Was ist Customer Churn?

Kundenabwanderung, auch bekannt als Kundenabwanderung, misst die Rate, mit der Kunden über einen bestimmten Zeitraum keine Geschäfte mehr mit einem Unternehmen tätigen. Es ist eine entscheidende Metrik für abonnementbasierte Unternehmen, SaaS-Anbieter, Telekommunikationsbetreiber und jede Organisation, die auf wiederkehrende Einnahmen angewiesen ist. Hohe Abwanderung signalisiert oft grundlegende Probleme wie schlechte Produkt-Markt-Fit, unzureichende Kundenbetreuung, Preisprobleme oder stärkeren Wettbewerb. Durch die Überwachung von Abwanderung können Unternehmen diese Probleme frühzeitig erkennen und Korrekturmaßnahmen ergreifen.

Churn wird typischerweise als Prozentsatz ausgedrückt: die Anzahl der Kunden, die während eines Zeitraums verloren gehen, geteilt durch die Anzahl der Kunden zu Beginn dieses Zeitraums. Wenn ein Unternehmen beispielsweise den Monat mit 1.000 Kunden beginnt und 50 verliert, beträgt die monatliche Churn-Rate 5%.

Effektive Churn-Analyse erfordert, über einfache deskriptive Statistiken hinauszugehen. Wahrscheinlichkeitsmodelle Diese Modelle bieten einen prinzipiellen Rahmen, um zu verstehen, warum Kunden gehen, vorherzusagen, wer als nächstes gehen wird, und die Auswirkungen von Aufbewahrungsinitiativen zu simulieren. Diese Modelle verwandeln rohe historische Daten in umsetzbare Prognosen, die proaktive und nicht reaktive Aufbewahrungsstrategien ermöglichen.

Warum Wahrscheinlichkeit? Der Fall für statistische Modellierung

Die Kundenbindung ist von Natur aus unsicher – keine zwei Kunden verhalten sich identisch. Wahrscheinlichkeitsmodelle berücksichtigen diese Unsicherheit, indem sie die Wahrscheinlichkeit verschiedener Ergebnisse quantifizieren. Sie ermöglichen es Unternehmen, Fragen zu beantworten wie: „Wie hoch ist die Wahrscheinlichkeit, dass ein bestimmter Kunde in sechs Monaten noch aktiv ist?“ oder „Wie viele Kunden aus einer neuen Kohorte werden nach einem Jahr noch bleiben?“

Der Hauptvorteil von Wahrscheinlichkeitsmodellen gegenüber einfachen Durchschnittswerten besteht darin, dass sie die Heterogenität zwischen den Kunden erfassen. Eine durchschnittliche Abwanderungsrate von 5% kann große Variationen verbergen: Einige Kundensegmente können 1% Abwanderung haben, während andere 20% erfahren. Wahrscheinlichkeitsmodelle können unterschiedliche Abwanderungsneigungen für jedes Segment oder sogar jedes Individuum abschätzen, was zu gezielteren Interventionen führt.

Darüber hinaus ermöglichen Wahrscheinlichkeitsmodelle Zukunftsgerichtete EntscheidungsfindungDurch die Anpassung der Verteilungen an historische Daten können Unternehmen zukünftige Retentionskurven simulieren, Customer Lifetime Value (CLV) Wahrscheinlichkeiten berechnen und die Ressourcenzuweisung für Retentionskampagnen optimieren. Dies verschiebt die Konversation von „Wir haben im letzten Monat X Kunden verloren“ zu „Wir erwarten, dass wir im nächsten Quartal Y Kunden verlieren, wenn wir nicht eingreifen“.

Bernoulli und Binomial Distributions - Die Stiftung

Bernoulli Vertrieb

Das einfachste Wahrscheinlichkeitsmodell für Churn ist die Bernoulli-Verteilung. Es modelliert das Verhalten eines einzelnen Kunden über einen festen Zeitraum (z. B. einen Monat) als binäres Ergebnis: Der Kunde bröckelt entweder (1) oder bleibt (0). pFür einen Kunden ist die Bernoulli-Wahrscheinlichkeits-Massenfunktion:

P(X = 1) = p , P(X = 0) = 1 - p

Wenn wir annehmen, dass alle Kunden die gleiche Abwanderungswahrscheinlichkeit haben p, können wir schätzen p Aus historischen Daten einfach als beobachtete Abwanderungsrate. Diese Annahme ist jedoch oft unrealistisch – Kundenheterogenität ist die Norm. Trotz dieser Einschränkung dient das Bernoulli-Modell als Baustein für komplexere Ansätze.

