Churn Prediction für eine Subscription App
Churn – der Alptraum eines jeden Unternehmens. Wie wäre es, wenn wir Ihnen verraten, wie Sie ihn vorhersagen und damit effektiv verhindern können?
Ein intelligentes Frühwarnsystem zur gezielten Churn-Prävention prognostiziert die Abwanderung oder Inaktivität von Nutzern.
Wie wir das Frühwarnsystem für eine Fitness-Abo-App implementiert haben und wie das vielversprechende Ergebnis aussieht, erfahren Sie in diesem Use Case.
Churn vermeiden ohne KI?
Je intensiver eine App genutzt wird, desto höher ist die Bereitschaft, Geld für das Produkt auszugeben. Sobald ein Abonnent jedoch nicht mehr regelmäßig in der App aktiv ist, besteht ein hohes Risiko, dass er sein Abonnement kündigt. Um den Umsatz zu steigern und Kündigungen vorzubeugen, muss das Unternehmen solche Risiko-Abonnenten identifizieren. Dann kann es Bindungsmaßnahmen einleiten.
Unser Kunde ist ein Unternehmen, das eine Fitness-App anbietet. Die App bietet den Nutzern ein kostenloses Abonnement an, das nach einem Monat endet und im besten Fall in ein kostenpflichtiges Abonnement übergeht.
Leider wird die App nicht selten kurz nach der Installation wieder verlassen und die Neukundengewinnung ist alles andere als günstig. Nur 9,5% der Nutzer entscheiden sich für ein Abonnement, wenn sie nicht bereits am ersten Tag ein Abonnement abschließen (92% der Abonnenten schließen am ersten Tag ein Abonnement ab).
Die folgende Grafik verdeutlicht dies:
Von der Registrierung bis zum Abschluss vergehen nur wenige Stunden. Danach ist das Interesse an einem Abschluss gering. Die Zeit von der Registrierung bis zum Abonnement.
Die Marketingmanager stehen also vor der Herausforderung, die Risiko-Abonnenten zu identifizieren, um sie durch gezieltes Marketing zum Bleiben zu bewegen. Doch wie lassen sich Risiko-Abonnenten identifizieren? Welche Profile neigen zur Inaktivität?
Um diesen Herausforderungen bestmöglich zu begegnen, implementieren wir eine Inaktivitätsprognose. Diese basiert auf intelligenten Verfahren des maschinellen Lernens und ermöglicht eine Einschätzung des individuellen Abbruchrisikos pro Nutzer.
Auf Basis historischer Nutzerdaten können wir Nutzerprofile identifizieren, die ein hohes Inaktivitätsrisiko aufweisen. So können gezielte Marketingmaßnahmen eingesetzt werden, um den Nutzer zur Nutzung der App zu motivieren.
Wie erstellen wir eine Inaktivitätsprognose? Wir sagen es Ihnen!
In mobilen Apps kann die Interaktion der Nutzer mit den Produkten erfasst werden. Wir haben Zugriff auf über hundert verschiedene In-App-Events von über zehntausend Nutzern. Da uns insbesondere interessiert, welche Merkmale Profile aufweisen, die nach kurzer Zeit wieder verlassen werden, erfassen wir folgende Merkmale:
- Aktive Tage der letzten 3 Tage
- Anzahl Ereignisse der letzten 3 Tage
- Anzahl Sessions der letzten 4 Tage
- Tage seit letzter Impression
- Alter der Kunden
- Trainingsziel (Abnehmen, Muskelaufbau, etc.)
- Viele weitere
Das sind genug Daten, um ein Modell zu erstellen, das mit Hilfe von maschinellem Lernen für jeden Nutzer einen individuellen Vorhersagewert berechnet.
Uns ist es wichtig, ein möglichst genaues Ergebnis zu erhalten, deshalb lassen wir die Inaktivität für die nächsten zehn Tage vorhersagen.
Danach übernimmt die Marketingabteilung und überzeugt die Nutzer mit Trigger-Kampagnen, ein Abo abzuschließen.
Wie gehen wir dabei vor?
1.
- Prüfung bestehender Datengrundlage
- Ableitung Machine Learning Features
- Ableitung der Zielvariablen
2.
- Modell Validierung
- Interpretation der
Modellergebnisse - Ableitung
Empfehlungen für
Fachbereich
3.
- Bereitstellung täglicher Scores
- Test & Begleitung des Rollout
- Entwicklung der Trigger
Kampagne
Mit der KI-basierten Churn Prediction ist eine deutliche Steigerung möglich
Durch die Implementierung von Churn Prediction konnten die Marketingmanager zielgerichtete Kampagnen durchführen und so die Nutzung der App deutlich steigern. Dadurch wird die Bindung der Zielgruppe an die App gestärkt und die Churn Rate der Abonnenten gesenkt.
Die folgende Tabelle zeigt die Ergebnisse der Modellvalidierung (A/B-Test):
Die Zielgruppe wurde in zwei Gruppen aufgeteilt:
1. Gruppe: Gruppe, die durch den Inaktivitätsscore als abwanderungsgefährdet identifiziert wurde
2. Gruppe: Kontrollgruppe
Das Ergebnis ist eindeutig:
Im direkten Vergleich zur Kontrollgruppe konnten die App-Öffnungen bei der 1. Gruppe um das 3,4-fache gesteigert werden. Auch beim App-Engagement ist eine Verbesserung zu erkennen: Ganze 1,5x mehr App-Engagement kann bei der 1. Gruppe festgestellt werden.
Wir sehen, dass gezielte Kommunikation erfolgreich sein kann: Die Nutzer werden motiviert, die App zu öffnen oder sogar zu trainieren.
Da man nicht hundertprozentig wissen kann, welcher Kunde wann abspringt, ist die Vorhersage eine geschickte Methode, um Präventionsmaßnahmen in Form von Kommunikation einzuleiten.
Sie finden das Thema Churn Prediction spannend und möchten gerne mehr darüber erfahren?
Wenn Sie Churn Prediction in Ihrem Unternehmen implementieren möchten, stehen wir Ihnen gerne zur Verfügung!
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