Wie erstellt man ein Modell zur Vorhersage der Abwanderung?

Eine schmerzhafte Realität im Geschäftsleben ist, dass Kunden abwandern. Ganz gleich, wie erfolgreich Ihr Unternehmen ist oder wie relevant Ihre Produkte oder Dienstleistungen sind, Sie werden immer Kunden an Ihre Konkurrenten verlieren.

Aus diesem Grund haben Unternehmen Kundenbindungs- und Treueprogramme, um dem Risiko, Kunden zu verlieren, aktiv zu begegnen. In jeder Branche und in jedem Produktsegment, von der Telekommunikation über SaaS-Unternehmen bis hin zu Konsumgütern, hat die Kundenloyalität Churn Management eine direkte Auswirkung auf die Rentabilität.

Je nachdem, welche Quellen Sie heranziehen und in welcher Branche Sie tätig sind, sind die Kosten für die Gewinnung eines neuen Kunden fünf bis 25 Mal höher als die Bindung eines bestehenden Kunden. Frederick Reichheld, der Erfinder des Net Promoter Score und Autor von "Loyalty Rules! How Today's Leaders Build Lasting Relationships" entdeckt, dass eine Steigerung der Kundenbindung um nur 5% erhöht den Gewinn um 25% auf 95%.

Zu verstehen, warum Kunden das Schiff verlassen, ist entscheidend für den Aufbau eines nachhaltigen Unternehmens. Wir werden untersuchen, wie Unternehmen mit Hilfe von maschinellem Lernen ein Modell zur Vorhersage von Abwanderung erstellen können, um ihr Wachstum zu verbessern. Doch bevor wir uns mit der Vorhersage der Kundenabwanderung befassen, lassen Sie uns einen Blick darauf werfen, was sie eigentlich ist.

Was ist die Kundenabwanderungsrate?

Die Kundenabwanderungsrate ist eine betriebswirtschaftliche Kennzahl, die den Prozentsatz der Kunden angibt, die ihre Beziehung zu einem Unternehmen innerhalb eines bestimmten Zeitraums beenden. Dieser Zeitrahmen kann je nach Branche und Produkt auf monatlicher, vierteljährlicher oder jährlicher Basis gemessen werden. Abonnementbasierte Unternehmen (z.B. Anbieter von mobilen Diensten, SaaS und Content-Plattformen) messen die Abwanderung in der Regel über kürzere Zeiträume.

Die Kundenabwanderung ist auch ein Hinweis auf die Gesundheit des Unternehmens. Obwohl es verschiedene Gründe gibt, warum Kunden aussteigen, sind einige der häufigsten Gründe schlechte Service- oder Produktqualität, der Preis und andere makroökonomische Faktoren wie eine Rezession.

Die Fähigkeit, Abwanderung vorherzusagen, ist der Schlüssel zu ihrer Vermeidung. Und hier kommt das maschinelle Lernen ins Spiel. Organisationen, die Vorhersage der Abwanderung sich ausschließlich auf Kundenfeedback verlassen, übersehen oft andere Variablen, die die Abwanderung beeinflussen.

Mit der Menge an Daten, die Unternehmen heute zur Verfügung stehen, ist es viel einfacher, Modelle für maschinelles Lernen (ML) zur Vorhersage der Abwanderung zu entwickeln. Künstliche Intelligenz (AI) oder die ML-gestützte Abwanderungsvorhersage ist genauer als jedes andere heute verfügbare Vorhersagemodell.

Vorhersage der Abwanderung mit maschinellem Lernen

Unternehmen haben heute Zugang zu einer enormen Menge an Daten darüber, wie ihre Kunden mit ihren Produkten oder Dienstleistungen umgehen. Von CRM-Systemen bis hin zu Website-Analysen und sozialem Engagement verfügen Unternehmen über zahlreiche Datenquellen, die wertvolle Einblicke in die Abwanderungsraten liefern können.

Mit den richtigen Datensätzen können Algorithmen des maschinellen Lernens Unternehmen dabei helfen, zugrundeliegende Verhaltensmuster zu erkennen, die bei abwandernden Kunden üblich sind. Die Algorithmen können dann auf bestehende Kunden angewendet werden, um ähnliches Kundenverhalten und Abwanderungsindikatoren zu erkennen.

Ein Mobilfunkanbieter, der z.B. Kündigungen vorhersagen möchte, kann anhand historischer Kundendaten feststellen, welche Kunden ihren Dienst gekündigt oder ihre monatlichen Abrechnungspläne reduziert haben. Anhand dieser Daten kann das Unternehmen dann ein maschinelles Lernmodell trainieren, um Verhaltensmerkmale zwischen Abwanderern und Nicht-Abwanderern zu vergleichen.

