Predictive Satisfaction: Stimmung modellieren, bevor sie gemessen wird

Eine Zufriedenheitsbefragung zeigt Ihnen, wie ein schrumpfender, sich selbst auswählender Ausschnitt Ihrer Zielgruppe empfindet. Wie der Rest empfindet, verrät sie Ihnen nicht, und die Kluft zwischen beiden wird Jahr für Jahr größer.

Schuld daran ist kein schlechtes Befragungsdesign. Es liegt daran, dass schlicht weniger Menschen antworten und dass sich diejenigen, die nicht mehr antworten, systematisch von denen unterscheiden, die dabei bleiben. Sobald die Antwortenden in eine Richtung verzerrt sind, beschreibt der Durchschnitt, den sie ergeben, nicht mehr die Grundgesamtheit. Sie weisen einen gesunden Wert aus und halten ihn für repräsentativ, während die Kunden, die nie geantwortet haben, klammheimlich abwandern.

Die Zahl, der Sie vertrauen, beruht auf denen, die antworten

Der Rückgang des Rücklaufs lässt sich inzwischen auf nationaler Ebene belegen. Das US Census Bureau berichtet, dass bei der Current Population Survey, einer der weltweit am sorgfältigsten durchgeführten Erhebungen, die grundlegende Rücklaufquote von 82 Prozent im März 2019 auf 67 Prozent im März 2024 gesunken ist. Im selben Zeitraum waren Haushalte mit höherem Einkommen unter den Antwortenden überrepräsentiert, was das gemessene Einkommen nach oben trieb und die Armut zu niedrig auswies.

Wenn schon das staatliche Statistiksystem mit gesetzlicher Auskunftspflicht und professionellem Feldpersonal fünfzehn Prozentpunkte Rücklauf einbüßt und sich dafür eine messbare Einkommensverzerrung einhandelt, dann misst eine vierteljährliche E-Mail-Befragung mit einstelliger Rücklaufquote keine Zufriedenheit. Sie misst die Zufriedenheit derjenigen, die überhaupt bereit sind, zu antworten.

Ein Befragungsdurchschnitt ist nur dann repräsentativ, wenn die Menschen, die antworten, denen ähneln, die es nicht tun. Genau diese Annahme bröckelt, ohne dass es jemand bemerkt.

Predictive Satisfaction schätzt die Antwort, die jeder gegeben hätte

Predictive Satisfaction schließt diese Lücke durch Modellierung, nicht durch hartnäckigeres Nachfragen. Sie gehen von einer validen Stichprobe der Menschen aus, die tatsächlich geantwortet haben, und behandeln deren Antworten als das, was sie sind: gelabelte Trainingsdaten. Anschließend verknüpfen Sie diese Antwortenden mit Merkmalen, die Ihnen für die gesamte Grundgesamtheit ohnehin schon vorliegen: Servicenutzung, Transaktionshistorie, Kanalverhalten, Dauer der Kundenbeziehung, Region, Supportkontakte.

Ein Modell lernt den Zusammenhang zwischen diesen beobachtbaren Mustern und der Zufriedenheit, die die Antwortenden angegeben haben. Wendet man es auf alle übrigen an, liefert es einen geschätzten Wert für jeden Kunden und jeden Bürger, der nie geantwortet hat. Das Ergebnis ist kein einzelner, alles vermischender Durchschnitt. Es ist eine flächendeckende Landkarte der Stimmung, Segment für Segment, die zeigt, wer zufrieden ist, wer abdriftet und wo sich unter der Oberfläche Unzufriedenheit aufstaut.

Dahinter steckt dieselbe methodische Disziplin wie beim Churn-Modeling, nur auf die Stimmung gerichtet. Und dass es sich auszahlt, auf ein modelliertes Signal statt auf eine Beschwerde zu reagieren, ist gut belegt.

Darauf zu warten, dass sich das Signal von selbst meldet, kommt teuer zu stehen, denn die meiste Unzufriedenheit wird nie ausgesprochen.

So bauen Sie ein Predictive-Satisfaction-Modell auf

Die Methode ist robust genug für Beschaffung und Politik und zugleich praktikabel genug, um schon innerhalb eines Quartals danach zu handeln.

1. Verankern Sie das Ganze in einer validen Stichprobe. Führen Sie die Befragung weiter. Die Antwortenden sind Ihre Grundwahrheit, und das Modell ist nur so ehrlich wie die Labels, aus denen es lernt.
2. Verknüpfen Sie mit Daten, die Ihnen bereits vorliegen. Spielen Sie die Antwortenden mit Nutzungs-, Transaktions-, Kanal- und Servicedaten zusammen. Für den Einstieg brauchen Sie keine neue Datenerhebung.
3. Trainieren und validieren Sie gegen ein Holdout. Passen Sie das Modell an die Antwortenden an, prüfen Sie es an Antwortenden, die es nie gesehen hat, und weisen Sie die Genauigkeit aus, bevor sich irgendjemand auf eine einzelne Vorhersage verlässt.
4. Bewerten Sie die gesamte Grundgesamtheit. Schätzen Sie die Zufriedenheit für alle und verdichten Sie anschließend nach Segment, Region und Service, um die Lücken offenzulegen, die ein gemittelter Wert verdeckt.
5. Ergänzen, niemals ersetzen. Wo Sie eine echte Antwort haben, nutzen Sie sie. Das Modell vergrößert die Reichweite der Befragung; es gibt nicht vor, selbst eine zu sein.
6. Bringen Sie die Maßnahme auf den Weg. Geben Sie die Hochrisikosegmente an einen Closed-Loop-Prozess und eine Next Best Action weiter, damit aus einem modellierten Wert eine konkrete Reaktion mit klarer Verantwortung wird.

Was dabei herauskommt, ist ein vorausschauendes Signal, kein schönerer Bericht

Wird Zufriedenheit über die gesamte Grundgesamtheit modelliert, ist sie nicht länger ein Blick zurück, sondern eine Prognose, nach der Sie handeln können. Das wiegt heute schwerer als noch vor einem Jahr: Forrester stellte fest, dass die Qualität der Customer Experience in den USA das dritte Jahr in Folge gesunken ist, was es zuvor noch nie gegeben hat, wobei sich 39 Prozent der Marken verschlechtert haben. Die Organisationen, die ihre Position halten, befragen nicht hartnäckiger. Sie sehen die Kunden, die der Befragung entgehen.

Eine modellierte Sicht lenkt zudem die Ausgaben um. Statt die Themen zu bedienen, die zufällig am lautesten sind, fördern Sie gezielt die Segmente, die sich den Daten zufolge still abwenden, und können diese Entscheidung mit einer Zahl statt mit einer Anekdote begründen.

Wenn Sie das gemeinsam mit uns aufbauen möchten, werfen Sie einen Blick auf das Predictive Satisfaction Scoring und unsere Closed-Loop-Arbeit oder sehen Sie sich in den Fallstudien an, wie das konkret aussieht.