Churn Prediction: So erkennt KI die Abwanderer

Die Abwanderung von Kunden belastet nicht nur die Gewinnmargen, sondern verursacht auch hohe Kosten bei der Kundenrückgewinnung. Daher ist es für Unternehmen besonders wichtig, potenziell abwandernde Kundengruppen frühzeitig zu identifizieren. Der Aufwand, neue Kunden zu gewinnen, ist oft deutlich höher als Bestandskunden zu halten.

KI-gestützte Churn Prediction: Kündigungsverhalten frühzeitig erkennen

Mit Churn Prediction und künstlicher Intelligenz erhalten Sie die Möglichkeit, Kündigungsverhalten rechtzeitig zu erkennen, die Ursachen für Abwanderung zu analysieren und zukünftige Abwanderungen zu prognostizieren. So können Sie proaktiv Maßnahmen ergreifen, um Ihre Kunden langfristig zu binden.

Eine KI-basierte Churn Prediction (Kündigungsprognose) ist der Prozess, bei dem mithilfe von maschinellem Lernen (ML) vorhergesagt wird, welche Kunden mit hoher Wahrscheinlichkeit ein Unternehmen oder einen Service verlassen werden. Dies ist die typische Vorgehensweise in einzelnen Schritten. Je nach Unternehmen wird die Vorgehensweise individuell angepasst.

• 1. Scoping-Workshop

  Im Scoping-Workshop werden die unternehmensspezifischen Settings ermittelt. Auch die KI-Readiness kann dazu gehören, was die Vorbereitung der Vorsysteme zur KI-Verarbeitung betrifft. Dies berührt die Verfügbarkeit relevanter Daten zur Churn-Analyse, aber auch die Verbindung des zu schaffenden Systems zu anderen Abteilungen, welche Churn-Alerts verarbeiten sollten.

• 2. Datensammlung

  • Kundendaten sammeln: Dazu gehören Transaktionsdaten, demografische Informationen, Interaktionsverläufe, Support-Anfragen und jegliche andere Daten, die Aufschluss über das Verhalten der Kunden geben könnten.
  • Beispiele für Daten: Nutzungsdauer des Dienstes, Häufigkeit von Support-Kontakten, Aktivität im System (z. B. Nutzung einer App oder eines Online-Dienstes).

• 3. Datenvorverarbeitung

  • Datenbereinigung: Unvollständige oder fehlerhafte Daten werden entfernt oder korrigiert.
  • Feature Engineering: Neue Features (Merkmale) werden aus den Rohdaten erstellt, um relevante Muster besser zu erfassen. Beispiele können sein: die Verweildauer eines Kunden oder das letzte Login-Datum.
  • Daten-Normalisierung/Skalierung: Wenn notwendig, werden Daten in ein einheitliches Format gebracht, z. B. durch Skalierung numerischer Werte.

• 4. Segmentierung und Labeling

  • Kunden klassifizieren: Kunden, die das Unternehmen verlassen haben, werden als “Churn” markiert, während aktive Kunden als “Non-Churn” klassifiziert werden.
  • Zeitfenster bestimmen: Es muss definiert werden, ab wann ein Kunde als abgewandert gilt, z. B. nach 3 Monaten Inaktivität.

• 5. Modellauswahl und Training

  • Modellauswahl: Es gibt verschiedene Algorithmen, die für Churn Prediction verwendet werden können, wie z. B. Entscheidungsbäume, Random Forests, Gradient Boosting oder neuronale Netze.
  • Training des Modells: Die historische Kundendaten mit den markierten Churn/Non-Churn-Labels werden verwendet, um das Modell zu trainieren. Das Modell lernt, welche Faktoren die Abwanderung eines Kunden wahrscheinlicher machen.
  • Validierung: Das Modell wird mit einem Teil der Daten, die es während des Trainings nicht gesehen hat, validiert, um die Genauigkeit der Vorhersagen zu überprüfen.

• 6. Vorhersage

  • Churn-Wahrscheinlichkeit berechnen: Das trainierte Modell wird nun auf neue Kundendaten angewendet, um die Wahrscheinlichkeit vorherzusagen, dass ein Kunde abwandern wird.
  • Threshold festlegen: Ein Schwellenwert wird festgelegt, ab dem ein Kunde als potenzieller Churn-Kandidat betrachtet wird, z. B. Kunden mit einer Churn-Wahrscheinlichkeit von über 70 %.

• 7. Maßnahmen ergreifen

  Interventionen entwickeln: Kunden, bei denen eine hohe Churn-Wahrscheinlichkeit besteht, können mit gezielten Maßnahmen angesprochen werden, z. B. durch Sonderangebote, personalisierte Nachrichten oder verbesserten Support.

• 8. Modell-Optimierung

  Kontinuierliche Verbesserung: Mit der Zeit werden neue Daten gesammelt, das Modell wird angepasst und verfeinert, um die Vorhersagegenauigkeit zu verbessern.