Das ML-Modell berücksichtigt Attribute wie Wohnort, Kundenlebensdauer, aktive Tarife, tägliche Anrufe, tägliche Datennutzung, monatliche Tarife/Rechnungsbetrag und die Anzahl der Anrufe beim Kundendienst, um die Wahrscheinlichkeit einer Abwanderung zu bestimmen.

Wie man ein Modell zur Vorhersage der Abwanderung erstellt: Eine schrittweise Aufschlüsselung

Es ist klar, dass historische Daten eine Voraussetzung für die Erstellung eines Modells zur Vorhersage der Abwanderung sind. Neben den Daten gibt es jedoch noch einige andere Faktoren, die bestimmen, wie Sie Ihr Modell zur Vorhersage der Abwanderung aufbauen. Hier sind die Schritte zur Erstellung.

1. Bestimmen Sie den Business Case

In diesem Schritt geht es einfach darum, Ihr gewünschtes Ergebnis des ML-Algorithmus zu verstehen. In diesem Fall ist das Endziel:

  • Verhinderung der Kundenabwanderung durch präventive Identifizierung von Risikokunden
  • Entwerfen Sie geeignete Interventionen zur Verbesserung der Mitarbeiterbindung

2. Sammeln und Bereinigen von Daten

Der nächste Schritt ist die Datenerfassung - Sie müssen herausfinden, aus welchen Datenquellen Ihr Modell zur Vorhersage der Abwanderung gespeist werden soll. Unternehmen sammeln Kundendaten während des gesamten Lebenszyklus mit Hilfe von Software wie CRM, Webanalyse, Stimmungsanalyse-Tools, Social Listening Tools, Kundenservice-Software und mehr.

Der Aufbau von Datenerfassungsdiensten ist eine der einfachsten und effektivsten Möglichkeiten, um mit der Sammlung von Daten für Ihr Modell zur Vorhersage der Abwanderung zu beginnen. Ein wichtiger Schritt bei der Datenaufbereitung ist die Umwandlung all dieser Rohdaten in strukturierte Daten.

3. Merkmale entwickeln, extrahieren und auswählen

Das Feature-Engineering ist ein wichtiger Teil der Datensatzvorbereitung - es hilft bei der Bestimmung der Attribute, die Verhaltensmuster im Zusammenhang mit der Interaktion von Kunden mit einem Produkt oder einer Dienstleistung darstellen. Datenwissenschaftler verwenden Feature Engineering, um Datenpunkten messbare Attribute zuzuweisen, die ein ML-Modell verarbeitet, um die Wahrscheinlichkeit einer Abwanderung vorherzusagen.

Zu diesen Merkmalen können demografische Daten des Kunden, sein Verhalten (im Beispiel des Mobiltelefons z.B. Datennutzung, Anrufe beim Kundendienst, Nutzung von internationalem Roaming usw.) und kontextbezogene Merkmale gehören, die andere Informationen über einen Kunden beschreiben, z.B. Kommunikationspräferenzen, früheres Kaufverhalten oder Geburtstage/Jahrestage.

Die Merkmalsextraktion standardisiert die Variablen (Attribute), indem sie nur die Variablen isoliert, die im Kontext des Geschäftsfalls (Abwanderung) aussagekräftige Informationen enthalten. Die Merkmalsextraktion begrenzt die Dimensionalität der Daten (Spalten, die Attribute in einem Datensatz darstellen) und behält nur die für den Geschäftsfall nützlichen Daten bei.

Die Merkmalsauswahl bezieht sich auf eine datenwissenschaftliche Technik, die zuvor extrahierte Merkmale identifiziert und Untergruppen auswählt, die die Zielvariable (Abwanderung) am meisten beeinflussen. Dies führt zu einem Datensatz, der nur die wichtigsten Informationen über Merkmale enthält, die die Abwanderung beeinflussen.

4. Erstellen Sie ein Vorhersagemodell

Datenanalysten verwenden für die Vorhersage der Abwanderung in der Regel mehrere Methoden, wie z.B. binäre Klassifizierung, logistische Regression, Entscheidungsbäume, Random Forest und andere.

ML-Algorithmen führen eine binäre Klassifizierung durch, um die Attribute einer Zielvariablen auf der Grundlage einer Klassifizierungsregel in zwei Gruppen zu unterteilen. In diesem Zusammenhang ist die Zielvariable die Abwanderung, deren Ergebnis als wahr oder falsch eingestuft werden kann. Die binäre Klassifizierung hilft uns zu verstehen, welche Kunden ausgestiegen und welche geblieben sind.

