Churn Analyse zur Gewinnung und Bindung wertvoller Kunden

Datengetriebene Ansätze zur Maximierung der Kundenbeziehung sind in den heutigen stark gesättigten und wettbewerbsintensiven Märkten wichtiger denn je. Es gibt viele Schritte, die ein proaktives Unternehmen gehen kann, um sich positiv zu positionieren und hochwertige Kunden zu halten sowie Kundenabwanderung zu verhindern.

Was ist Kundenabwanderung und warum ist sie wichtig?

Kundenabwanderung tritt auf, wenn ein Kunde keine Einkäufe mehr tätigt oder seinen Vertrag mit einem Unternehmen kündigt.

Die Abwanderung wird normalerweise als die Rate der Kunden gemessen, die ihre Geschäftsbeziehung innerhalb eines bestimmten Zeitraums beenden. Die Abwanderungsrate ist eine wichtige Messgröße, da eine erhöhte Abwanderungsrate darauf hinweisen kann, dass Anpassungen der Unternehmensstrategie (Marketingstrategie) erforderlich sind, um die Kundenbindung zu verbessern.

Es gibt viele Gründe, warum die Bindung bestehender Kunden noch wichtiger ist als die Neukundengewinnung. Zum Beispiel ist die Gewinnung neuer Kunden viel teurer als die Kundenbindung - genauer gesagt zwischen 5 und 25 mal teurer. Kundenbeziehungen werden im Laufe der Zeit auch wertvoller, da die Betriebskosten für sie sinken und ihre Kaufneigung steigt. Loyale Kunden können neue Kunden auch über ihre sozialen Netzwerke empfehlen. Konkret haben Untersuchungen von Bain & Company dies festgestellt. Eine Steigerung der Kundenbindung um nur 5% erhöhte den Gewinn in einigen Sektoren um über 25%.

Traditionell könnte man daran denken, Kunden durch Marketingkampagnen zum Kauf zu motivieren. Die einfache Ausweitung einer Kampagne auf alle Kunden kann jedoch ineffizient sein, da möglicherweise nur eine Minderheit von ihnen tatsächlich einen Anreiz zum erneuten Kauf benötigt hat, wodurch der Rest des Kampagnenbudgets zu unnötigen Kosten wird. Im Idealfall möchten wir unsere Marketingstrategie proaktiv anpassen und nur Kunden ansprechen, bei denen das Risiko einer Abwanderung besteht.

Was ist Churn-Analyse?

Churn-Analysen können Unternehmen dabei helfen, festzustellen, welche Kunden die höchste Abwanderungswahrscheinlichkeit haben und welche Attribute mit dieser höheren Abwanderungswahrscheinlichkeit verbunden sind.

Es ist durchaus möglich, dass bereits eine Vorstellung besteht, welche Faktoren wichtig sind wie z.B. Preis, Vertragsdauer oder die Art der Artikel, die ein Kunde normalerweise kauft. Aber angesichts der Vielfalt der möglichen Merkmale, die eine Rolle spielen können sowie möglicher Wechselwirkungen (beispielsweise kann ein bestimmtes Verhalten ein Hinweis auf die Abwanderung von Kunden in einer bestimmten Alters- und Geschlechtergruppe sein) ist ein datengetriebener Ansatz der robuste Weg sicherzustellen, dass Kunden richtig angesprochen werden.

Wie funktioniert Churn-Analyse?

Daten

Einer der Gründe, warum Churn-Analysen so leistungsfähig sind, besteht darin, dass die erforderlichen wesentlichen Daten für die meisten Unternehmen leicht verfügbar sind. Während die Analysen Daten aus vielen Quellen enthalten können - wie Kundenfeedback oder Social Media - können gute Ergebnisse bereits mit der Kaufhistorie eines Kunden und den grundlegenden CRM-Daten erzielt werden.

Methoden

Der kompliziertere Aspekt ist die Bestimmung des geeigneten Modells, denn es gibt viele potentielle Kandidaten. Der Schlüssel besteht darin, ein akkurates und gut interpretierbares Modell zu finden, das Kunden korrekt klassifiziert, sodass die Ergebnisse Marketing-Entscheidungen effektiv unterstützen können.

Einige Optionen umfassen:

• Logistische Regression, ein klassischer Ansatz, der recht gute Ergebnisse erzielen kann und relativ gut zu interpretieren ist. Es wird häufig als Basis verwendet, bevor ein komplizierteres Modell für die Endergebnisse verwendet wird.
• Survival-Analyse, die nützlich ist, da sie einen Zeitplan für die Kundenbindung liefern kann. Diese Technik zeigt nicht nur, ob ein Kunde wahrscheinlich seine Beziehung zum Unternehmen beenden wird, sondern auch, wann dies voraussichtlich eintreten wird.
• Relational Classifiers, die das soziale Netzwerk eines Kunden bei Vorhersagen berücksichtigen können.
• Machine Learning-Modelle wie Random Forests, XGBoost und Support Vector Machines sowie Deep Learning-Ansätze unter Verwendung neuronaler Netze, die eine exzellente Vorhersageleistung bieten, jedoch auf Kosten der Interpretierbarkeit. Glücklicherweise können interpretierbare Techniken des Machine Learnings uns helfen, diese Herausforderung zu bewältigen, die im Folgenden etwas ausführlicher beschrieben wird.