Binomverteilung

Wenn Sie eine Gruppe von n Kunden, die jeweils mit der gleichen Abwanderungswahrscheinlichkeit p, die Anzahl der Kunden, die abwandern, folgt einer Binomial-Verteilung: X ~ Binomial()n, p. Die erwartete Anzahl der abgestoßenen Kunden beträgt npund die Varianz ist np(1 -) pDiese Verteilung ist nützlich, um die Abwanderung von Aggregaten über eine Kohorte vorherzusagen.

Wenn Sie beispielsweise 200 neue Kunden in einem Monat an Bord nehmen und Ihre Wahrscheinlichkeit für die historische Speicherung pro Monat 0,95 beträgt, erwarten Sie 10 Abwanderungen (200 × 0,05 = 10). Die Binomial-Verteilung bietet auch ein Konfidenzintervall: Mit einer Wahrscheinlichkeit von 95% wird die Anzahl der abgewanderten Kunden zwischen 5 und 16 (ungefähr) fallen. Dieser Bereich hilft Managern, realistische Ziele zu setzen.

In der Praxis wird die Annahme von konstanten p Kundenübergreifend wird in der Regel durch die Einführung von Kundenkovariaten (z.B. Nutzungshäufigkeit, Supporttickets, Vertragsdauer) durch logistische Regression gelockert. logistisches Regressionsmodell, eine Art verallgemeinertes lineares Modell, das unabhängige Variablen über eine logistische Funktion einer Abwanderungswahrscheinlichkeit zuordnet. Die logistische Regression wird in der Abwanderungsvorhersage häufig verwendet, da sie interpretierbar ist und effizient skaliert wird.

Markov Chain Models — Bilanzierung von Abhängigkeiten

Kundenbeziehungen entwickeln sich oft über mehrere Zustände (aktiv, ruhend, abgeschwemmt, vielleicht reaktiviert). Eine Markov-Kette modelliert Übergänge zwischen diesen diskreten Zuständen über diskrete Zeitschritte. Die definierende Eigenschaft: Die Wahrscheinlichkeit, in einen zukünftigen Zustand zu gelangen, hängt nur vom aktuellen Zustand ab, nicht von der Historie, wie der Kunde dort angekommen ist (die Markov-Eigenschaft).

Betrachten Sie ein einfaches Drei-Staaten-Modell:

  • Aktiv Der Kunde nutzt den Service.
  • Risiko — der Kunde hat die Nutzung reduziert oder Warnzeichen ausgestellt.
  • Gehäckselt Der Kunde hat abgesagt.

Eine Übergangsmatrix gibt die Wahrscheinlichkeiten an, mit denen sich jeder Zeitraum von einem Zustand in einen anderen bewegen kann.

P(Active → Active) = 0,90, P(Active → At‐Risk) = 0,08, P(Active → Churned) = 0,02
P(At‐Risk → Aktiv) = 0,15, P(At‐Risk → At‐Risk) = 0,70, P(At‐Risk → Gekürzt) = 0,15
P(Churned → Churned) = 1,00 (absorbierender Zustand)

Angesichts dieser Wahrscheinlichkeiten kann eine Markov-Kette den Bruchteil einer Kundenkohorte in jedem Zustand über viele Zeiträume projizieren, was für die Vorhersage zukünftiger Abwanderungen und für die Bewertung der Auswirkungen von Retentionsprogrammen, die Übergangswahrscheinlichkeiten verschieben, von Bedeutung ist (z. B. Verringerung des Risikos → Geschwankte Wahrscheinlichkeit durch gezielte Angebote).

Markov-Ketten werden in den Bereichen Telekommunikation, Finanzen und Gesundheitswesen umfassend zur Modellierung der Kundenmigration eingesetzt. Markov-Ketten von J. R. Norris (Link zu) Cambridge University Press Press. Für viele Unternehmen kann die Annahme, dass der nächste Zustand nur vom aktuellen Zustand abhängt, jedoch zu restriktiv sein. Erweiterungen wie versteckte Markov-Modelle (HMMs) ermöglichen unbeobachtete Zustände, die Abwanderungsentscheidungen beeinflussen.

Überlebensanalyse - Modellierung der Zeit bis zum Abklingen

Churn ist nicht nur ein binäres Ereignis, sondern hat auch eine Zeitdimension. Die Überlebensanalyse, auch als Ereigniszeitanalyse bezeichnet, modelliert die Zeit bis zum Eintreten eines Ereignisses (churn) und wird in der medizinischen Forschung, der technischen Zuverlässigkeit und zunehmend in der Kundenanalyse weit verbreitet.

Zu den Schlüsselkonzepten gehören:

  • Überlebensfunktion S(t): die Wahrscheinlichkeit, dass ein Kunde nicht durch die Zeit gekippt hat t.
  • Gefahrenfunktion h(t): die momentane Abwanderungsrate zum Zeitpunkt t, vorausgesetzt, bis zu diesem Zeitpunkt überlebt zu haben.
  • Zensur: Kunden, die bis zum Ende des Beobachtungszeitraums nicht abgeschwemmt sind (Rechtszensur) oder die für die Nachverfolgung verloren gegangen sind. Die Überlebensanalyse verarbeitet zensierte Daten anmutig.

