Churn Prediction: Mit Kundendaten Abwanderung verhindern

Kurzantwort: Churn Prediction bedeutet, mit Kundendaten vorherzusagen, welche Kund:innen in naher Zukunft abwandern werden. Predictive Retention geht einen Schritt weiter: Sie verbindet die Vorhersage mit gezielten Maßnahmen, bevor die Kundin geht. Ein Loyalty-Programm ist dafür die ideale Datenquelle, weil es Verhalten über Zeit und Kanäle einer Person zuordnet.

Warum Churn Prediction für Kundenbindung zählt

Abwanderung ist teuer, und sie ist leise. Die meisten Kund:innen kündigen nicht, sie kommen einfach seltener, bis sie gar nicht mehr kommen. Wer das erst im Jahresbericht sieht, ist zu spät.

Die Rechnung dahinter ist bekannt: Neue Kund:innen zu gewinnen kostet je nach Branche fünf- bis 25-mal so viel, wie bestehende zu halten. Und nach Berechnungen von Frederick Reichheld (Bain & Company) steigert eine um 5 Prozent höhere Kundenbindungsrate den Gewinn um 25 bis 95 Prozent (Harvard Business Review). Personalisierte Maßnahmen zahlen sich ebenfalls aus: Laut McKinsey bringt gut umgesetzte Personalisierung typischerweise 10 bis 15 Prozent mehr Umsatz (McKinsey 2021).

Von Big Data zu Predictive Retention: so geht es in der Praxis

1. Die richtigen Daten statt aller Daten

Big Data hat viele Unternehmen dazu verleitet, alles zu sammeln. Für Churn Prediction zählt weniger die Menge als die Aussagekraft. Die wichtigsten Signale kommen aus dem Verhalten:

• Kaufverhalten: Frequenz, Abstand zwischen Käufen, Warenkorbwert, Sortimentsbreite
• Programmaktivität: Sammeln, Einlösen, Reaktion auf Angebote, verfallende Punkte
• Interaktion: App-Nutzung, Newsletter-Öffnungen, Servicekontakte, Beschwerden
• Kontext: Vertragslaufzeit, Kanalwechsel, Änderungen im Status

Oft sind nicht einzelne Werte aussagekräftig, sondern Veränderungen: Eine Kundin, die immer zehn Artikel gekauft hat und jetzt nur noch drei kauft, sendet ein stärkeres Signal als eine, die schon immer wenig gekauft hat. Ein Loyalty-Programm liefert viele dieser Daten bereits personenbezogen und mit Einwilligung. Das ist sein größter Vorteil gegenüber anonymen Transaktionsdaten.

2. Abwanderung definieren

Was Abwanderung ist, hängt vom Geschäftsmodell ab. Im Vertragsgeschäft ist es die Kündigung. Im Handel gibt es keine Kündigung, dort ist es zum Beispiel eine Kaufpause, die deutlich länger ist als der persönliche Rhythmus der Kundin. Ohne klare Definition kann kein Modell lernen.

3. Das Modell: vom Regelwerk zur KI

Der Einstieg kann einfach sein: Regeln wie „kein Kauf seit dem Doppelten des üblichen Abstands“ erkennen bereits viele Risikofälle. Mit mehr Daten übernehmen statistische Modelle und Machine Learning, die viele Signale gleichzeitig gewichten und für jede Kundin eine Abwanderungswahrscheinlichkeit berechnen. Wie KI Loyalty-Programme darüber hinaus verändert, beschreiben wir im Beitrag Wie KI Loyalty verändert.

4. Von der Vorhersage zur Maßnahme

Eine Vorhersage allein hält niemanden. Entscheidend ist, was danach passiert:

• Wen ansprechen? Nicht jede gefährdete Kundin ist gleich wertvoll. Priorisiere nach Abwanderungsrisiko und Kundenwert.
• Womit? Ein Rabatt ist selten die beste Antwort. Oft wirken ein persönlicher Service-Kontakt, ein Statusvorteil, ein passendes Produktangebot oder eine Erinnerung an vorhandene Punkte besser.
• Wann? Das Zeitfenster ist klein. Maßnahmen sollten automatisch ausgelöst werden, sobald das Risiko steigt, nicht erst in der nächsten Monatskampagne.

5. Messen mit Kontrollgruppe

Ob Predictive Retention wirkt, zeigt nur der Vergleich: Ein Teil der gefährdeten Kund:innen erhält die Maßnahme, ein anderer nicht. Die Differenz in Abwanderung und Umsatz ist der tatsächliche Effekt. Ohne Kontrollgruppe misst man vor allem die Kund:innen, die ohnehin geblieben wären.

