regel sollten verschiedene Modelle getestet werden. Welches schließlich die höchsten Genauigkeiten erreicht, zeigt sich hinterher bei der Bewertung der Ergebnisse.

Ein Beispiel zu Churn Prediction in Python finden Sie hier.

Die Modellierung im Machine Learning umfasst folgende Schritte: 

Churn Score Training

Hierzu werden historische Daten herangezogen, bei denen bekannt ist, ob ein Kunde gekündigt hat oder nicht. Der Algorithmus erkennt Muster in den Daten und findet den Zusammenhang zwischen diesen Mustern und der erfolgten (oder nicht erfolgen) Kündigung.

So „trainiert“, kann der Algorithmus für neue Datensätze eine Vorhersage treffen, ob eine Kündigung eintreten wird oder nicht.

Validierung und Fine-Tuning

Entscheidend für die Qualität eines Machine Learning Modells ist letztendlich die Fähigkeit zur Verallgemeinerung. Daher wird die Vorhersagegenauigkeit anhand von Daten, die nicht zum Training verwendet wurden, validiert.

Durch die Feinjustierung sogenannter „Hyperparameter“ wird sichergestellt, dass keine Überanpassung des Modells an die Trainingsdaten stattfindet und die Prognosequalität auch für unbekannte Daten stabil bleibt.

Testen

Nach der Durchführung der ersten beiden Schritte ist das Modell optimal für die Problemstellung kalibriert. Aber ist es auch das am besten geeignete Modell? Auf einem weiteren Testset können nun fertig kalibrierte Modelle miteinander verglichen werden und das Modell ausgewählt werden, das Ihre Anforderungen am besten erfüllt.

3. Kündigungsgefährdete Kunden erkennen und analysieren

Abschließend müssen die Ergebnisse des Churn Prediction Scores analysiert werden. Kunden, bei denen die Scores besonders hoch (also fast 1) sind, tendieren eher zur Kündigung als solche Kunden, deren Scores klein sind.  

Generell sollten Sie folgende Fragestellungen betrachten, wenn Sie die Prädiktion auswerten: 

• Welche Kunden sind kündigungsgefährdet, welche eher weniger?
• Warum sind Kunden möglicherweise stärker gefährdet als andere?
• Und wie können hier mögliche Präventionsmaßnahmen greifen?

Damit installieren Sie ein Frühwarnsystem bei sich im Unternehmen und sehen rechtzeitig, welche Kunden stärker gefährdet sind als andere, Verträge oder Abonnements zu kündigen oder Ihre Dienste nicht mehr anzunehmen. Mit diesem Frühwarnsystem können Sie entsprechende Präventionsmaßnahmen einführen und so Ihren Umsatz sichern. Die nachstehende Abbildung zeigt ganz deutlich, dass Sie bereits nach wenigen Wochen spürbar mehr Umsatz machen. Voraussetzung sind gute Daten, ein genaues Modell und passende Kundenbindungsmaßnahmen.  

Wenn Sie dazu mehr erfahren wollen, dann schauen Sie auf unserer Detailseite zu Churn Management vorbei.

Fazit Churn Prediction

Churn Prediction bietet Ihnen die Möglichkeit, abwandernde Kunden frühzeitig zu erkennen. Auf Basis von Machine Learning lassen sich gute Vorhersagen erstellen, die als Frühwarnsystem bei abwanderungsgefährdeten Kunden dienen.

Wenn Sie im richtigen Moment einschreiten und die Kündigung verhindern, hat dies einen enormen Einfluss auf Ihre Profitabilität. Reduzieren Sie Ihre Churn Rate, prognostizieren Sie ihre Kundenentwicklung und steigern Sie Ihre Umsätze mit Churn Prediction.  

Sie brauchen Hilfe bei Ihrer Churn Prediction? Dann melden Sie sich gerne bei uns!