25.05.2022 | Data Analytics

Der Churn-Index – tiefe Insights in die Kundenbindung

Langfristige Kundenbindung zu erreichen, ist das Ziel vieler Unternehmen. Doch der Weg dahin ist meist nicht so leicht. Was den meisten unserer Kund:innen im Kopf herumschwirrt ist, bestehende, aber auch besonders wertvolle Kunden zu halten und an ihr Unternehmen zu binden. Als Basis dieser Überlegungen dient der sogenannte Churn-Score. Im Kern steht beim Churn-Score oder auch Kündiger-Score die analytische Vorhersage der Wahrscheinlichkeit einer Abwanderung oder Kündigung eines Kunden oder einer Kundin im Fokus. Diese Vorhersagen müssen aber in verschiedenen Prozessen berechnet und unter Umständen mit verschiedensten Daten in Verbindung gebracht werden. Doch die Daten zusammenzuführen und sie anschließend so zu vereinen, dass am Ende sinnvolle Aussagen über Abwanderungswahrscheinlichkeiten oder Churn-Rate gemacht werden können, stellt viele Unternehmen vor eine große Herausforderung.

Ziel des Churn-Scores ist es, Kund:innen zu identifizieren, die einerseits bald abwandern, andererseits aber auch eine geringe Wahrscheinlichkeit dafür haben. Beides, um sie dann gezielt anzusprechen, zum Beispiel, um abwanderungswillige Kund:innen vor der Kündigung mit Rabatt-Aktionen zum Bleiben zu bewegen.

Allgemein ergibt sich aus einer Ermittlung des Churn-Index der Vorteil, tiefere Einblicke in die Bindung der Kund:innen zu erhalten und für langfristigere Kundenbeziehungen mit Mehrwert zu sorgen. Doch wie genau funktioniert sowas eigentlich? Und wie gehen wir so eine Fragestellung an?

Zusammenfassung:

Fünf Schritte zum aussagekräftigen Churn-Index:
- Kick-Off-Workshop
- Data Review & Exploration
- Daten integrieren und durch Geo-Daten anreichern
- Modellentwicklung
- Ergebnislieferung
Nutzen einer Churn-Wahrscheinlichkeit

Fünf Schritte zu einem aussagekräftigen Churn-Index

Wenn es um die Entwicklung eines aussagekräftigen Churn-Index geht, ergeben sich in der Regel fünf Schritte, die wir gemeinsam mit unseren Kund:innen angehen. Wie diese aussehen? Das wollen wir Ihnen etwas näher zeigen und Ihnen im Folgenden kurz jeden einzelnen Schritt vorstellen. Zum Einstieg schon mal eine kleine Abbildung, die Ihnen einen groben Überblick verschafft:

Schritt 1: Kick-off-Workshop

Unser Kick-off-Workshop ist, wie bei fast allen Projekten, der Auftakt der Zusammenarbeit. Hier klären wir gemeinsam offene Fragen, stimmen das Timing und die Bereitstellung der Daten ab. Fragen und Diskussionspunkte aus dem Workshop sind wichtige Grundlagen für die weitere Entwicklung, weshalb uns diese Zeit besonders wichtig ist. Fragen könnten zum Beispiel diese sein:

Welche Daten sollen berücksichtigt werden? Wie müssen sie aufbereitet werden?
Welche Geo-Daten können für eine Analyse von Relevanz sein?
Welche Tools und Methoden eignen sich für die Umsetzung?
Welche Abteilungen müssen für eine erfolgreiche Umsetzung ins Boot geholt werden?

Die letzte Frage bezieht sich darauf, dass für uns die Beteiligung aller Stakeholder wichtig ist, damit das Projekt erfolgreich wird. Im Vordergrund steht aber vor allem, dass wir uns alle kennenlernen, sowohl unser Projektteam als auch alle Ansprechpartner:innen unserer Kunden. In der Nachbereitung des Workshops erstellen wir eine Roadmap mit Meilensteinen, die uns über das ganze Projekt hinweg begleiten wird.