Wenn Sie Trendskout in Anspruch nehmen, brauchen Sie natürlich keinen Datenwissenschaftler zu beauftragen. Das alles geschieht auf der Plattform. Durch schnelle Ittirationen wählt die intelligente KI- und ML-Plattform von Trendskout die richtigen Modelle aus.

Auf der Grundlage dieser Informationen können Datenwissenschaftler dann eine Regressionsanalyse durchführen, um die Beziehung zwischen der Zielvariablen (Abwanderung) und anderen Datenpunkten, die die Abwanderung beeinflussen (Monatsplan, Datennutzung, Serviceanrufe usw.), in gewichteten Werten zu bestimmen.

Dies gibt Aufschluss darüber, ob Variablen eine positive oder negative Beziehung zur Abwanderung haben. Ein positives Verhältnis deutet auf eine höhere Wahrscheinlichkeit hin, dass ein Kunde aussteigt, und ein negatives Verhältnis bedeutet, dass ein Kunde weniger wahrscheinlich aussteigt.

Ein Entscheidungsbaum ist ein weiteres effektives Trainingsmodell für die Vorhersage von Abbrüchen. Das Entscheidungsbaummodell verwendet die verfügbaren Merkmale und teilt die Daten entsprechend den Werten der Merkmale auf, um eindeutige Gruppen zu erhalten. Hier ist ein einfaches Beispiel für einen Entscheidungsbaum:

Je nach Größe des Datensatzes und der Vielfalt der Merkmalsdaten können Sie mehrere Entscheidungsbäume oder einen Random Forest verwenden.

Ein Random Forest ist eine Sammlung von mehreren Entscheidungsbäumen, wobei jeder einzelne Baum eine Klassifizierung aufschlüsselt. Diese Klassifizierungen sind binärer Natur, d.h. die Klassifizierung, die die meisten Stimmen erhält, gewinnt. Wenn Ihr Random Forest also aus fünf Entscheidungsbäumen besteht und drei von ihnen die gleiche Klassifizierung liefern, dann wird Ihre endgültige Vorhersage durch die Mehrheit bestimmt.

5. Implementieren und überwachen

Sobald Sie das Modell entwickelt haben, muss es in bestehende Software integriert werden oder als Grundlage für ein neues Programm oder eine neue Anwendung dienen. Sie müssen die Genauigkeit und Leistung des Modells genau im Auge behalten.

Indem Sie die Leistung des Modells testen und überwachen, um Funktionen anzupassen, können Sie die Genauigkeit des Modells verbessern. In unserem Beispiel der mobilen Dienste kann Überwachung und Testen bedeuten, dass Kundeninteraktionen und Bewertungen aufgezeichnet werden.

Verbessern Sie Ihren Umsatz mit der Vorhersage der Kundenabwanderung

Der wichtigste Faktor beim Umgang mit Abwanderung ist die Entwicklung eines Modells zur Vorhersage der Abwanderung. Das Modell verrät Ihnen nicht nur, wer Ihre Risikokunden sind, sondern gibt Ihnen auch Aufschluss über die Gründe, warum sie Sie verlassen werden. Für Vermarkter und Kundenerfolgsmanager ist dies der heilige Gral zur Lösung des Leaky-Bucket-Problems - die Entdeckung der zugrunde liegenden Gründe für die Kundenabwanderung.

Die Kundenbindung hängt von der Fähigkeit eines Unternehmens ab, die Beweggründe für die Abwanderung zu analysieren und vorherzusagen und - was noch wichtiger ist - darauf zu reagieren. Je größer Ihr Kundenstamm ist, desto größer sind die Auswirkungen der Abwanderung.

Möchten Sie Ihre Verkaufsergebnisse mit der Abwanderungsprognose verbessern? Sind Sie daran interessiert, verpasste Datenchancen zu nutzen, die zu Geschäftswachstum führen? Lassen Sie uns darüber sprechen, wie wir maschinelles Lernen einsetzen können, um eine genaue Abwanderungsprognose für Ihr Unternehmen zu erstellen.

Bitte kontaktieren Sie uns für weitere Informationen.

Bleiben Sie auch für die neuesten Nachrichten über KI auf dem Laufenden

*“ zeigt erforderliche Felder an

GDPR*
Dieses Feld dient zur Validierung und sollte nicht verändert werden.

Welchen Mehrwehrt haben KI und Machine Learning für Organisationen?

Holen Sie sich den kostenlosen Zugang zu unserem Resource Center mit interessanten Anwendungsfällen.

Auf Facebook teilen
Auf Twitter teilen
Auf LinkedIn teilen
Auf Pinterest teilen
Freigabe per E-Mail