6. Ein Beispiel aus dem Handel

So kann eine Retention-Journey aussehen: Eine Stammkundin kauft normalerweise alle zwei Wochen. Nach vier Wochen ohne Kauf steigt ihr Risikowert. Das System prüft ihren Wert und ihre Präferenzen und löst eine persönliche Nachricht in der App aus: der Hinweis auf ihre gesammelten Punkte und ein Angebot aus ihrer Lieblingskategorie. Kauft sie, ist die Journey beendet. Reagiert sie nicht, folgt nach einer Woche ein zweiter Impuls, etwa ein Statusvorteil. Bleibt auch der ohne Wirkung, wird sie für eine Befragung markiert, um den Grund zu verstehen.

7. Datenqualität vor Modellqualität

Das beste Modell scheitert an schlechten Daten. Doppelte Profile, fehlende Zuordnung von Käufen und uneinheitliche Definitionen verfälschen jede Vorhersage. Investiere deshalb zuerst in eine saubere Datenbasis, eindeutige Kundenprofile und klare Regeln, bevor du in komplexe Modelle gehst.

Typische Fehler

Daten sammeln ohne Frage. Ein Data Lake ohne konkrete Fragestellung erzeugt Kosten, keine Erkenntnisse. Beginne mit einer Entscheidung, die du verbessern willst.

Der Reflex-Rabatt. Wer auf jedes Risiko mit Rabatt reagiert, trainiert Kund:innen darauf, Abwanderung anzudeuten. Und er verschenkt Marge an Menschen, die geblieben wären.

Modell ohne Umsetzung. Viele Analyseprojekte enden in einer Präsentation. Churn Prediction wirkt erst, wenn sie direkt mit CRM und Kommunikation verbunden ist.

Datenschutz als Nachgedanke. Profiling braucht eine klare Rechtsgrundlage und Transparenz. Wer das von Anfang an sauber aufsetzt, schafft Vertrauen und bessere Daten.

So setzt Goldmarie & Friends Predictive Retention um

Bei Goldmarie & Friends liegen Loyalty-Programm, Daten und Kommunikation auf einer Plattform. Die Loyalty-Plattform liefert die Verhaltensdaten, KI-gestützte Modelle erkennen Abwanderungsrisiken, und das CRM löst automatisch passende Maßnahmen aus, von der Service-Nachricht bis zum persönlichen Statusvorteil. Behavioral Engineering sorgt dafür, dass die Maßnahme zur Situation passt statt zum Rabattreflex. Wie man intelligente Programme aufbaut, beschreiben wir im Leitfaden Kundenbindungsprogramm erstellen. Die strategische Grundlage legen wir in der CRM-Strategie.

Häufige Fragen

Was ist Churn Prediction?

Churn Prediction ist die Vorhersage, welche Kund:innen in einem bestimmten Zeitraum wahrscheinlich abwandern. Sie basiert auf Verhaltensdaten wie Kauffrequenz, Programmaktivität und Interaktionen.

Was ist der Unterschied zwischen Churn Prediction und Predictive Retention?

Churn Prediction liefert die Vorhersage. Predictive Retention verbindet sie mit automatisierten, passenden Maßnahmen, um die Abwanderung zu verhindern, und misst deren Wirkung.

Welche Daten brauche ich für Churn Prediction?

Vor allem Verhaltensdaten: Käufe, Abstände zwischen Käufen, Aktivität im Loyalty-Programm, Reaktionen auf Kommunikation und Servicekontakte. Ein Loyalty-Programm liefert viele davon personenbezogen und mit Einwilligung.

Was ist eine gute Churn Rate?

Das hängt stark von Branche und Geschäftsmodell ab. Wichtiger als ein Vergleichswert ist die Entwicklung der eigenen Rate nach Segmenten und der messbare Effekt von Maßnahmen gegenüber einer Kontrollgruppe.

Brauche ich dafür KI?

Für den Einstieg nicht. Einfache Regeln erkennen bereits viele Risikofälle. KI lohnt sich, wenn viele Signale zusammenkommen und Maßnahmen individuell gesteuert werden sollen.

Du willst Abwanderung erkennen, bevor sie passiert?

Goldmarie & Friends verbindet Loyalty-Daten, KI und CRM zu Predictive Retention, die im Alltag funktioniert. Sprich mit uns über dein Programm.