Gerne beraten wir Sie auch telefonisch & geben Ihnen eine kostenfreie persönliche Auskunft zu Ihrem Projekt.

X

Wie man Kundenabwanderungen verhindert: Churn Prediction mithilfe Künstlicher Intelligenz

Aktuelle Studien zum Thema Kundenbindung und -abwanderung zeigen, dass die Kundenloyalität sinkt. Kunden sind dadurch häufiger bereit, Anbieter oder Hersteller zu wechseln. Das Internet bietet eine Vielzahl von Möglichkeiten, Produkten und Dienstleistungen miteinander zu vergleichen. Kunden sind somit durch sozialen Medien, Bewertungsportale und Online-Communities besser informiert als noch vor einigen Jahren. Daher kann man inzwischen über Kundenloyalität und -bindung keine Pauschalurteile mehr treffen. Unternehmen setzen daher zunehmend auf Data Science-Verfahren und Datenanalysen, um Kunden zu segmentieren und eine Individualisierung von Produkten zu erzielen. Mithilfe von Churn Prediction kann man den Zeitpunkt definieren, ab dem ein Konsument den Wechsel zu einem Mitbewerber erwägt.

Novustat berät Sie gerne bei der Auswahl des geeigneten Verfahrens für die Ermittlung der Churner und des Zeitpunkts der Abwanderung von Kunden in Ihrem Unternehmen.

Lassen Sie uns Ihre Anforderungen wissen & wir erstellen Ihnen innerhalb weniger Stunden ein kostenfreies Angebot.

Jetzt unverbindlich anfragen

Churn Prediction

Churn-Prediction-Modelle arbeiten mit diversen Analysemethoden. Kundenanfragen oder -beschwerden gelangen häufig per E-Mail an ein Unternehmen. Über Text Mining-Methoden können diese E-Mails untersucht und nach Thema sortiert werden. Mithilfe von Algorithmen der Künstlichen Intelligenz lassen sich dabei sachliche, freundliche oder verärgerte Nachrichten zuverlässig voneinander unterscheiden. Dabei sind häufig viele Informationen über Kunden im Unternehmen verfügbar, die Rückschlüsse auf das Kundenverhalten zulassen. Zu diesen Informationen zählt beispielsweise die Kundenkorrespondenz mit dem Kunden-Support. Welche Methode des maschinellen Lernens zum Einsatz kommt, ist aber letztendlich von zahlreichen Faktoren abhängig. Mithilfe von künstlicher Intelligenz kann man den Zeitpunkt der Abwanderung von abwanderungswilligen Kunden ermitteln.

Die Experten von Novustat beraten Sie gerne bei der Modellierung von Predictive Models für Ihr Unternehmen.

Churn-Prediction-Modell

Es gibt zwei Hauptkategorien von “Churnern”, die sich in freiwillige und unfreiwillige Churner differenzieren lassen. Unfreiwillige Churner sind beispielsweise die Kunden, die nach dem Ablauf einer (Zahlungs-) Frist aus einer Abonnentenliste gestrichen wurden. Freiwillige Churner lassen sich dahingegen schwieriger ermitteln. Ein freiwilliger Churner beendet ein Vertragsverhältnis innerhalb eines Kündigungszeitraums entweder freiwillig oder ist mit Produkten oder Dienstleistungen eines Unternehmens nicht mehr zufrieden.

Die Churn Prediction wird bei der Analyse von CRM-Daten (Customer Relationship Management) und Direktmarketing verwendet. Das hier vorgestellte Churn-Prediction-Modell enthält Cluster, um für jeden Churner-Typ eine Ausgabe zuweisen zu können. Churners können allerdings theoretisch nach weiteren Kriterien wie Rentabilität oder Unzufriedenheit der Kunden sortiert werden. Das nachfolgende Churn-Prediction-Modell ist ein Beispiel für die Einteilung in die Abwanderungsrisiken geringes, mittleres und hohes Risiko. Die Trainingsdaten umfassten 3.200 (80 %) Instanzen, die als Nicht-Churner und 800 (20 %) als Churner gekennzeichnet wurden.

Churn-Prediction Modell
Churn-Prediction-Modell von Shaaban, Helmy, Khedr und Nasr

Das eingesetzte neuronale Netz erkannte durch maschinelles Lernen 420 Nicht-Abwanderer (von 500 = 84 %) und 80 Abwanderer (von 500 = 16 %) mit einer Präzision von 83,7 Prozent. Wie dieses Experiment zeigt, kann bereits ein einfaches Modell für die Churn-Prediction dienen, um Churner von Nicht-Churnern unterscheiden zu können. Zudem ist es mithilfe dieses einfachen Modells möglich, die resultierenden Churner in Risikogruppen (gering, mittel und hoch) einzustufen. Dieses Wissen kann man im Unternehmen nutzen, um die Retention Rate (Verbleiberate) und den Zeitpunkt für künftige Churners zu bestimmen.

Fazit: Churn Prediction duch maschinelles Lernen

Wie dieser Blog-Artikel gezeigt hat, können Unternehmen mithilfe von Churn-Prediction-Modellen den Zeitpunkt der Abwanderung von unzufriedenen Kunden vorhersagen. Die Resultate dieser Modelle kann man zudem für die Ermittlung der Retention Rate verwenden. Wie aus dem Beispiel hervorgeht, muss ein Churn-Prediction-Modell zu diesem Zweck nicht immer sehr komplex sein.

Weiterführende Literatur

Kreutzer, R. T. & Sirrenberg, M. (2019): Künstliche Intelligenz verstehen – Grundlagen, Use Cases, unternehmenseigene KI-Journey

Mainzer, K. (2019): Künstliche Intelligenz – Wann übernehmen die Maschinen?

Ng, A./Soo, K. (2018): Data Science – was ist das eigentlich?