Churn Prevention: Kundenabwanderung durch Churn Score frühzeitig erkennen

Zufriedene Kunden — das Ziel eines jeden Unternehmens. Sie sind loyal, sie schätzen Ihre Produkte oder Services. Doch manchmal bleiben die Bestellungen aus, Verträge werden gekündigt. Was passiert da? Wie kann man den Kunden Churn präventiv verhindern? In diesem Artikel zeige ich Ihnen, wie Sie durch einen Churn Score aktiv Churn Prevention bereiten können, um so mehr Kunden zu halten.

Lassen Sie uns zu nächst auf das Thema Churn allgemein gucken

Was ist „Churn“?

„Churn“ ist ein Kunstwort aus dem Englischen und setzt sich aus den Begriffen „Change“ und „Turn“ zusammen. Somit wird auch häufig von Churn-Management Maßnahmen gesprochen, die einer Kündigung entgegenwirken oder vorbeugen sollen. Churn Management wiederum fasst alle Maßnahmen rund um die Abwanderung der Kunden zusammen.

Im Business wird „Churn“ als Begriff für die Kundenabwanderung genutzt. Sei es aktiv, wie beispielsweise durch Kündigung einer Dienstleistung, oder sei es passiv, etwa durch Orderausfälle. Ursprünglich wurde Churn vor allem im Bereich der Telekommunikation verwendet und hat sich inzwischen im Marketing anderer Branchen etabliert.

Wie wird Churn für unterschiedliche Geschäftsmodelle definiert?

Die Fragen, die sich in diesem Zusammenhang stellen, sind nicht nur die nach den Anzeichen und Gründen für die Abwanderung, sondern auch nach ihren Kriterien. Ab wann gilt in einem Unternehmen ein Kunde als abgewandert?

Verträge oder Abonnements

In vertragsbasierten Kundenbeziehungen ist der Zeitpunkt der Abwanderung relativ klar: Eine Vertragskündigung durch den Kunden markiert eindeutig das Ende. Mit Churn Prediction kann man Voraussagen zu anstehenden Kündigungen treffen und diesen Voraussagen mit einer Reihe etablierter Kundenbindungsmaßnahmen begegnen.

Churn im E-Commerce

Bei handelsbasierten Kundenbeziehungen wird die Abwanderung softer erscheinen. Die Produkte werden seltener erworben oder die Volumen der Bestellungen gehen zurück — das kann je nach Branche und Kundengruppe aber verschiedene Gründe haben. Hier geben vor allem solche Daten weiteren Aufschluss, die das Surfverhalten auf der Website oder im Onlineshop des Unternehmens betreffen oder die Interaktion mit digitalen Marketingkampagnen, z.B. dem regelmäßigen Newsletter.

Risiken erkennen: Churn vorhersagen

Mit sogenannter Churn Prediction, einem datenanalytischen Prognoseverfahren des Churn Managements, können Unternehmen Big Data nutzen, um die Wahrscheinlichkeit von Kündigungen oder Abwanderung eines jeden Kunden zu berechnen — und Maßnahmen zur Reduzierung der Abwanderung sowie zur Verbesserung der Kundenzufriedenheit zu definieren.

Wenn man Maßnahmen ergreift, um die Abwanderung zu vermeiden, dann redet man auch von Churn Prevention. Unternehmen ergreifen proaktiv Maßnahmen, um den Kunden zu halten.

Warum ist die Früherkennung von Churn so wichtig?

Eine bekannte Marketingregel besagt, dass die Akquise eines Neukunden ein Unternehmen fünfmal mehr kostet (5x!), als das gezielte Verkaufen an einen Bestandskunden. Churn Prediction greift dort ein, wo ein Unternehmen Gefahr läuft, Bestandskunden zu verlieren. Bevor die Kundenbindung nachlässt, greift Churn Prevention durch aktive Kundenbindungsmaßnahmen ein, um die Abwanderung zu vermeiden.

Churn Prevention wird häuft über Churn-Warnungen getriggert, d.h. ein Kunden hat einen Grenzwert in seiner Churn Wahrscheinlich keit überschritten und wird in eine Präventionskampagne aufgenommen. Folgende Grafik zeigt, wie Churn Prevention aktiv eingreift, um Umsatzverluste zu vermeiden.

