Churn Prediction mit Data Science

Was ist Churn Prediction ?

Unter Churn Prediction (Kündigungsvorhersage) wird die Prognose von kündigungsgefährdeten Kunden durch Data Science Methoden verstanden. Mit Churn Prediction sind Unternehmen im Subsription Business in der Lage frühzeitig Maßnahmen zu ergreifen, die den Kunden vom Bleiben überzeugen.

In fünf Schritten zum Churn Prediction Modell

Wie genau funktioniert Churn Prediction mit Data Science ?

Unsere Erfahrung zeigt, die besten Churn Prediction Modelle werden in einem mehrstufigen und iterativen Prozess entwickelt. Wir führen dafür zunächst eine Kundensegmentierung durch, bestimmen anschließend die kündigungsgefährdeten Kunden anhand des Customer Lifecycles und erstellen für diese Gruppen sehr spezifische Data Science / Machine Learning Predictive Analytics Modelle.

1. Kundensegmentierung

Eine fundierte Segmentierung der Kunden ist die Basis der meisten Customer Relationship Management Maßnahmen. Auch für die Erstellung von Churn Prognosemodellen bildet sie eine wichtige Grundlage. Anhand vieler verschiedener Merkmale werden möglichst homogene Kundengruppen gebildet. Diese Segmente können im Marketing & Vertrieb, im Service und eben auch im Churn Management unterschiedlich angesprochen werden. Falls bereits eine Segmentierung im Unternehmen existiert, kann diese einfach entweder übernommen oder in die spezielle Churn Segmentierung integriert werden.

2. Zeitpunkt im Customer Lifecycle

Entscheidend für eine treffsichere Vorhersage der Kündigung eines Kunden, ist es wichtig seinen Standpunkt im Customer Lifecycle zu kennen. Dazu zählt sowohl der Fortschritt innerhalb der Customer Journey, als auch der Grad der Aktivierung und Nutzung des Produktes selbst.
Ebenso ist es essentiell den Kunden zum richtigen Zeitpunkt innerhalb der Vertragslaufzeit zum Thema Churn anzusprechen. Daher ist die Dauer in Monaten oder Tagen bis zur Verlängerung des Vertrages gerade bei Verträgen mit langen Laufzeiten > 12 Monate eines der entscheidenden Features im Churn Prediction Modell.
Ein Ansatz hierbei ist, nur die relevanten Kunden, die kurz vor der Vertragsverlängerung stehen, in einem speziell ausgelegten Churn Modell hinsichtlich ihrer Kündigungswahrscheinlichkeit zu untersuchen.

3. Churn Prediction Modellierung mit Data Science

a. Feature Engineering
Neben der eigentlichen Modellentwicklung ist der wichtigste Schritt für ein gutes Churn Prediction Modell die Aufbereitung der Daten, das Feature Engineering. Hierbei werden aus den Rohdaten neuer Variablen die Features gebildet. Den Möglichkeiten der Aggregation und Transformation sind dabei keine Grenzen gesetzt. Diese Features sind die Grundlage des Churn Modells, um die Wahrscheinlichkeiten einer Kündigung vorherzusagen. Sehr erfolgsversprechend sind dafür typischerweise die weiter unten genannten Variablen.

b. Churn Prediction Modell Entwicklung
Für die Vorhersage der Kündigungswahrscheinlichkeit können klassische Prognosemodelle aus dem Bereich Data Science angewandt werden. Hierzu zählen: Logistische Regressionen, Entscheidungsbäume (Decision Trees), aber auch moderne Methoden wie Deep Learning Verfahren: z.B. Neuronale Netzwerke. Diese Deep Learning Verfahren zeichnen sich dadurch aus, dass eine sehr hohe Komplexität innerhalb der Modelle abgebildet werden kann. Die hohe Komplexität macht es jedoch schwierig in Detail zu verstehen, welche Features einen Einfluss auf die Kündigungen haben. Daher werden häufig klassische Prognosemodellen angewandt. Ihr Vorteil liegt in der Robustheit und dem einfachen Verständnis über die Funktionsweise des Modells.

c. Net Lift Scoring für Churn Prediction
Die Besonderheit der Net-Lift Modelle liegt darin, dass nicht nur die Kündigungswahrscheinlichkeit für sich vorhergesagt wird, sondern in Kombination mit der Reaktion auf eine mögliche Ansprache. Dabei werden die Predictive Analytics Modelle mit unterschiedlichen Zielvariablen intelligent miteinander kombiniert, um so eine Gruppe zu identifizieren, deren Kündigungswahrscheinlichkeit sehr hoch ist – die aber z.B. durch einen Service Call eines Customer Success Managers signifikant gesenkt werden kann.
Churn Prediction Net-Lift Modelle zeichnen sich besonders durch die intelligente Verknüpfung der zu Grunde liegenden Basismodelle aus. Dabei spielt die Erfahrung des Data Scientisten eine entscheidende Rolle, wie die Modelle gebaut und anschließend eingesetzt werden.

Wie Sie mit Churn Prediction Ihre Kunden vom Kündigen abhalten!

Wir unterstützen Sie vom ersten Workshop bis zur Operationalisierung eines Churn Prediction Modells, um Ihr Churn Management erfolgreich zu machen. Dazu zählt für uns:

  • Definition passgenauer Churn Maßnahmen für Ihr Geschäftsmodell
  • Erstellung geeigneter Churn Prediction Modelle mithilfe verschiedener Machine Learning Techniken durch unser Data Science Team
  • Prototypische Implementierung der Maßnahmen und Data Science Modelle in Ihr Business
  • Operationalisierung der Churn Maßnahmen für die dauerhafte Anwendung

Fragen Sie unser gerne für ein individuelles Angebot!