Der Kaplan-Meier-Schätzer liefert eine nicht-parametrische Schätzung der Überlebensfunktion aus einer Stichprobe. Es handelt sich um eine Schrittfunktion, die zu jeder beobachteten Abwanderungszeit abfällt. Beispielsweise könnte eine Kaplan-Meier-Kurve für eine Kohorte zeigen, dass 80% der Kunden bis zum Monat 6, 60% bis zum Monat 12 und 40% bis zum Monat 18 überleben.

Um Kundenmerkmale (z. B. Alter, Planart, Nutzung) zu berücksichtigen, ist das Cox-Modell der proportionalen Gefahren das Arbeitspferd. Es geht davon aus, dass das Gefahrenverhältnis zwischen zwei Kunden im Laufe der Zeit konstant ist (proportionale Gefahren). Das Modell gibt für jede Kovariate ein Gefahrenverhältnis aus, das angibt, wie viel es das Basisrisiko multipliziert. Wenn beispielsweise eine hohe Anzahl von Supporttickets das Risiko verdoppelt (Gefahrenverhältnis = 2,0), was bedeutet, dass diese Kunden doppelt so schnell abwandern.

Für eine hervorragende praktische Einführung siehe die Beschreibung des Kunden mit einer stark sinkenden Überlebenskurve, die sich auf die Überlebenskurve bezieht, ist es wichtig, dass die Überlebensmodelle für die Vorhersage der Abwanderungswahrscheinlichkeit in jedem zukünftigen Horizont und für die Priorisierung der Interventionsbemühungen besonders nützlich sind. Springer-Buch zur Überlebensanalyse von Kleinbaum und Klein.

Fortgeschrittene Modelle: BTYD und Pareto / NBD

Für außervertragliche Einstellungen (E-Commerce, Retail, Medien) können Kunden jederzeit abwandern und oft nicht formell absagen. Die Standard-Überlebensmethoden sind weniger geeignet, weil das „Churn-Event unbeobachtet ist. Kaufen Sie bis Sie sterben Die Familie (BTYD) wurde entwickelt.

Das Pareto/NBD-Modell (Schmittlein, Morrison, Colombo, 1987) geht davon aus, dass jeder Kunde eine latente „Lebensdauer hat und dass er während dieser Lebensdauer Einkäufe nach einem Poisson-Prozess tätigt. Das Modell schätzt die Wahrscheinlichkeit, dass ein Kunde angesichts seiner Kaufhistorie noch am Leben ist. Es gibt Metriken wie erwartete zukünftige Einkäufe und die Wahrscheinlichkeit, aktiv zu sein, aus.

Eine recheneffizientere Variante ist das Beta-Geometric/NBD-Modell (BG/NBD), das die exponentielle Lebensdauerverteilung durch eine geometrische Verteilung ersetzt. Beide Modelle sind in R-Paketen ( und ) verfügbar und können auf individuelle Kundentransaktionsdaten angewendet werden.

Diese Modelle sind besonders nützlich, um Kunden nach einer "Wahrscheinlichkeit des Lebens" zu segmentieren. Zum Beispiel kann ein Kunde, der ein Jahr lang einmal im Monat gekauft hat, aber vier Monate lang geschwiegen hat, eine Wahrscheinlichkeit von 0,6 haben, was immer noch eine Reaktivierungs-E-Mail wert ist.

Eine umfassende Überprüfung der BTYD-Modelle finden Sie in Dieser AMA Artikel zur Customer Lifetime Value Modeling.

Praktische Umsetzungsschritte

Um Wahrscheinlichkeitsmodelle auf Abwanderung und Retention anzuwenden, folgen Sie diesen Schritten:

