Kundenverlust durch moderne Churn-Modelle stoppen

Kundenverlust, Englisch „Churn“, zählt zu einem der größten Probleme etablierter Unternehmen. Über Jahre oder gar Jahrzehnte wird eine Kundenbasis aufgebaut, nur um diese dann langsam schwinden zu sehen. Dies kann viele Ursachen haben: Marktsättigung, Produktinnovationen, Anwendungsveränderung oder sehr oft Wettbewerbsdruck.

Churn muss aber nicht einfach hingenommen werden. Kundenverlust kann heutzutage durch etablierte Machine Learning-Methoden vorhergesagt werden. Dies macht gezielte Maßnahmen (z.B. Kundenansprache) möglich und reduziert den Kundenverlust effektiv.

Ablauf einer Churn-Modellierung

Ein Projekt zur Churn-Reduzierung besteht aus mehreren Prozessschritten. Diese Schritte beginnen mit der Datenaufbereitung, gehen über die Anwendung von Machine Learning-Methoden und enden mit einem Roll-out in der Organisation.

Auf der folgenden Grafik werden diese Schritte dargestellt:

5 Punkte, die den Ablauf eines Churn-Modells zeigen

Schritt 1: Aufbereitung und Verknüpfung der Daten

Um ein möglichst umfassendes Bild der Kundenbeziehungen zu bekommen, werden alle verfügbaren Datenquellen miteinander verknüpft. Das können z.B. Umsatzdaten, Beschwerdedaten, Artikeldaten uvm. sein. Wichtig ist auch, dass diese Daten nicht blind übernommen werden, sondern mit der Fachabteilung validiert werden. Oft gibt es nötige Bereinigungsschritte, die erst im Gespräch mit der Fachabteilung auftauchen, z.B. die Darstellung von Reklamationen und Rückbuchungen.

Schritt 2: Einblicke durch deskriptive Analysen

Nachdem die Daten verknüpft und bereinigt sind, gilt es erste Einblicke zu bekommen. Wie verteilt sich der Umsatz in den Regionen? Welche Kundengruppen machen den meisten Umsatz aus? Welche Artikelgruppen werden immer weniger gekauft? Solche und mehr Fragen gilt es zu klären, um ein besseres Verständnis der Situation zu erlangen und damit in Folge ein genaueres Modell erstellen zu können.

Durch moderne Machine Learning-Methoden kann Churn/Kundenverlust effektiv reduziert werden.

Schritt 3: Definition von Churn/Kundenverlust

Sofern keine expliziten Serviceverträge bestehen, gibt es in den wenigsten Fällen eine offizielle Kündigung seitens der Kunden. Vielmehr reduzieren diese still über die Zeit ihr Volumen, bis sie komplett zur Konkurrenz wechseln. Deshalb ist es wichtig zu definieren, ab wann ein Kunde als Churn-Kunde gilt. In der Industrie kann dies z.B. durch einen Volumensrückgang von 50% oder mehr (im Vergleich zur Vorperiode) der Fall sein.

Schritt 4: Anwendung von Machine Learning Modellen

Nach den vorangegangenen Vorbereitungsschritten wird nun das eigentliche Churn-Modell erstellt. Unter Zuhilfenahme von Machine Learning-Methoden werden relevante Einflussfaktoren auf den Kundenverlust automatisiert identifiziert und bestmöglich miteinander verknüpft. Machine Learning bedeutet in diesem Zusammenhang, das durch mathematische Optimierungsschritte das am besten passendste Modell ermittelt wird.

Die Identifizierung der Einflussfaktoren wird in der folgenden Grafik dargestellt:

Balkendiagram, das die Einflussfaktoren auf ein Churn-Modell zeigt

Machine Learning bietet viele verschiedene Methoden, um ein Churn-Modell zu erstellen. Zum Beispiel: Logistische Regression, Support-Vector-Machines, Decision Trees oder Random Forest. Geübte Machine Learning-Experten können diese unterschiedlichen Methoden in Kürze erproben und das beste Modell ableiten.

Schritt 5: Roll-out in der Organisation

Nachdem das Modell quantitativ erstellt und mit der Fachabteilung validiert wurde, ist es Bereit für den Roll-out. Mit der Information über die Churn-Wahrscheinlichkeit je Kunde ist es nun möglich vordefinierte Maßnahmen zur Vermeidung des Kundenverlusts anzuwenden.

Balkendiagramm, das die Verteilung von Kunden in Churn-Klassen zeigt

Die Verankerung des Churn-Modells geschieht von Organisation zu Organisation unterschiedlich und kann die folgenden Formen annehmen:

  • Anzeige der Churn-Wahrscheinlichkeit im CRM
  • Monatliche Liste mit Risiko-Kunden an Kundenservice
  • Konditionenanpassung für Kunden
  • Umgestaltung des Verkaufsprozesses
  • Einführung von personalisierten Produktvorschlägen uvm.

Unternehmen können durch ein durchdachtes Churn-Management eine nachhaltigere Beziehung mit ihren Kunden aufbauen und zurückgehende Umsätze vermeiden.

Manuel Pusterhofer
Autor: Manuel Pusterhofer
Manuel Pusterhofer ist Gründer und Geschäftsführer von Cognisio Consulting GmbH.
Mehr erfahren?

Erfahren Sie mehr zum Potential von AI, Data Science und Machine Learning in Ihrem Unternehmen.

Haben Sie Fragen zum Einsatz von Churn-Modellen in Ihrem Unternehmen? Kontaktieren Sie uns.