 

Sprechen Sie uns an!

Schreiben Sie uns
lab

Was tun, wenn die Kunden abspringen?

Wenn sich ein Kunde für den Absprung entschlossen hat, ist es oft schon zu spät um ihn noch vom Bleiben zu überzeugen. Denn mit der Aussprache der Kündigung wird der gefasste Entschluss häufig nur noch umgesetzt. Zu diesem Zeitpunkt können nur noch Retention Aktionen, die passgenau auf den Kunden zugeschnitten sind, den Kunden umstimmen. Viel entscheidender ist es, bereits im Vorfeld genügend Wissen über die Kunden zu erlangen, um die Kündigung vorherzusehen. Denn mit entsprechender Vorlaufzeit kann ein Unternehmen viel tun, um den Kunden nachhaltig vom Bleiben zu überzeugen.

Wann kündigen Kunden ihre Subscriptions?

Zunächst gilt es, sich ein umfassendes Bild zu verschaffen wann und warum Kunden kündigen. Mit statistischen Analysemethoden können so erste Erkenntnisse über die Beweggründe der Kunden gewonnen werden. Meistens ergibt sich dabei folgendes Bild: Der Anteil der Kündigungen ist in den ersten Monaten nach Vertragsabschluss überproportional hoch und sinkt mit der Dauer der Zugehörigkeit exponentiell ab. Diese Kunden haben häufig die Produktaktivierung nicht erfolgreich abgeschlossen. Eine weitere Phase, die überproportionale Kündigungen im Customer Lifecycle aufzeigt, ist der Zeitraum kurz vor Verlängerung des Vertrages.

Warum kündigen Kunden ihre Verträge?

Die Kündigungsgründe sind im Detail so vielfältig wie die Kunden und ihre Anforderungen selbst.
Fast immer lassen sich die Gründe für eine kundenseitige Kündigung in eine der folgenden Kategorien einordnen:

  • Kunde sieht den Wert des Produktes nicht
  • Unzufriedenheit mit dem Produkt
  • Kunde benötigt das Produkt nicht mehr
  • (Preis)

Die Verteilung der Kündigungsgründe spiegelt einem Subscription Anbieter sehr gut wieder, wie gut sein Geschäftsmodell ankommt. Erkennt ein Großteil der Kündiger den Wert des Produktes nicht oder ist gar mit dem Produkt selbst unzufrieden, ist es vermutlich noch nicht marktreif und sollte weiter optimiert werden.

Was ist Churn ?

Der Begriff Churn ist englisch und setzt sich auch Change und Turn zusammen. Er steht für den Absprung eines Kunden im Vertrags- / Abomodell. Die Churn Rate ist die Quote aus Kündigungen in einem bestimmten Zeitraum zu den Kunden oder Verträgen. Sie berechnet sich dabei wie folgt:

  • Churn Rate auf Kundenbasis = Kündigungen in einem Zeitraum / Kunden zum Stichtag
  • Churn Rate Vertragsbasis = Kündigungen in einem Zeitraum / Verträge zum Stichtag

Die Betrachtungsweise auf Kunden oder Vertragsebene, kann ebenso wie der Zeitraum nach Unternehmen variieren. Häufig wird die Churn Rate auf Vertragsebene in einem monatlichen Zeitraum berechnet.

Was ist eine gute Churn Rate ?

Eine gewisse Fluktuation ist für Anbieter im Subscription Business völlig normal und sollte daher auch einkalkuliert sein. Als Anhaltspunkt: Eine gute Churn Rate liegt unter 5% Kündigungen pro Jahr. Dies bedeutet umgekehrt auch das 95% der Kunden nicht gekündigt haben (Retention Rate) und somit ihre Verträge verlängern.

Die Churn Rate verrät auch einiges über den durchschnittlichen Customer Lifetime Value. Eine Churn Rate von 5% bedeutet, dass der Customer Lifetime Value bei 20 Jahren liegt was ebenfalls ein sehr guter Wert ist. Wie sich mit einer steigenden Churn Rate auch der Customer Lifetime Value ändert zeigt folgende Aufstellung:

  • 5% = 20 Jahre Customer Life Time
  • 10% = 10 Jahre Customer Life Time
  • 20% = 5 Jahre Customer Life Time

Esentri

Business Case für Ihr Geschäft

Gemeinsam erarbeiten und entwickeln wir die richtigen Business Cases für Ihr Geschäftsmodell. Sie profitieren dabei von unserer praktischen Erfahrung im Bereich Data Science und CRM.

Esentri

Churn Prediction mit Machine Learning

Unsere erfahrenen Data Science Experten erstellen basierend auf Ihren spezifischen Anforderungen und Daten erste Churn Prediction Modelle für Ihr Unternehmen und Ihr Geschäftsmodell.

Esentri

Prototypische Implementierung

Wir implementieren diese Lösung in einem prototypischen Proof of Concept mit dem gewählten Ansatz und bessern ggf. nach. Hier verproben wir gemeinsam den Erfolg in Ihrem Business.

Esentri

Operationalisierung

Um dauerhaft einen Nutzen aus den Data Science Modellen zu generieren, implementieren wir die nachhaltige Lösung und arbeiten Sie und Ihr Team in die neue Technologie ein.

Esentri
Frank Oechsle Head of Data Science