Kommentar von Dr. Robert Grünwald, Novustat Churn Prevention – Kundenabwanderung erkennen und vorbeugen

Von Dr. Robert Grünwald |

Anbieter zum Thema

In Beziehungen gibt es immer wieder Ärger und Konflikte, die letztlich zur Trennung führen. Dies gilt insbesondere für die Beziehung zwischen Kunde und Unternehmen. Die überwiegende Mehrheit der Kunden wandert jedoch still und unerkannt ab. Aus ökonomischer Sicht ist es wesentlich nachhaltiger, Bestandskunden zu halten, als Neukunden zu gewinnen. Churn Management und Churn Prevention beschäftigt sich damit, abwanderungswillige Kunden zu identifizieren und frühzeitig Gegenmaßnahmen in die Wege zu leiten.

Der Autor: Dr. Robert Grünwald ist Inhaber und Geschäftsführer von Novustat
Der Autor: Dr. Robert Grünwald ist Inhaber und Geschäftsführer von Novustat
(Bild: Novustat)

Algorithmen aus dem Data Mining, der statistischen Modellierung und Verfahren aus dem Big Data Umfeld werden angewandt, um abwanderungswillige Kunden frühzeitig zu identifizieren und Frühwarnsysteme zu etablieren.

Churn Prevention – so aktuell wie nie

Wie wichtig ein loyaler und stabiler Kundenstamm für Unternehmen ist, wissen Unternehmer schon seit Langem und merken es in der aktuellen Situation sogar noch deutlicher. Dazu gehört einerseits die ständige Gewinnung von Neukunden, andererseits aber auch das Halten und Binden von Kunden. Besondere Relevanz besitzen Bestandskunden in gesättigten Märkten mit hoher Marktdichte. Die Bedeutung von Kündigungsprävention, engl. Churn Prevention, also Kunden von einer möglichen Abwanderung abzuhalten, nimmt seit Jahren zu. Insbesondere die Erkennung von Abwanderungstendenzen durch Data-Mining-Verfahren, die sogenannte Churn Prediction, stellt den entscheidenden Faktor für eine wirksame Kundenbindung dar.

Voraussetzungen

Die Grundlage eines effektiven und zuverlässigen Churn Managements sind vielfältige Daten, die über einen möglichst langen Zeitraum zurückgehen. Dabei werden vor allem Informationen zum Kaufverhalten oder zu Auftragsabschlüssen benötigt. Aber auch Kundendaten im weiteren Sinn sind hilfreich, um besondere Bedürfnisse oder Ansprüche des Kunden zu verstehen. Generell gilt auch im Churn Management: Je besser das Unternehmen den Kunden kennt, umso spezifischer kann auf die Bedürfnisse eingegangen werden.

Diese Voraussetzungen kann man mit CRM-Systemen voll erfüllen. CRM-Systeme führen die erfassten Daten aus allen Unternehmensbereichen zentral zusammen, integrieren diese, und speichern sie in Datensilos. Die gespeicherten Verkaufsdaten stammen aus der Kauferfassung am Point of Sale (POS) durch Nutzung von Kundenkarten, Bonus- oder Prämien-Programmen sowie aus den Onlineshops. Darüber hinaus sind aber auch Daten des Kundenservices, der Warenrückgabe oder der Marketingabteilung im CRM hinterlegt.

Aber auch Unternehmen, die kein CRM System verwenden, können Churn Prediction anwenden. Die Daten liegen dabei meist dezentral vor und müssen in weiteren Bearbeitungsschritten hinsichtlich der Datenqualität überprüft und zusammengeführt werden.

Die Phasen der Churn Prevention

Obgleich viele Unternehmen die Voraussetzungen für eine aussagekräftige Churn Prediction in Form von aussagekräftigen und reliablen Kundendaten erfüllen, ist die Umsetzung auf Unternehmensebene oft nicht ohne Weiteres zu bewerkstelligen. Abwanderungsprävention und Churn Management wird nach heutigen Erkenntnissen in drei Phasen unterteilt:

  • 1. Ermittlung von Abwanderungsgründen
  • 2. Monitoring, Churn Analysis und Churn Prediction
  • 3. Maßnahmen zur Kündigungsprävention

Gerade in der ersten Phase nach dem „Warum?“ wird die Fähigkeit zur Selbstkritik über alle Abteilungen hinweg auf eine harte Probe gestellt.

Der folgende Artikel befasst sich ausschließlich mit dem zweiten Punkt, dem Aufbau eines datengetriebenen Frühwarnsystems. Ohne eine schonungslose Analyse der Kundenabwanderung sowie wirkungsvollen Maßnahmen zur Verhinderung der Abwanderung kann ein effizientes Churn Management nicht durchgeführt werden.

Der Anfang vom Neubeginn

Entscheidet sich ein Unternehmen dafür, aktives Churn Management zu betreiben, so muss man zunächst alle kundenrelevanten Daten zusammentragen, prüfen und aufbereiten.