Die individuellen Bedürfnisse und Anwendungsfälle eines Unternehmens sollten die Auswahl des geeigneten Modells bestimmen. Die Berücksichtigung unternehmensspezifischer Faktoren kann auch dazu beitragen, herauszufinden, welche Variablen relevant sind, und den optimalen Zeitrahmen für das Modell zu bestimmen. Beispielsweise können einige Unternehmen die Abwanderung möglicherweise monatlich untersuchen, während andere Unternehmen mit einer geringeren Kaufhäufigkeit vierteljährliche oder sogar jährliche Bewertungszeiträume verwenden. Darüber hinaus kann die Abwanderung bei vertragsbasierten Unternehmen leicht durch die Beendigung eines Vertrags bestimmt werden. Bei transaktionsbasierten Geschäftsmodellen muss die Abwanderung jedoch unter Berücksichtigung der durchschnittlichen Transaktionshäufigkeit oder anderer Nuancen der Kundenbeziehungen für ein bestimmtes Unternehmen definiert werden.

Wie können Churn-Analysen genutzt werden?

Etwas über unsere Kunden lernen

Die Churn-Analyse kann Risikoprofile auf Einzel- oder Gruppenebene erstellen. Selbst wenn es nicht möglich ist, eine Marketingstrategie für jede Person anzupassen, kann eine Churn-Analyse Kundensegmente erstellen, sodass ein Unternehmen bestimmen kann, welche Kunden zu den Gruppen mit niedriger, mittlerer und hoher Abwanderungswahrscheinlichkeit gehören.

Mithilfe von explainable Machine Learning-Techniken kann nicht nur festgestellt werden, ob ein Kunde wahrscheinlich abwandert, sondern auch warum.

Dies kann „global“ erfolgen, indem die wichtigsten Merkmale untersucht werden, die die vorhergesagten Abwanderungswahrscheinlichkeiten erklären, oder lokal auf der Ebene einzelner Kunden.

Feature-Bedeutung für ein Churn Model unter Verwendung von Shapley-Werten. Die Preise der Wettbewerber sind in diesem Beispiel der wichtigste Faktor für die Bestimmung der Abwanderungswahrscheinlichkeit.

Mithilfe von explainable Machine Learning ist es möglich, die Auswirkung eines bestimmten Merkmals (wie des Alters) auf die Wahrscheinlichkeit der Kundenabwanderung zu sehen.

Es ist auch möglich, die Auswirkungen verschiedener Merkmale auf die vorhergesagte Abwanderungswahrscheinlichkeit eines einzelnen Kunden zu isolieren. In diesem Beispiel hat der Vertragspreis die Abwanderungswahrscheinlichkeit des Kunden erheblich erhöht, während die lange Beziehung zum Unternehmen sie verringert hat.

Diese Erkenntnisse können in ein CRM integriert und kontinuierlich aktualisiert werden, sodass neue Kunden hinzugefügt werden und Änderungen der Marketingstrategien, der Saison oder anderer dynamischer Faktoren kontinuierlich berücksichtigt werden können. Dies ermöglicht auch gezielte Antworten des Kundenservice während der Kundeninteraktion, um zu antizipieren was beispielsweise der Grund des Anrufs von einem Kunden ist.

Effizientes Targeting von Marketingkampagnen

Durch die Integration der Abwanderungswahrscheinlichkeit in die Marketingstrategie können Budgets und Energie effizient zugewiesen werden, um die Kunden anzusprechen, bei denen das Risiko einer Abwanderung am größten ist. Außerdem kann diese Ansprache ganz individuell auf Grundlage der vorhergesagten Gründe für die Abwanderung angepasst werden. Dies spart Geld, da keine Kampagnen für Kunden durchgeführt werden, die unabhängig sowieso gekauft hätten. Das kann einen erheblichen Unterschied bei den gesamten Marketingausgaben bewirken.

Beispielsweise könnte ein Unternehmen erwägen, eine Kampagne mit einem Reaktivierungsbonus durchzuführen. Durch die Berechnung der Wahrscheinlichkeit, dass der Kunde innerhalb der nächsten Wochen sowohl mit als auch ohne Bonus einen Kauf tätigt, ist es möglich, nur Kunden mit einem hohen Uplift anzusprechen.

Gewinnung wertvoller Neukunden

Unternehmen machen oft den Fehler, sich darauf zu konzentrieren, einfach mehr Kunden zu gewinnen, ohne sich um die Qualität der Kundenbeziehung im Laufe der Zeit zu kümmern. Eine Churn-Analyse kann dazu beitragen, die Gewinne eines Kunden vorherzusagen, z.B. die vorhergesagte Vertragsdauer.