Ziele:

Klärung der Projektziele
Beantwortung offener Fragen
Projekt-Roadmap und -Timing abstimmen
Datenlieferung klären
Kennenlernen aller Ansprechpartner

Schritt 2: Data Review & Exploration

Die Basis für die Churn-Analyse sind die Daten unserer Kund:innen, in der Regel aus dem CRM-System. Sobald wir diese Daten erhalten haben, beginnen wir mit dem Review. Hier wollen wir ein tiefes Verständnis über die Datenstrukturen bekommen, aber auch über die Inhalte und Insights, die bereits explorativ in den Daten stecken. Das liefert uns Anhaltspunkte für die spätere Entwicklung eines geeigneten Modells. In der Praxis tauchen bei der Arbeit mit den Datensätzen unserer Kund:innen Fragen auf, die sich nicht im Kick-off beantworten ließen. Hierzu stimmen wir uns kurzfristig für einzelne, meist halbstündige Termine ab, in denen wir diese Fragen klären.
Insbesondere interessieren uns hier auch strukturelle Auffälligkeiten, wie fehlende und unplausible Daten oder Anomalien. Darüber hinaus schätzen wir die Analyse-Möglichkeiten auf Basis der Daten ein: Wie hoch ist der Anteil derjenigen, die kündigen werden? Gibt es bereits Anhaltspunkte, dass durch die Daten Kund:innen, die kündigen oder bleiben werden, sich nur wenig voneinander unterscheiden?

Ziele:

Kennenlernen der Daten und ihrer Struktur
Explorative Analyse
Hypothesen und Anhaltspunkte für Modell-Entwicklung generieren
Datenschutz sicherstellen

Schritt 3: Datenquellen integrieren und durch Geo-Daten anreichern

1. Datenquellen integrieren: Wenn große Mengen an Kundendaten zur Verfügung stehen, bietet es sich an, sie zunächst zu vernetzen. So kann über unterschiedliche Datenquellen wie Kundenhistorien, Versicherungs- und Finanzdaten sowie Kundenbefragungen eine gemeinsame Datenbasis geschaffen werden. Voraussetzung ist natürlich, dass die Verknüpfung der Daten auch rechtlich zulässig ist.

2. Anreicherung mit Geo-Daten: Manchmal geben die vorhandenen Kundendaten aber eben nur einen kleinen Einblick in die Lebensrealität der Kund:innen. Durch zusätzliche mikrogeographische Daten können wir Informationen wie Haushaltsgröße, Lage oder sozio-ökonomischer Status auf Basis der Adresse ergänzen und so ein umfangreicheres Bild zeichnen. Diese Daten erhöhen die Vorhersagegenauigkeit des späteren Modells zum Teil deutlich. Win-win also! Wo genau wir die Daten hernehmen und wie detailliert die Daten sein sollen, hängt dabei immer ganz individuell von unseren Kund:innen ab. Die genauen Datenpunkte werden im Rahmen der Analyse identifiziert. Mögliche Datenpunkte könnten dabei zum Beispiel Einkommen, Kaufkraft, Haushaltsgröße, Alter oder Geschlecht sein.

Ziele:

Datenquellen zusammenführen und integrieren
Relevante Variablen identifizieren
Ergänzung vorhandener Kundendaten
Verbesserung der späteren Modell-Genauigkeit

Schritt 4: Modellentwicklung

Nachdem wir einen vollständigen Datensatz für die Analyse haben, den wir strukturell und inhaltlich verstehen, widmen wir uns ganz der Analyse. Hierzu entwickeln wir ein Vorhersagemodell. Dabei ist der zentrale Outcome, dass wir die Kündigung eines Kunden oder einer Kundin vorhersagen wollen. Die Prädiktoren ergeben sich, je nach Fall, aus Ihren und/oder den Geo-Daten.
Im Rahmen der Modellierung nehmen wir außerdem verschiedene Algorithmen und Modell-Arten unter die Lupe, um die Vorhersagegenauigkeit zu optimieren. Neben Methoden der klassischen Statistik prüfen wir auch modernste Machine-Learning-Methoden. Hier ein kleiner Überblick darüber, welche Vor- und Nachteile die jeweilige Methode hat:

Ziele:

Iterative Entwicklung eines Vorhersage-Modells
Kreuzvalidierung des Modells zur Absicherung der Zuverlässigkeit

Schritt 5: Ergebnislieferung

Sobald wir ein Modell finalisiert und erfolgreich validiert haben, stellen wir die individuellen Kündiger-Scores zur Verfügung. Hier sind prinzipiell zwei verschiedene Optionen denkbar. Idealerweise gibt es aber bei beiden Optionen je Kunde oder Kundin eine eindeutige ID, die wir zum Austausch verwenden können. Die erste Option ist, dass laufende Berechnungen für Kund:innen, gewissermaßen tagesaktuell von uns zur Verfügung gestellt werden. Das lässt sich gut in ein CRM-System integrieren, wo sich die Daten laufend verändern oder aktualisiert werden. Die zweite Option ist eine einmalige Lieferung der Ergebnisse je Kund:in. Letzteres lohnt sich eigentlich nur bei Ad-hoc-Analysen, zum Beispiel für Kundenwertanalysen.

Ziele:

Bereitstellung individueller Kündiger-Scores (zwei Optionen)
Zufriedene Kund:innen

Fazit: Was kann man jetzt mit der errechneten Churn-Wahrscheinlichkeit machen?

Die Antwort: Ein aktueller Churn-Index gibt dem Marketing und dem Vertrieb konkrete Ansatzpunkte, um ihre Handlungen und die Kommunikation darauf auszurichten, Kund:innen zu halten, Beziehungen auszubauen und damit dem Markt einen Schritt voraus zu sein. Und das sehr differenziert: Statt Gießkannenprinzip können gezielt besonders gebundene Kund:innen und potenzielle kündigende Kund:innen mit unterschiedlichen Inhalten angesprochen werden, um nicht nur die Churn-Rate niedrig zu halten, sondern auch Cross- und Up-Selling-Potenziale zu realisieren.
Der Churn-Index ist damit isoliert betrachtet eine wertvolle Metrik, um die Kundenabwanderung gezielt zu steuern. Häufig werden Churn-Analysen dabei in Kundenwertanalysen auf Basis eines Customer-Lifetime-Values (CLV) eingebettet. Denn die Frage nach Abwanderungstendenzen führt im zweiten Schritt zwangsläufig zu der Frage, welche Kund:innen besonders wertvoll sind und damit besondere Energie darauf verwendet werden sollte, sie zu halten. Durch einen tagesaktuellen Churn-Index lässt sich deshalb frühzeitig feststellen, inwieweit sich die Bedarfslage der Kund:innen verändert und welche Maßnahmen daraus abgeleitet werden sollten. Deshalb sollte die Kundenwertanalyse bzw. die CLV-Analyse ein fortlaufender Prozess sein, in den unvorhergesehene Veränderungen umgehend miteinbezogen werden. Der Churn-Index hilft Ihnen also dabei, die Lebensdauer Ihrer Kund:innen und die Beziehung zum Kunden oder zur Kundin besser zu verstehen und gezielt auf Änderungen einzugehen.
Jedoch ist die Entwicklung eines aussagekräftigen Churn-Index kein Selbstläufer und wird von vielen Unternehmen gerade in ihrer Komplexität und Aussagekraft unterschätzt. Unsere fünf Schritte sollen Ihnen einen kleinen Eindruck davon geben, wie wir strukturiert an das Thema herangehen und wertvolle Ergebnisse liefern, mit denen Sie wirklich was anfangen können. Denn was wünscht man sich mehr, als Kund:innen zu verstehen und damit eine langfristige Kundenbindung aufzubauen?