Predictiver Zufriedenheits-Score (CSAT/NPS)

Wie ein Telko Zufriedenheit nahezu in Echtzeit prognostizierte – bevor Kund:innen überhaupt befragt wurden

Scroll

Herausforderung

Zu spät zum Handeln

Ein großer Telko mit Millionen Kund:innen investierte stark in NPS- und CSAT-Programme – aber die Ergebnisse kamen zu spät. Wenn die Umfragedaten ausgewertet waren, hatten Risikokund:innen oft bereits gekündigt oder eskaliert. Das CX‑Team brauchte einen Weg, Zufriedenheit vorherzusehen und Retention/Service zu aktivieren, bevor Feedback überhaupt erhoben wurde.

Wenn Umfragewerte eintrafen, war der Schaden meist schon da: Call Drops, Store‑Besuche, Kündigungen oder öffentliche Beschwerden. Wochen später tauchte ein Score auf – als Rückblick, nicht als Frühwarnsignal.

CX mit Verzögerung

Experience‑Daten waren reaktiv. Umfragen zeigten Gefühle – aber nachdem Verhalten längst passiert war. Service konnte nicht priorisieren, Marketing nicht personalisieren, Operations sah keine entstehenden Risiken.

Was wäre, wenn man es vorhersagen könnte?

Was, wenn sich Zufriedenheit aus Verhalten ableiten ließe – bevor überhaupt jemand eine Umfrage ausfüllt? Und wenn man früh eingreifen könnte – vor der nächsten Rechnung, dem nächsten Store‑Besuch oder der Kündigung?

Vorgehen

So entstand der Score

Gemeinsam mit CX, Data Science und Network entwickelten wir ein Predictive Model, das Zufriedenheitswerte aus operativen Signalen, Nutzungsmustern und digitalem Verhalten nahezu in Echtzeit schätzt.

Lösung

Training mit 750K Kund:innen

Wir nutzten zwei Jahre NPS- und CSAT‑Daten, verknüpft mit Service‑Nutzung, Servicekontakten, Call Logs, Netz‑Incidents und App‑Aktivität. Ein supervised Modell wurde auf 750.000+ Kund:innen trainiert und validiert – mit 86% Genauigkeit auf Segmentebene.

Methodik

Strukturierte Pipeline: (1) Vereinheitlichung von Survey- und operativen Daten pro Kund:in mit konsistenten IDs und Zeitfenstern; (2) Feature Engineering aus Nutzung, Service, Netzwerk und App‑Verhalten; (3) Training supervised Modelle (z. B. Gradient Boosting) zur Prognose von NPS/CSAT‑Segmenten inkl. Cross‑Validation; (4) wöchentliche Score‑Updates und Integration in CRM sowie Service‑Dashboards; (5) Messung des Lifts proaktiver Maßnahmen vs. Kontrollsegmente.

Datenquellen

NPS- und CSAT‑Antworten (2 Jahre; 750K+ verknüpfte Kund:innen). Service/Nutzung: Tarif, Tenure, Datenverbrauch, Call/SMS‑Muster. Servicekontakte: Häufigkeit, Kanal, Resolution Codes. Netzwerk: Ausfälle, Latenz, Coverage. App: Sessions, Feature‑Nutzung, Support‑Requests. Alles je Kund:in verknüpft, mit geeigneten Lag‑Fenstern für die Prognose.

Scoring für die gesamte Basis

Jede aktive Kund:in erhielt einen prognostizierten Zufriedenheits‑Score, wöchentlich aktualisiert und mit Treibern verknüpft. So konnten Kund:innen mit niedrigem Score früh adressiert werden – mit Retention‑Angeboten, Service‑Calls oder proaktiven Fixes, bevor Unzufriedenheit eskaliert.

“Früher haben wir reagiert. Heute sind wir davor. Wir sehen Risiko kommen – statt es im Nachhinein zu erklären.”

— VP Customer Experience

Überall integriert

Der Score wurde in CRM, Service‑Dashboards und Marketing‑Listen eingebettet – täglich genutzt von Agents, Analyst:innen und Journey‑Teams. Visuals: Score‑Verteilungen je Segment, Trends predicted vs. actual, Driver‑Importance und Service‑Queues nach Risiko. Damit wurde der Score zum Rückgrat für CX‑Entscheidungen.

Implementierungszeitplan

Wochen 1–4: Data Discovery, Linking, Feature‑Design. Wochen 5–10: Modellentwicklung/Validierung (Ziel 86%) und Back‑Testing. Wochen 11–14: Integration in CRM/Service‑Tools; Pilot mit einem Team. Wochen 15–18: Rollout auf sechs Teams und wöchentliche Refresh‑Cadence. Stabiler Betrieb nach ~5 Monaten.

Projekt besprechen

Wir helfen, Stimmung und Risiko früh zu erkennen – und zu handeln, bevor es zu spät ist. Mehr dazu in Analytics und KI.

Kontakt aufnehmen

Ergebnis

Zufriedenheit wurde zum Frühindikator – nicht zum Nachlaufwert:

Kennzahlen / Ergebnisse

86% model accuracy across key segments

750K customers modeled with weekly score updates

14% churn reduction among at-risk groups reached proactively

6 teams using the score daily across care, marketing, and analytics

Fin.

Zu wissen, wie Kund:innen sich fühlen, ist gut. Es vorher zu wissen, bevor sie es sagen, verändert das Spiel.