Churn-Warnungen durch zur Churn Prevention (Kündigerprävention).
Churn-Warnungen zur Kündigerprävention.

Wie die Grafik zeigt können durch gute Churn Prevention Kunden gehalten und Umsätze gesichert werden. So können Churn Scores durch Ihre Daten nicht nur negative Trends erkennen und helfen, die Kundenzufriedenheit der loyalen Kunden zu erhöhen, sondern auch warnen, bevor die Abwanderung überhaupt eintritt.

Kundenabwanderung mit gezielter, proaktiver Churn Prevention reduzieren

Datenwissenschaftliche Erkenntnisse helfen Unternehmen bereits dabei, den nächsten Kaufzeitpunkt der Bestandskunden richtig vorherzusagen oder den Customer Lifetime Value (CLV) der Kunden zu optimieren. Bessere Kundenbindung dank Big Data und KI ist also bereits in vollem Gange. Auch mit intelligenter, auf ein Unternehmen abgestimmter Churn Prediction lassen sich Maßnahmen zur besseren Kundenbindung definieren.

Und das ist essentiell, denn im multimedialen Zeitalter sinkt die Kundentreue kontinuierlich: Von immer neuen Angeboten und immer einfacheren Shopping-Lösungen gelockt, sind Kunden eher geneigt, einem bisher geschätzten Unternehmen den Rücken zu kehren. Identifiziert sich ein Kunde nicht (mehr) mit einer Marke oder einem Produkt, ist die Abkehr so gut wie sicher.

Umso wichtiger ist es, die möglichen Abwanderungs-„Fallen“ — technologische, produktseitige, serviceseitige usw. — rechtzeitig zu erkennen und proaktiv in Kundenbindungsmaßnahmen umzuwandeln. Datenbasierte Erkenntnisse können hier zu verbessertem Service, einfacheren Zahlungsabwicklungen, intelligent optimierten Produktfeatures und personalisierten, positiv emotionalisierenden Marketingaktivitäten führen. Alles im Zeichen einer stärkeren Kundenbindung.

So funktioniert Churn Prediction

Wie bei allen Modellen, die dem Bereich Künstliche Intelligenz und maschinelles Lernen zugeordnet sind, steht und fällt auch der Erfolg von Churn Prediction mit dem individuellen unternehmensspezifischen Kontext: Welche Kundengruppen und Produkte bzw. Services sind relevant, welche Station der Customer Journey bildet die Basis und welches Ziel genau soll verfolgt werden.

Selbstverständlich können unterschiedliche Kundengruppen — Neukunden, Stammkunden, VIP-Kunden sowie unterschiedliche User Personas — und unterschiedliche Produkte auch in eigenen Modellen berücksichtigt werden.

Wie wir weiter oben schon angesprochen haben, ist auch die Abwanderung selbst eine Definitionsfrage, die vom Unternehmen, dem Geschäftsmodell, der Branche und anderen Faktoren abhängig ist. Da so viele Variablen zu berücksichtigen sind, entstehen die erfolgversprechendsten Churn Prediction Modelle durch eine iterative Annäherung.

Die anschließende Datenaufbereitung bildet die Grundlage für die Vorhersage, indem sie sogenannte „Features“ bzw. Merkmale liefert — bei der Modellierung kommen dann klassische Prognosemodelle wie Entscheidungsbäume oder modernes Deep Learning zum Einsatz.

churn prediction vorhersage von Kundenabwanderung
Modellierung von Churn-Wahrscheinlichkeit durch maschinelles Lernen.

Das fertige Churn Prediction Modell muss regelmäßig aktualisiert werden, um die Abwanderungswahrscheinlichkeit für die Planung von Abwanderungspräventions- oder Marketingkampagnen abrufbereit zu halten.

Wie der Churn-Score am Ende in Ihrem Business eingesetzt werden kann, hängt stark vom Geschäftsmodell ab (Handel vs. Verträge oder Subscriptions). Wenn Sie dazu Fragen haben schreiben Sie mir gerne eine Mail.

Wenn Sie ein Beispiel für einen Churn-Score sehen wollen, dann schauen Sie in diesen Artikel von mir: Churn Prediction Beispiel mit Python.

