Kundenabwanderung datenbasiert vorhersagen

Wenn ein Kunde kündigt, ist die Entscheidung längst gefallen. Er hat sich seit einem Monat nicht mehr eingeloggt, seine Nutzung zurückgefahren, ein Support-Ticket versanden lassen und im Stillen nach einer Alternative geschaut. Die Kündigung ist nur noch Formsache.

Die Kunst besteht nicht darin, auf diese Formsache zu reagieren. Sie besteht darin, das Abdriften zu erkennen, das ihr vorausgeht, solange noch etwas zu retten ist.

Die meiste Abwanderung verläuft still, und genau deshalb ist sie vorhersehbar

Der Reflex ist, auf eine Beschwerde zu warten. Genau dieser Reflex ist das Problem. Die allermeisten unzufriedenen Kunden melden sich nie. Sie nutzen das Produkt einfach weniger, verlängern nur zögerlich und sind irgendwann weg.

Stille bedeutet nicht, dass es kein Signal gibt. Wer kurz vor dem Absprung steht, verhält sich lange vorher anders. Logins werden seltener. Die Feature-Nutzung stagniert. Support-Kontakte häufen sich plötzlich oder bleiben ganz aus. Rechnungen geraten in Verzug. Keines dieser Signale ist für sich genommen ausschlaggebend, aber zusammen ergeben sie ein Muster, und Muster sind genau das, was Modelle erkennen.

Was ein Churn-Modell tatsächlich liefert

Ein Churn-Modell weist jedem Kunden eine Abwanderungswahrscheinlichkeit für ein bestimmtes Zeitfenster zu, die nächsten 30, 60 oder 90 Tage. Trainiert wird es, indem man frühere Kunden als abgewandert oder gehalten kennzeichnet und das Modell lernen lässt, welche Verhaltensmuster die beiden Gruppen unterscheiden. Vertragsdauer, Aktualität und Häufigkeit der Nutzung, Support-Historie, Zufriedenheitswerte, Zahlungsverzug und Tariftyp spielen dabei alle eine Rolle.

Das Ergebnis ist kein Dashboard. Es ist eine priorisierte Liste: die Accounts mit dem höchsten Abwanderungsrisiko, so geordnet, dass der Retention-Aufwand dort landet, wo er etwas bewegt, und nicht dort, wo es am lautesten ist.

Zu wissen, wer geht, ist die halbe Antwort. Die andere Hälfte ist das Warum, und was den Kunden zum Bleiben bewegt.

Wirtschaftlich fällt das spürbar ins Gewicht. Retention verzinst sich auf eine Weise, wie es Akquise nie tut.

Dieselbe Rechnung erklärt, warum Vorbeugen besser ist als Ersetzen. Einen verlorenen Kunden zu ersetzen ist der teuerste Weg, zu wachsen.

Deshalb haben sich die Budgets verschoben. Erstmals geben Unternehmen heute mehr dafür aus, ihre vorhandenen Kunden zu halten, als dafür, neue zu jagen.

Ein Modell ist nur so gut wie die Handlung, die es auslöst

Vorhersage ohne Intervention ist nur eine präzisere Art, Kunden beim Gehen zuzusehen. Die Teams, die die Kennzahl wirklich bewegen, behandeln das Modell als ersten Schritt in einem Kreislauf, nicht als letztes Wort.

1. Definieren Sie Abwanderung konkret für Ihr Geschäft, nicht abstrakt. Nichtverlängerung, Kündigung oder eine Inaktivitätsschwelle bedeuten jeweils eine andere Zielgröße und ein anderes Zeitfenster. Liegen Sie hier falsch, ist jede daraus abgeleitete Zahl falsch.
2. Wägen Sie Risiko und Wert gegeneinander ab, nicht jedes für sich. Ein gefährdeter, wertvoller Account verdient eine andere Reaktion als ein gefährdeter, geringwertiger. Legt man die Abwanderungswahrscheinlichkeit über den Customer Lifetime Value, sortiert sich die Liste nach dem, was tatsächlich auf dem Spiel steht.
3. Verknüpfen Sie den Score mit der Ursache. Eine Analyse der Retention-Treiber beantwortet die Frage, die die Wahrscheinlichkeit allein nicht beantworten kann: Geht dieser Kunde wegen des Preises, wegen mangelnder Nutzung oder wegen des Service, und welcher Hebel bewegt ihn.
4. Stimmen Sie die Intervention auf den Grund ab. Ein Preisproblem und eine Onboarding-Lücke verlangen gegensätzliche Maßnahmen. Das Modell zeigt, wo es brennt; die Treiberanalyse sagt, womit man löscht.
5. Messen Sie die Wirkung gegen eine Holdout-Gruppe. Setzen Sie die Maßnahmen in der gefährdeten Gruppe um und behalten Sie eine Kontrollgruppe ohne Behandlung. Wandert die behandelte Gruppe nicht messbar weniger ab, ist das Programm Theater, keine Retention.

Wo der Wert entsteht

Ein Churn-Modell, das einen Retention-Kreislauf speist, verändert die Ökonomie des Kundenstamms. Es löst das Team davon ab, auf Kündigungen zu reagieren, die sich nicht mehr rückgängig machen lassen, und bringt es dazu, auf frühe Signale zu reagieren, die sich noch beeinflussen lassen. Fortgeschrittene Analytik, angewandt auf die Customer Journey, kann die Abwanderung um bis zu 15 Prozent senken, und die Kunden, die sie rettet, sind das günstigste Wachstum, das ein Unternehmen je bekommen wird.

Wie wir Vorhersagemodelle und die darauf aufbauenden Retention-Programme entwickeln, sehen Sie in unserer Arbeit zum Churn Modeling, oder stöbern Sie in den Fallstudien.