  1. Datensammlung & Reinigung - Sammeln historischer Kundendaten: Anmeldedaten, Transaktionsprotokolle, Supportinteraktionen, Planänderungen und ob sie sich letztendlich aufgetan haben. Definieren Sie für nichtvertragliche Unternehmen „Abbruch als einen Zeitraum der Inaktivität, der einen Schwellenwert überschreitet (z. B. 90 Tage).
  2. Definieren Sie den Modellierungszeitraum - Wählen Sie eine Zeitgranularität (monatlich, wöchentlich) entsprechend der Geschäftskadenz.
  3. Wählen Sie die Modellfamilie Für einfache binäre Vorhersagen ist die logistische Regression eine gute Ausgangsbasis. Für Multi-State-Dynamiken Markov-Ketten. Für Time-to-Event mit Zensur: Überlebensanalyse (Kaplan-Meier + Cox).
  4. Feature Engineering - Erstellen von Features, die die Häufigkeit, den Geldwert (RFM) sowie Verhaltenssignale (Login-Frequenz, Supporttickets, Umfrageergebnisse) erfassen. Statistische Modelle profitieren oft von Interaktionsbegriffen und nichtlinearen Transformationen.
  5. Modelltraining & Validierung — Daten in Trainings- und Testsätze aufteilen. Bei Überlebensmodellen zur Beurteilung der Diskriminierung den Konkordanzindex (C-index) verwenden. Bei binären Modellen AUC, Präzisionsrückruf oder Liftkurven verwenden. Validieren, dass Modellvorhersagen kalibriert werden (voraussichtliche Wahrscheinlichkeiten stimmen mit den beobachteten Raten überein).
  6. Deploy & Act — Bewertung aller bestehenden Kunden mit dem Modell. Segmentierung in Risikostufen (z. B. hohe, mittlere, niedrige Abwanderungswahrscheinlichkeit); Auslösung automatisierter Aufbewahrungskampagnen für Risikosegmente: Rabattangebote, persönliche Kontaktaufnahme, Produktschulung oder Anreize für die vorzeitige Erneuerung.
  7. Monitor & Iterate - Modelle regelmäßig (vierteljährlich) mit sich entwickelndem Kundenverhalten umschulen. Die tatsächliche Abwanderung mit Vorhersagen verfolgen, um eine Verschlechterung zu erkennen. A/B testen verschiedene Retentionsmaßnahmen, um zu erfahren, was für jedes Segment am besten funktioniert.

Einschränkungen und Fallstricke

Wahrscheinlichkeitsmodelle sind mächtig, aber sie sind keine Kristallkugeln.

  • Ignorieren externer Faktoren Marktweite wirtschaftliche Verschiebungen, Konkurrenzaktionen oder saisonale Ereignisse können Abwanderungsmuster dramatisch verändern, die ein auf historischen Daten trainiertes Modell nicht vorhersehen kann.
  • Überrüstung Einschließlich zu vieler Funktionen oder zu komplexer Modelle (z. B. Deep Learning mit kleinen Daten) können eher Rauschen als echtes Signal erfassen.
  • Ändern der Definitionen Wenn sich die Definition von „Abbruch ändert (z. B. von 60 Tagen Inaktivität auf 90 Tage), müssen Modelle neu erstellt werden, um inkonsistente Vorhersagen zu vermeiden.
  • Nichtstationarität - Das Kundenverhalten kann sich im Laufe der Zeit verschieben (z. B. durch ein Produktupdate), Modelle, die stationäre Verteilungen annehmen, driften ab. Verwenden Sie fensterbasierte Schulungen oder adaptive Modelle.
  • Ethische Erwägungen - Die Verwendung von Wahrscheinlichkeitsmodellen zur gezielten Bindung mit Rabatten oder Sonderangeboten muss transparent erfolgen. Diskriminierende Modelle, die bestimmte demografische Gruppen bestrafen, schaffen rechtliche und Reputationsrisiken. Auditmerkmale und Vorhersagen für Verzerrungen.

Schlussfolgerung

Wahrscheinlichkeitsmodelle bieten eine strenge Grundlage für das Verständnis, die Vorhersage und das Management von Kundenabwanderung und -bindung. Beginnend mit einfachen Bernoulli- und Binomial-Modellen können Unternehmen die Abwanderung auf Kohortenebene schnell abschätzen. Die Hinzufügen von logistischen Regressionen ermöglicht die Risikobewertung auf individueller Ebene. Markov-Ketten erfassen Zustandsübergänge im Laufe der Zeit, während die Überlebensanalyse explizit die Wartezeit bis Abwanderung modelliert. Für nicht-vertragliche Einstellungen bewältigen BTYD-Modelle die einzigartigen Herausforderungen von unbeobachteten Abwanderungsereignissen.

Die wahre Macht liegt nicht in den Modellen selbst, sondern darin, wie sie das Handeln beeinflussen. Durch die Übersetzung von Wahrscheinlichkeitsschätzungen in gezielte Aufbewahrungsstrategien können Unternehmen Abwanderungen reduzieren, den Customer Lifetime Value verlängern und dauerhaftere Beziehungen aufbauen. Da sich die Dateninfrastruktur verbessert und die Rechenkosten sinken, werden diese Techniken für Unternehmen jeder Größe zugänglich. Die Investition in eine probabilistische Sicht des Kundenverhaltens ist nicht nur eine technische Übung - es ist ein strategischer Imperativ in einer Zeit, in der die Kundenakquisitionskosten weiter steigen und Loyalität zunehmend hart erkämpft wird.