Sie wollen weitere Informationen zu maschinellem Lernen und KI?

Erhalten Sie tiefe Einblicke wie Sie mit künstlicher Intelligenz und maschinellem Lernen Ihr Marketing optimieren können, sowie Zugang zu exklusiven Whitepapern und praktischen Anleitungen.

Mit der Anmeldung zu unserem Newsletter stimmst du unserer Datenschutzerklärung zu.

Vorteile von Churn Management

Die durch Churn Prediction gewonnenen Erkenntnisse können den Unternehmen eine Reihe von Vorteilen bieten: Von rechtzeitiger Einsicht in sich häufende Probleme mit Produkten, Lieferungen oder dem Kundendienst über die Verbesserung des Waren- oder Serviceangebots bis hin zur Rückgewinnung bereits abgewanderter Kunden, die Möglichkeiten sind äußerst vielfältig.

Ob Marketing, Vertrieb oder Kundenservice — das gesamte Unternehmen profitiert von den Abwanderungsvorhersagen:

  • Abwanderungsgründe wichtiger Kundengruppen lassen Rückschlüsse auf fehlende Produktfeatures, Mängel im Service, Probleme in der Kommunikation u.ä. zu und erlauben so eine effektive Verbesserung des Warenangebots und der Unternehmenskommunikation;
  • Das Abwandern von Kundengruppen mit niedrigem Kundenwert wird als solches erkannt und spart dem Unternehmen erheblichen Rückgewinnungsaufwand;
  • Negative Reaktionen auf vergangene Kampagnen lassen Unternehmen künftige Kampagnen genauer und budgeteffizienter planen und durchführen;
  • Auf den Abwanderungserkenntnissen basierende Prognostizierung ermöglicht Strategien zur Gewinnung vielversprechender neuer Zielgruppen.

Die Vielzahl der Szenarien und Beispiele ließe sich für verschiedene Branchen und Geschäftsmodelle weiter fortführen.

Welche herausforderungen gibt es bei der Churn Prediction?

Auch KI-basierte Prognosen leben davon, wie genau ein Unternehmen seine Branche und seine Kunden kennt. Zu den Herausforderungen bei der Interpretation der Ergebnisse gehören daher solche Faktoren, die sich den Algorithmen entziehen.

Beispielsweise kann eine Abwanderungsvorhersage ergeben, dass die Kunden trotz Reklamationen oder Umtauschaktivitäten dem Unternehmen die Treue halten. Die Frage, die sich ein Datenspezialist an dieser Stelle in aller Klarheit beantworten können muss, lautet: Liegt es an der emotionalen Loyalität oder am Mangel an alternativen Produkten oder Services?

Und: Selbst glückliche Kunden können scheinbar ohne Grund jederzeit abwandern. Die Frage ist, liegt es an der veränderten Marktsituation, an Änderungen im Kaufverhalten des Kunden — oder hat sich vielleicht etwas Entscheidendes an der Kundenbindung spontan verschlechtert?

Beispiele hierfür: Neues Außendienstteam im B2B-Bereich, negativ polarisierende Marketingkampagne im B2C-Bereich, verkomplizierte Abwicklung durch eine technische Änderung, Lieferverzug usw.

Fazit

Gerade im B2C-Bereich haben es Unternehmen oft schwer, die Bedürfnisse, Probleme und Wünsche ihrer Kunden zu verstehen und die Produkte, Services sowie die Markenkommunikation kundennah zu gestalten. Neue Technologien schaffen neue Opportunities, doch stellen sie Firmen auch vor neue Herausforderungen von wachsender Komplexität. Wo das persönliche Beratungsgespräch entfällt, können auf das jeweilige Unternehmen und Produkt sowie die jeweilige Kundengruppe abgestimmte Churn Prediction Modelle gezielt Schwächen ermitteln.

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Auch interessant für Sie

Laurenz Wuttke datasolut Gmbh
Laurenz Wuttke schreibt gerne über KI im Marketing.

Jetzt zum Newsletter anmelden!

Abonnieren Sie den datasolut Blog und erhalten Sie Expertentipps zu Marketingoptimierung durch intelligente Kundenanalysen.

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.