Churn-Management in der Energiewirtschaft
Gemeinsam mit einem Ökostrom Anbieter aus Hamburg haben wir ein Churn-Modell auf Databricks entwickelt, um für jeden Kunden die Kündigungswahrscheinlichkeit in den nächsten 2 Monaten zu ermitteln.
Auf einen Blick:
- Branche: Energiewirtschaft
- Projektziel: Churn-Management mit KI-Prognose
- Technologien: Databricks, Unity Catalog, MLFlow, Delta Live Tables, Lakehouse Federation, Azure SQL Datenbank, Asset Bundles
- Dauer: 2 Monate
Die Ausgangslage unseres Kunden
Für unseren Kunde aus der Energiewirtschaft mit Sitz in Hamburg, ist das Thema Kundenbindung in diesem Jahr in den Fokus gerückt, insbesondere da durch Marktveränderungen und starke Anpassungen im Preis die Churn Quote im Bestand angestiegen war. Unser Kunde, ein führender Anbieter von Ökostrom in Hamburg, stand vor der Herausforderung, seine bestehende Churn-Prevention-Strategie im CRM zu optimieren.
Obwohl bereits erste Versuche mit einem eigens-entwickelten Modell gestartet wurden, konnte diese Prognose noch nicht effektiv operationalisiert werden, da wichtige MLOps Prozesse fehlten. Unsere Aufgabe war es, den bestehenden Ansatz als Startpunkt zu nutzen, um weitere Datenquellen anzubinden und vor allem eine automatisierte und produktionsreife Churn Prognose zu implementieren.
Bei rund 150.000 aktiven Verträgen war es zudem schwierig, die richtigen Zielgruppen für präventive Maßnahmen zu identifizieren. Das Unternehmen suchte nach einem Dienstleiter, der Ihnen eine individuelle Kündigungsprognose implementiert, die sich nahtlos in die bestehende IT-Infrastruktur in Azure einbinden lässt.
Vor diesen Herausforderungen stand unser Kunde
Marktveränderungen und Preisanpassungen
Die Churn-Quote stieg aufgrund von Marktveränderungen und Preisanpassungen im Bestand signifikant an.
Unzureichende Churn-Prevention
Das bestehende Modell zur Kündigungsprognose konnte aufgrund fehlender MLOps-Prozesse nicht effektiv operationalisiert werden.
Automatische Zielgruppenidentifikation
Bei 150.000 aktiven Verträgen war es herausfordernd, präventive Maßnahmen auf die richtigen Zielgruppen abzustimmen und in einen automatisierten Präventionsprozess zu überführen.
Um das Churn Management effizienter zu gestalten, haben wir zunächst die vorhandenen Datenquellen über Lakehouse Federation in Databricks angebunden. Die Quelldaten bestanden dabei aus Abrechnungsdaten, Verbrauchsdaten, Vertragsdaten sowie Kundenstammdaten, die verteilt in unterschiedlichen Quellsystemen zur Verfügung lagen. Die zugrundliegende relationale Azure-Datenbank wurde über Azure Databricks angebunden, wo die eigentliche Datenmodellierung und das Pre-processing der Features durchgeführt wurde. Dies ermöglichte unserem Projektteam eine sehr effiziente und automatisierte Datenaufbereitung und die Erstellung eines zentralen und robusten Feature Stores.
Unser Lösungsansatz
Zur Datenanbindung wurden anstelle der bisherigen CSV-Exporte jetzt mehrere Feature Pipelines mit Databricks Jobs von uns programmiert. Hierfür wurden die bestehenden Datensätze für die Modellerstellung in einem zentralen Feature Store im Unity Catalog abgespeichert. Die insgesamt rund 55 von uns berechneten Feature (statische und dynamische), umfassten bestehende und neue relevante Attribute (% Preisunterschied zwischen Spot-Preis und Vertragspreis). .
Die Modellentwicklung:
Auf Basis der vorliegenden Daten des Flatfiles wurde ein XGBoost-Modell auf historischen Daten der letzten 10 Jahre trainiert, das die Wahrscheinlichkeit einer Kündigung innerhalb der nächsten zwei Monate vorhersagt. Das Retraining des Modells erfolgt monatlich und der Scoring Job wird täglich ausgeführt.
Die Nutzung von Spark auf Databricks, MLflow für Modelltracking und Experimente sowie der Unity Catalog für Data Governance stellte sicher, dass das Modell in einer produktionsreifen Umgebung betrieben werden konnte.
Wie gehen wir beim Churn-Management in der Energiewirtschaft vor?
1.
Basierend auf statischen und dynamischen Features wurde ein Churn-Modell trainiert. Dieses Modell wurde mit historischen Daten der letzten 10 Jahre trainiert, um Muster und Zusammenhänge zu erkennen und zukünftige Kündigungswahrscheinlichkeiten präzise zu prognostizieren.
2.
Mehrere Modellvariationen wurden getestet und anhand eines Datensatzes mit bekannten Churn-Verhalten validiert. Das Modell mit der höchsten Vorhersagegenauigkeit (ROC Score von 0.7) wurde ausgewählt und implementiert.
3.
Das ausgewählte XGBoost Modell wurde in die IT-Infrastruktur des Kunden integriert. Die Churn Scores werden täglich in Databricks erstellt und dann in die Azure Zielumgebung übertragen.
Wollen Sie mehr über das Thema Churn Management in der Energiewirtschaft erfahren? Dann kontaktieren Sie uns!
Ihr Ansprechpartner
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte