Churn Prediction: Kündigungen erkennen, bevor sie passieren.

01 · GrundlagenWas ist Churn Prevention?

Unter Kündigungsprävention bzw. Churn Prevention (auch Churn Management) versteht man die Analyse der Interaktion mit Bestandskunden und ihrer Erfahrung mit Ihren Produkten. Aus Vertragsmanagement, operativen Daten und CRM werden Muster abgeleitet, die kündigungswillige Kunden identifizieren — und Prognosen über die Churn Rate ermöglichen.

02 · AbgrenzungChurn Prediction vs. Churn Prevention.

Die beiden Begriffe werden oft synonym verwendet, bezeichnen aber zwei aufeinander aufbauende Schritte. Churn Prediction ist das Erkennen — die datengetriebene Vorhersage, welcher Kunde mit welcher Wahrscheinlichkeit und wann abwandert. Churn Prevention (Kündigungsprävention) ist das Handeln — die Maßnahmen, die aus dieser Prognose folgen, um den Kunden zu halten.

Erst die Verbindung beider macht Churn Prevention wirksam: Ohne Prediction bleibt Prävention Gießkanne, ohne Prevention bleibt die Prognose folgenlos. Unser Ansatz schließt diese Lücke, indem aus der Erkennung automatisiert Maßnahmen abgeleitet werden — von der Priorisierung bis zur konkreten Aktion.

Erkennen: Kaplan-Meier & Survival-Analyse

Mit dem Kaplan-Meier-Schätzer modellieren wir, wie lange Verträge typischerweise bestehen und ab wann das Abwanderungsrisiko steigt. Aus dieser Survival-Analyse leiten selbstlernende Systeme automatisiert Maßnahmen ab — welcher Kunde welches Warnsignal auslöst und welche Aktion (Kontakt, Angebot, Tarifwechsel) ausgespielt wird. Das ist der Übergang von Churn Prediction zur Churn Prevention.

Handeln: Winback als Churn Prevention

Die konkrete Gegenmaßnahme ist der Kern der Churn Prevention: gefährdete Kunden gezielt ansprechen, bevor sie kündigen — und bereits abgewanderte Kunden über Winback-Kampagnen zurückgewinnen. So wird aus der Prognose messbare Kundenbindung, und das Retention-Budget fließt dorthin, wo es den größten Customer Lifetime Value sichert.

03 · RelevanzWarum Kundenbindung günstiger ist als Neukundengewinnung.

Studien zeigen immer wieder: Es ist deutlich teurer, Neukunden zu gewinnen, als Bestandskunden zu halten. Eine hohe Erkennungsrate ist deshalb entscheidend — sie unterstützt Ihre Mitarbeiter dabei, die richtigen Kunden gezielt zum Bleiben zu bewegen, statt das Marketingbudget pauschal in die Neukundenakquise zu lenken.

Churn Prevention spart so Arbeitsaufwand und Kapazitäten, steigert die Kundenzufriedenheit nachhaltig und stabilisiert Ihren Kundenstamm.

04 · NutzenVorteile eines algorithmischen Churn-Management-Systems.

• Mehr Kundenzufriedenheit und langfristige Kundenbeziehungen
• Senken der Churn Rate und Stabilisierung des Kundenstamms
• Unabhängige Bewertung und Entlastung Ihrer Sachbearbeiter
• Muster- und Verhaltenserkennung — inklusive Rotational Churn
• Zielgerichtete Verwendung Ihres Customer-Retention-Budgets
• Entlastung des Marketingbudgets für Neukunden
• Software-Algorithmen, trainiert auf Ihre Anforderungen

05 · FunktionsweiseWie datengetriebene Churn Prediction funktioniert.

Für das datengetriebene Churn Management beziehen unsere Algorithmen alle verfügbaren Informationen ein, um Muster abzuleiten und die Churn Rate vorherzusagen. Große Datenmengen aus unterschiedlichen Quellen — CRM, Vertragsmanagement und operative Systeme — werden analysiert und strukturiert, um etwa den Kommunikationsverlauf mit dem Kunden zu bewerten.

Selbstlernende Systeme passen sich laufend an das aktuelle Verhalten an und arbeiten auf Ihren strukturierten und unstrukturierten (polyglotten) Daten. So wird die Churn Rate automatisch berechnet — und Sie können rechtzeitig Maßnahmen ergreifen.

06 · SonderfallRotational Churn — der unsichtbare Umsatzverlust im Abo-Geschäft.

Rotational Churn bezeichnet die Kündigung eines Altvertrags bei gleichzeitigem Abschluss eines Neuvertrags. Der Kunde bleibt formal erhalten — doch im Hintergrund verschiebt sich Umsatz zwischen Produkten, Tarifen oder Marken. Gerade bei monatlichen Abonnementverträgen tritt dieser Effekt besonders häufig auf und ist besonders teuer, weil er die klassische Churn Rate systematisch verzerrt.

Das Tückische daran: In den Standard-Kennzahlen taucht Rotational Churn nicht auf. Ein Kunde, der von einem hochpreisigen Altvertrag in einen günstigeren Neuvertrag wechselt (Downgrade), erscheint als „gehalten" — obwohl sein Customer Lifetime Value sinkt. Ohne eine produktübergreifende Sicht bleibt dieser stille Umsatzverlust unsichtbar und verfälscht jede Abwanderungsanalyse.

Hinzu kommt: Erlaubt man dem Kunden einen Vertragswechsel vor Ablauf der geplanten Laufzeit, sind oft die Annahmen des ursprünglichen Business Cases nicht mehr erfüllt. Auch so sinkt die Marge im Stillen und der Customer Lifetime Value wird reduziert. Bei technischen Verträgen — etwa Servern, Fahrzeugen oder Smartphones — führt das zusätzlich zu unnötigen Sonderabschreibungen auf ungenutzte Assets.

Wo Rotational Churn typischerweise entsteht

• Tarifwechsel innerhalb desselben Anbieters — Up- oder Downgrade statt echter Kündigung
• Multimarkenstrategien — der Kunde wandert zwischen Marken desselben Konzerns
• Abonnement- und Subscription-Modelle mit kurzer Laufzeit und häufiger Verlängerung
• Cross- und Re-Selling, bei dem neue Leistungen alte Verträge ablösen

So machen wir Rotational Churn messbar

Erst eine gemeinsame Produkthierarchie macht den Effekt sichtbar: Vertragszu- und -abgänge werden produktübergreifend modelliert, sodass sich die Kündigung eines Altvertrags und der Abschluss eines Neuvertrags derselben Kundenbeziehung zuordnen lassen. Aus einer scheinbar stabilen Churn Rate wird so eine ehrliche Sicht auf das tatsächliche Kündigungsverhalten — und auf die Umsatzkohorten, die wirklich gefährdet sind.

In unserer Fallstudie zu monatlichen Abonnementverträgen (siehe unten) ließ sich Rotational Churn auf jeder Ebene des Produktportfolios auswerten — inklusive der Effekte, die durch die Einführung neuer Leistungen bei Neuverträgen entstanden. Genau hier entscheidet sich, ob Customer-Retention-Maßnahmen den Kundenwert wirklich sichern oder nur eine Umbuchung kaschieren.

07 · FallstudieChurn Prediction in einer Multimarkenstrategie.

Ein führender europäischer Internetkonzern wollte nach zahlreichen Akquisitionen und innerhalb seiner Multimarkenstrategie die Kundenzufriedenheit zwischen den Marken vergleichen. Das Kündigungsverhalten wurde anhand des niologic-Produktportfolios analysiert.

Herausforderung

Durch Akquisitionen waren Produkte für unterschiedliche Kundengruppen in verschiedene Marken gebündelt. Kündigungsdaten lagen nur implizit im jeweiligen Vertragsmanagement vor und ließen sich nur manuell vergleichen — zusätzlich wichen die Kennzahlendefinitionen zwischen den Marken voneinander ab.

Vorgehen

niologic schuf eine gemeinsame Datenstruktur und führte die Vertragsdaten aller Marken in einem Data Warehouse zusammen. Produkte und Produkthierarchien jeder Marke wurden in einer konzernweiten Produkthierarchie (Portfoliomanagement) konsolidiert — mit getrennten Sichten für Finanzen, Marketing und Sales.

Vertragszu- und -abgänge wurden als dünnbesetzte Matrix modelliert, das Kündigungsverhalten mit Kaplan-Meier-Schätzern und Bayes-Methoden prognostiziert. Die Datenstruktur lief in einer spaltenbasierten InMemory-Datenbank für performante Analysen.

„Erst die gemeinsame Produkthierarchie machte Rotational Churn zwischen den Marken überhaupt messbar — und damit steuerbar."— niologic · Fallstudie Multimarken-Portfolio

Ergebnis & Kundennutzen

Vertragsveränderungen ließen sich auf jeder Ebene des Produktportfolios analysieren und Marken miteinander vergleichen. Rotational Churn innerhalb einer Produktgruppe wurde messbar — inklusive der Effekte, die durch neue Leistungen bei Neuverträgen entstanden. Der Customer Lifetime Value (CLV) konnte individuell pro Kunde und aggregiert je Hierarchieebene ausgewiesen werden. Im Finanzbereich wurde ein Abgleich mit den Geschäftsplänen möglich (Breakeven, Abschreibungen), im Service starteten mehrere Initiativen zur Kundenzufriedenheit.

08 · MethodikKaplan-Meier, Bayes & Customer Lifetime Value.

Hinter belastbaren Churn-Prognosen steht ein Methodenmix aus der Survival-Analyse und der Wahrscheinlichkeitsrechnung: Der Kaplan-Meier-Schätzer beschreibt, wie lange Verträge typischerweise bestehen; Bayes-Methoden aktualisieren die Kündigungswahrscheinlichkeit mit jeder neuen Beobachtung. Aus der prognostizierten Verteilung der Vertragsdauer ergibt sich der Customer Lifetime Value — vereinfacht: Verteilung × Umsatz.

⌬ Zertifizierung

Google Cloud · Machine Learning

niologic ist als Data-Science-Partner für Machine Learning auf Google Cloud zertifiziert.

09 · FazitChurn senken heißt: früh erkennen, gezielt handeln.

Churn Prediction macht aus reaktivem Kündigungsmanagement eine vorausschauende Disziplin. Wer kündigungswillige Kunden früh erkennt, Rotational Churn sichtbar macht und das Retention-Budget gezielt einsetzt, baut langfristige Kundenbeziehungen auf — und senkt die Churn Rate nachhaltig.