Wie genau kann KI Churn vorhersagen?

Die Genauigkeit einer KI-basierten Churn-Vorhersage hängt von mehreren Faktoren ab, darunter die Qualität der Daten, die Wahl des Algorithmus und die Anpassung des Modells an die spezifischen Anforderungen des Unternehmens. Generell lässt sich sagen, dass KI-Modelle bei richtiger Anwendung sehr genau sein können, aber es gibt auch Grenzen. Dies sind die Einflussfaktoren auf die Genauigkeit:

• Datenqualität

  • Datenumfang: Je größer und vielfältiger die Datenbasis, desto besser kann die KI Muster erkennen und genaue Vorhersagen treffen.
  • Datenqualität: Saubere, konsistente und aussagekräftige Daten sind entscheidend. Fehlende, inkonsistente oder irrelevante Daten können das Modell in die Irre führen.
  • Relevante Merkmale (Features): Die richtigen Features (z. B. Kaufverhalten, Verweildauer, Support-Anfragen) sind entscheidend für die Qualität der Vorhersage. Irrelevante Features erhöhen nur das Rauschen im Modell.

• Modellkomplexität

  • Einfachere Modelle (wie Entscheidungsbäume oder logistische Regression) sind oft robuster, können aber bestimmte Muster und Zusammenhänge übersehen.
  • Komplexe Modelle (wie neuronale Netze oder Gradient Boosting) können tiefere Einsichten in die Daten bieten, neigen aber eher dazu, überangepasst zu werden, wenn nicht genügend Daten vorhanden sind.
  • Ensemble-Methoden (Kombination verschiedener Modelle) können die Genauigkeit erhöhen, indem sie die Stärken verschiedener Modelle vereinen.

• Datenaktualität

  • Aktualität der Daten: Churn-Verhalten kann sich im Laufe der Zeit ändern. Daher muss das Modell regelmäßig mit neuen Daten trainiert werden, um genaue Vorhersagen zu treffen.
  • Veränderungen im Markt oder Kundenverhalten: Bei einem plötzlichen Wandel im Kundenverhalten (z. B. durch äußere Einflüsse wie Pandemien oder neue Wettbewerber) können historische Daten weniger aussagekräftig sein.

• Overfitting und Underfitting

  • Overfitting: Wenn das Modell zu sehr auf die Trainingsdaten abgestimmt ist, kann es bei neuen Daten schlecht abschneiden. Das Modell “lernt” dann spezifische Details, die nicht allgemein gültig sind.
  • Underfitting: Wenn das Modell zu einfach ist, wird es die wichtigen Muster im Datenbestand nicht erkennen.

Metriken zur Messung der Genauigkeit

• Genauigkeit (Accuracy): Der Prozentsatz der korrekten Vorhersagen im Vergleich zu allen Vorhersagen.
• Precision: Gibt an, wie viele der als Churner vorhergesagten Kunden tatsächlich abgewandert sind. Eine hohe Precision bedeutet, dass das Modell wenige falsche Alarme ausgibt.
• Recall: Gibt an, wie viele der tatsächlichen Churner auch korrekt vom Modell erkannt wurden. Ein hoher Recall bedeutet, dass das Modell die meisten abwanderungsgefährdeten Kunden erkennt.
• F1-Score: Ein harmonisches Mittel von Precision und Recall, um eine Balance zwischen beiden zu finden.
• AUC-ROC (Area Under the Receiver Operating Characteristic Curve): Eine beliebte Metrik zur Bewertung der Fähigkeit eines Modells, zwischen Churnern und Nicht-Churnern zu unterscheiden.

Durchschnittliche Genauigkeit von Churn-Vorhersagen

• Typische Genauigkeit: In der Praxis können Churn-Vorhersagemodelle Genauigkeiten von 75 % bis 90 % erreichen, abhängig von den oben genannten Faktoren.
• Trade-off zwischen Precision und Recall: Ein Modell könnte sehr präzise darin sein, Churner vorherzusagen, aber dafür einige tatsächliche Churner übersehen. Umgekehrt kann ein Modell sehr empfindlich auf potenziellen Churn reagieren, aber viele falsche Alarme geben.

Grenzen

• Unvorhersehbare Faktoren: Manche Kündigungsgründe (wie plötzliche persönliche oder wirtschaftliche Veränderungen) können nicht aus historischen Daten abgeleitet werden.
• Datenverzerrung: Historische Daten können Verzerrungen enthalten, die das Modell beeinflussen. Wenn zum Beispiel in der Vergangenheit bestimmte Kundengruppen bevorzugt behandelt wurden, kann das Modell solche Muster unbewusst übernehmen.

Insgesamt kann eine KI sehr genaue Vorhersagen treffen, wenn das Modell gut trainiert und überwacht wird. Allerdings wird es nie zu 100 % perfekt sein, da menschliches Verhalten von vielen unvorhersehbaren Faktoren beeinflusst wird.