Einer Kundenabwanderung muss hier keine Kündigung von Kundenseite vorausgehen. Kunden äußern in der Regel kein Abwanderungsansinnen, sondern entfernen sich leise und lautlos. Deshalb muss man vorab im Dialog mit dem Management bestimmen, wie man abwanderungswillige Kunden bei vertragsunabhängigen Beziehungen definieren möchte. Eine Definition, wann ein Kunde als „verdächtig“ eingestuft wird, kann anhand von KPIs erfolgen, z. B. Kauffrequenz oder Umsatz pro Monat. Durch die Verwendung von Prediction Scores und geeigneter Threshold Values kann man effiziente Ampelsysteme entwickeln. Überschreiten die Prediction Scores gewisse Grenzen, werden seitens des Unternehmens verschiedene Eskalationsstufen für eine Wiederaufnahme der Kundenbeziehung angestoßen.

Diese Prediction Scores errechnet man mithilfe der bereitgestellten, vergangenheitsbezogenen Daten aus den individuellen Verlaufsmustern.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Churn Prediction und Churn Prevention

Nachdem man abwanderungswillige Kunden anhand von KPIs definiert hat, kann man anhand der vergangenheitsbezogenen Daten Modelle aufstellen und überprüfen. Anhand dieser Modelle kann man zukünftig die Abwanderung vorhersagen (Churn Prediction). Dazu werden meist verschiedene Kombinationen an Prädiktoren herangezogen und in multiplen Regressionsmodellen die Effekte geschätzt. Je nach Skalierung der Zielgröße (metrisch, kategorial, dichotom) werden geeignete Regressionsmodelle wie lineares, logistisches oder Probit-Modell herangezogen. Aber auch neuronale Netze oder Klassifikationsverfahren wie Baumdiagramme können sinnvoll sein.

Wichtig ist, dass im Modell zeitliche Verläufe analysiert werden können. Besondere Beachtung in der Modellierung spielen saisonale Schwankungen, Frequenzen und der Zusammenhang mit äußeren Einflüssen, wie z. B. Werbeaktionen, Kontakte mit Kundenservice, Reklamationen oder Retouren-Management.

Gute Prädiktionsmodelle erklären einen hohen Anteil der beobachteten Streuung. Als Maß für die Modellgüte haben sich hierbei das Bestimmtheitsmaß R2 oder Derivate davon etabliert. Anhand solcher Gütekriterien kann man verschiedene Prädiktionsmodelle miteinander vergleichen. Die Teilung der Daten in Test- und Trainingsmenge gewährleisten zudem, dass die Prädiktionsmodelle an Daten überprüft werden, die nicht zur Schätzung der Parameter des Prädiktionsmodells verwendet werden. So können Aussagen über die Prädiktionsgüte der Churn-Prediction-Modelle getroffen werden.

Anhand dieser Churn Prediction Models werden Prediction Scores erstellt. Diese Scores wiederum werden als Abwanderungswahrscheinlichkeiten interpretiert. Überschreiten die Prediction Scores festgelegte Threshold Values werden Maßnahmen zur Kundenrückgewinnung eingeleitet (Phase 3).

Safety first – Churn Prevention und der Datenschutz

Der Umgang mit Personenbezogenen Daten steht unter besonderem Schutz. Die Vorschriften hierfür sind in der EU-Datenschutzgrundverordnung (EU-DSGVO) geregelt. Demnach müssen Kunden einer Nutzung der Daten explizit zustimmen. Auch aussagekräftige Art der Nutzung und Weiterverarbeitung der Daten sowie die Tragweite für den Kunden müssen deutlich gemacht werden. In Data-Mining-Anwendungen kommt hinzu, dass auf eine automatisierte Informations- und Wissensgenerierung hingewiesen werden muss. Das alles scheinen zunächst unüberwindliche Hürden zu sein.

Ein großer Teil der Auflagen kann umgangen werden, wenn generell pseudonymisierte – besser noch anonymisierte Daten – verarbeitet werden. Nun ist dies im Churn Management nicht unbedingt immer möglich und erstrebenswert. Hier sollen ja genau diejenigen Kunden angesprochen werden, die auffällig wenig Kontakte zeigen und als abwanderungswillig eingestuft werden. Von besonderem Interesse sind hierbei Kunden, die bereits mehrere Käufe getätigt haben oder über längere Zeiträume als wertvoll im Sinne des Customer Lifetime Values eingestuft sind. Über Kundenbindungsprogramme wie Kundenkarte, Prämien-Programmen und Angeboten oder Newslettern kann allerdings eine Aufklärung der Kunden über die Datennutzung im Sinne der EU-DSGVO erfolgen.

Zusammenfassung

Churn Management ist ein aktuell enorm wichtiges Anwendungsgebiet. Gerade der Bereich Churn Prediction, also die Vorhersage von Kundenabwanderungen, zeigt die vielfältigen Einsatzmöglichkeiten von Algorithmen aus dem Data-Mining-Bereich. Besondere Herausforderungen stellen sich im Hinblick auf die Modellierung der Abwanderung. Anders als bei Klassifikationsproblemen liegen bei Abwanderung Informationen in Form von Daten mehr vor. Eine Abgrenzung muss somit schon vorab anhand von Verlaufsdaten erfolgen. Eine Umsetzung in Form eines Ampelsystems oder Frühwarnsystems hilft bei der schnellen Interpretation der Ergebnisse. Die Voraussetzungen hierfür sind, eine valide, vielschichtige und umfangreiche Datensammlung in Bezug auf den Kunden. Diese liegen jedoch in den meisten Fällen – z. B. durch CRM-Systeme – bereits vor.

Artikelfiles und Artikellinks

(ID:46577674)