Diese Erkenntnis kann weitere Auswirkungen haben, die über die Steuerung des Akquisitionsbudgets hinausgehen. Stellen Sie sich zum Beispiel vor, ein Unternehmen hat gerade begonnen, mit einem neuen Marketing-Team zusammenzuarbeiten, und es freut sich, dass sein Kundenstamm schnell wächst. Das Unternehmen kann erwägen, in zusätzliches Personal oder zusätzliche Infrastruktur zu investieren. Aber was ist, wenn sich herausstellt, dass dies keine Kunden sind, die wahrscheinlich langfristig mit dem Geschäft zusammenarbeiten? Diese schlechten Investitionen könnten mit einem geeigneten Churn-Modell vermieden werden. In ähnlicher Weise kann eine Churn-Analyse dazu beitragen, die Kundenakquise auf Kanäle zu konzentrieren, die möglicherweise teurer sind, dafür aber treue Kunden liefern, die langfristig höhere Gewinne erzielen.

Einblicke gewinnen und Strategie anpassen

Die Churn-Analyse bietet möglicherweise auch Einblicke in die Strategie eines größeren Unternehmens und in geeignete Bereiche für die Priorisierung. Zum Beispiel haben wir hier bei INWT eine Churn-Analyse für ein Unternehmen im Bereich B2B durchgeführt, das Produkte verkauft, für die eine initiale technische Konfiguration nötig ist. Die Ergebnisse unserer Analyse zeigten einen überraschenden Befund: Kunden, die ein- oder zweimal das Support-Center anriefen, hatten eine geringere Abwanderungswahrscheinlichkeit als Kunden, die nie oder mehr als zweimal angerufen haben. Die Erklärungskraft der entsprechenden Variablen war bemerkenswert hoch.

Vor dieser Analyse betrachtete das Unternehmen das Support-Center nur als Kostenfaktor und schenkte der Einheit aus strategischer Sicht nicht allzu viel Aufmerksamkeit. Da das Ergebnis auf den ersten Blick unplausibel erscheint, wurden weitere Untersuchungen durchgeführt: Es stellte sich heraus, dass einige Kunden das technische Setup selbst durchführen konnten, die meisten Kunden jedoch mit dieser Aufgabe eher überfordert waren. Einige von ihnen traten deshalb vom Vertrag zurück (und erwogen daher nicht, um Hilfe zu rufen - sie kündigten einfach ihre Verträge), während andere immer noch an den Wert des Produkts glaubten und das Support-Center anriefen, um es erneut mit Hilfe zu versuchen. Diejenigen, die das technische Setup mit Hilfe des Support-Centers durchgeführt haben, wurden zu treuen Kunden. Nur eine kleine Gruppe von Kunden konnte die technischen Probleme selbst mit Hilfe der Support-Hotline nicht lösen und kündigte schließlich ihre Verträge. Diese wertvollen Erkenntnisse aus dem Churn-Modell führten zu einer völlig neuen Wahrnehmung des Support-Centers. Statt ein reiner Kostenfaktor zu sein, wurde es als wesentlicher Bestandteil der Einbindung neuer Kunden anerkannt. Zusätzliche Ressourcen, die in das Support-Center flossen, haben die Abwanderungsrate von Kunden verringert und sich damit gut ausgezahlt.

Ausweitung auf weitere Analysen

Die Churn-Analyse ist auch nützlich, da sie durch andere Analysen erweiterbar ist. Die Abwanderungswahrscheinlichkeit kann eine Kernkomponente für die Kundensegmentierung, Uplift-Analysen oder die Vorhersage des Customer Lifetime Value sein.

Letzteres ist besonders relevant: Während es sicherlich möglich ist, Kunden zu priorisieren, die in der Vergangenheit einen höheren Betrag ausgegeben haben und wahrscheinlich abwandern, besteht ein noch besserer Ansatz darin, das zukünftige Potenzial eines Kunden bei der Festlegung der richtigen Marketingstrategie vorherzusagen.

Fazit

Churn-Analysen bieten Unternehmen, die ihre datengetriebenen Marketingstrategien erweitern möchten, den größten Return on Investment. Der Bedarf an Daten ist für fast alle Unternehmen bescheiden und zugänglich. Die Einsparung von Marketingbudget, indem nur diejenigen Kunden angesprochen werden, die am wahrscheinlichsten ihre Beziehung zum Unternehmen beenden, und die Anpassung von Marketingentscheidungen, um proaktiv auf Kundenanliegen zu reagieren, können erheblich sein. Die potenziellen Gewinne werden durch die Auswahl des geeigneten Modells und der Interpretierbarkeit noch weiter erhöht.

Eine Churn-Analyse ist ein großartiges erstes Data Science-Projekt für Unternehmen, die datengetriebener arbeiten wollen. Es ist relativ einfach und mit nur moderaten Anforderungen an die Daten zu implementieren. Es wirkt sich unmittelbar auf die individuelle Kundenebene aus und generiert wertvolle Erkenntnisse, die zur Verbesserung der Geschäftsprozesse beitragen. Darüber hinaus werden Synergien mit verschiedenen anderen Marketingprojekten (wie Customer Lifetime Value, Kundensegmentierung, Upselling) geschaffen.