Abwanderungsprognose: So erkennen Sie Kunden, die gerade abwandern, und können rechtzeitig handeln

Ein Abwanderungsvorhersagemodell schätzt, wie wahrscheinlich es ist, dass jeder Kunde innerhalb eines definierten Zeitfensters mit dem Kauf aufhört, storniert oder verfällt, sodass Sie handeln können, bevor er weggeht. Damit es funktioniert, sind drei Dinge erforderlich: Verhaltenssignale, die sich ändern, bevor ein Kunde das Unternehmen verlässt (rückläufige Nutzung, langsamere Anmeldungen, Support-Tickets, verpasste Zahlungen), eine klare Definition dessen, was „abgewandert“ bedeutet, und eine gekennzeichnete Historie darüber, wer tatsächlich das Unternehmen verlassen hat, und eine mit der Punktzahl verknüpfte Entscheidung, sodass eine Hochrisiko-Flagge einen echten Eingriff auslöst. Das Modell erzeugt eine Wahrscheinlichkeit pro Kunde. Für sich genommen bewirkt diese Zahl nichts. Die Reduzierung der Abwanderung ist eine eigene Disziplin: Es kommt darauf an, was Sie mit der Risikoliste machen, und nicht darauf, wie genau Sie sie vorhergesagt haben. Betrachten Sie die Partitur als den Anfang des Werkes, nicht als dessen Ende.

Welche Signale benötigt ein Churn-Prognosemodell?

Ein Model kann nur sehen, was Sie aufzeichnen. Die nützlichen Signale sind diejenigen, die sich bewegen, bevor ein Kunde geht, nicht danach.

Engagement-Trend, nicht nur Ebene. Ein Kunde, der von der täglichen auf die wöchentliche Nutzung umsteigt, sagt Ihnen mehr als nur seine absolute Nutzung. Die Neigung ist wichtiger als die Position.
Aktualität und Häufigkeit. Tage seit der letzten Anmeldung, der letzten Bestellung oder der letzten sinnvollen Aktion. Länger werdende Lücken sind eine Frühwarnung.
Unterstützung und Reibung. Ticketvolumen, wiederholt fehlgeschlagene Aktionen, Beschwerden, Zeit bis zur Lösung.
Kommerzielle Signale. Fehlgeschlagene Zahlungen, Herabstufungen, abgelehnte Verlängerungen, sinkender Bestellwert.
Lebenszykluskontext. Amtszeit, Plantyp, Abschluss des Onboardings. Eine Kundenabwanderung nach drei Wochen und eine Kundenabwanderung nach drei Jahren aus unterschiedlichen Gründen.

Die ehrliche Einschränkung: Wenn ein Signal heute nicht erfasst wird, kann das Modell es morgen nicht verwenden. Oftmals besteht die erste echte Abwanderungsarbeit darin, das zu reparieren, was Sie protokollieren, und nicht darin, irgendetwas zu trainieren.

Wie kennzeichnen Sie Abwanderung, damit das Modell lernen kann?

Bei der Etikettierung gehen die meisten Abwanderungsprojekte stillschweigend schief, denn „Abwanderung“ ist keine Sache. Sie müssen es definieren, bevor Sie es modellieren.

Wählen Sie das Abwanderungsereignis. Eine Stornierung ist einfach. Ein stiller Kunde, der einfach aufhört zu bestellen, hat es schwerer. Bei Unternehmen ohne Abonnement definieren Sie Abwanderung normalerweise als keine Aktivität innerhalb eines gleitenden Zeitfensters (z. B. kein Kauf innerhalb von 90 Tagen).
Wählen Sie das Vorhersagefenster. Sagen Sie eine Abwanderung in den nächsten 30, 60 oder 90 Tagen voraus? Das Zeitfenster muss mit der Wirkungsdauer Ihres Eingriffs übereinstimmen.
Erstellen Sie den Verlauf. Nehmen Sie einen vergangenen Zeitpunkt, verwenden Sie nur die damals verfügbaren Daten und kennzeichnen Sie, ob jeder Kunde danach abgewandert ist. Die Verwendung von Informationen, die noch nicht vorhanden waren (ein Leckfehler), lässt ein Modell beim Testen brillant und in der Produktion unbrauchbar erscheinen.
Überprüfen Sie den Basispreis. Wenn nur ein kleiner Teil der Kunden abwandert, ist die Genauigkeit allein irreführend. Ein Modell, das vorhersagt, dass „niemand geht“, kann gut punkten und niemandem helfen.

Was ist der Unterschied zwischen der Vorhersage der Abwanderung und der Reduzierung?

Diese Unterscheidung entscheidet darüber, ob sich das Projekt amortisiert.

	Abwanderung vorhersagen	Abwanderung reduzieren
Ausgabe	Ein Risiko-Score pro Kunde	Weniger Kunden verlassen tatsächlich
Im Besitz von	Daten und Technik	Das Team, das mit Kunden spricht
Gemessen an	Modellgenauigkeit, Präzision, Rückruf	Bindungsrate, eingesparter Umsatz
Schlägt fehl, wenn	Signale fehlen oder sind durchgesickert	Niemand handelt nach der Partitur

Ein Modell, das Ihre Kunden nach Risiko einordnet, ist nur die Diagnose. Die Reduzierung ergibt sich aus der Reaktion: ein Anruf von einem Account Manager, ein gezieltes Angebot, eine Lösung für den Onboarding-Schritt, bei dem die Leute aussteigen. Der Score weist darauf hin, dass die Antwort die richtigen Personen erreicht. Die Reaktion wird dadurch nicht ausgelöst.

Dies ist die gleiche Logik, die sich durch Predictive Analytics: Daten in Entscheidungen verwandeln zieht. Eine Prognose, auf die niemand reagiert, ist ein Hobby, wie genau sie auch sein mag.

Wie reagieren Sie auf einen Abwanderungswert, ohne ihn zu verschwenden?

Gutes Handeln bedeutet, selektiv zu sein, denn ein Eingreifen ist mit Kosten verbunden und ein falscher Eingriff kann Schaden anrichten.

Legen Sie einen Schwellenwert fest, der an die Kapazität gebunden ist. Wenn Ihr Team fünfzig Kunden pro Woche anrufen kann, sollte das Ergebnis die fünfzig am stärksten gefährdeten Kunden ergeben und nicht eine Liste mit Tausenden.
Ordnen Sie die Aktion dem Grund zu. Ein Kunde, bei dem ein Preisrisiko besteht, benötigt eine andere Reaktion als ein Kunde, der wegen einer defekten Funktion feststeckt. Die Signale, die die Punktzahl bestimmt haben, verraten Ihnen normalerweise, welche.
Vermeiden Sie einen übermäßigen Kontakt mit dem Safe. Die Kontaktaufnahme mit einem zufriedenen, risikoarmen Kunden mit einem Kundenbindungsangebot kann den Gedanken wecken, den Tresor zu verlassen. Präzision schützt Sie hier.
Schließen Sie den Kreis. Zeichnen Sie auf, was Sie getan haben und ob es funktioniert hat, und geben Sie dies dann zurück. Die Interventionsdaten ermöglichen die Verbesserung des Modells und des Playbooks.

Auf diese Weise wird die Punktzahl zu einer Warteschlange, die Ihr Team durcharbeitet, wobei die wertvollsten Gespräche ganz oben stehen.

Der praktische Imbiss

Der Bau des Modells ist die kleinere Hälfte der Arbeit. Die größere Hälfte besteht darin, die Abwanderung ehrlich zu definieren, die Signale zu erfassen, die sich frühzeitig bewegen, und dem Ergebnis eine echte Aktion zuzuordnen. Wenn Sie den Umfang eines Abwanderungsvorhersagemodells festlegen, stellen Sie eine Frage, bevor Daten berührt werden: Wenn ein Kunde ein hohes Risiko einstuft, was passiert als nächstes und wer macht das? Wenn es keine Antwort gibt, haben Sie ein Mathematikprojekt und kein Retention-Programm. Wenn ja, haben Sie etwas, das es wert ist, gebaut zu werden. Dies ist die Art von Arbeit, auf der unsere Predictive Analytics-Praxis basiert.