Churn Prediction bzw. das Vorhersagen von Kundenabsprüngen gehört zu den Maßnahmen, Churn zu reduzieren. Bei Churn-Vorhersagen werden Datenanalysen genutzt, um Kunden zu identifizieren, die mit höchster Wahrscheinlichkeit absprungbereit sind.
Erfahre im Blogbeitrag, wie Du Churn Prediction für optimierte Kundenerlebnisse und eine höhere Kundenbindung einsetzen und Churn frühzeitig verhindern kannst.
6 Schritte für erfolgreiche Churn Prediction #
- Identifiziere Risikosegmente
- Identifiziere Verhalten, das Churn-Absichten impliziert
- Entwickle ein Vorhersagemodell für Churn Prediction und Lifetime Value (LTV/CLV)
- Nutze Insights für handlungsfähige KPI
- Handle auf dem Produkt- und dem Kundenlevel
- Nutze Churn Prediction für Kampagnenoptimierung
Das Vorhersagen von Churn ermöglicht:
- Das Priorisieren von hochwertigen, absprunggefährdeten Kundenkonten (z.B. aufgrund eines hohen LTV)
- Optimiere Probleme und Reibungen auf der Kundenreise
- Passe Deine CAC (Customer Acquisition Cost) an Deine vorhergesagten LTV an
Im Folgenden werden wir im Detail auf die sechs Schritte zur Churn Prediction eingehen.
Schritt 1: Identifiziere Risikosegmente #
Definiere historische Churn-Raten basierend auf statischen „High-Level“-Daten.
Beispiel:
- Seit wann sind die Kunden abonniert (0-3 Monate, 3-6 Monate, 6+ Monate)?
- Wann erfolgte die Abo-Registrierung?
- Welchen Abo-Plan haben die Kunden?
- Welche demografischen Daten haben die Kunden (Land, Alter, Branche, etc.)
- Aus welcher Kampagne wurden die Konversionen generiert?
Analysiere die Churn-Rate entlang dieser Variablen und identifiziere, bei welchen Kundensegmenten Kundenabsprünge vermehrt beobachtet werden können.
Hoher Churn in den ersten drei Monaten
Früher Churn kann bedeuten, dass die Erwartungen der Kunden nicht mit dem eigentlichen Produkt oder Service übereinstimmen. Das kann beispielsweise daran liegen, dass das Messaging die tatsächlichen Mehrwerte Deines Produktes nicht hervorhebt.
Auch kann früher Churn durch Rabatte, Freemiums oder kostenlose Testversionen verursacht werden, die den falschen Kundentypus angelockt haben, der beispielsweise nur zum rabattierten Preis bzw. temporär das Produkt nutzen wollte.
Zusätzlich können Zahlungsprobleme für frühe (unfreiwillige) Absprünge sorgen (lese hier mehr zu unfreiwilligem Churn).
Da man häufiger eine hohe Absprungrate in den ersten drei Monaten verzeichnet, sollte man Kundensegmente nach ihrer Verweildauer (0-3 Monate, 3-6 Monate, etc.) beobachten, um bessere Daten zu erhalten. So kann man schnell identifizieren, ob beispielsweise etwas während der „Onboarding“- bzw. Anfangsphase schief gelaufen ist. Auch sollten Kundengruppen nach Kampagnen segmentiert werden, um diese langfristig nach Kundenbindung und den Return on Investment zu optimieren.
Hoher Churn nach längerer Abonnementzeit
Kundensegmente, die erst Monate (oder Jahre) nach der Registrierung abspringen haben oft andere Gründe, die sowohl andere Datenanalysen als auch andere Bindungsmaßnahmen benötigen. Churn-Gründe für diese Kunden sind häufig Support-Probleme, Preiserhöhungen, attraktive Wettbewerbsangebote, etc.).
Schritt 2: Identifiziere Verhalten, das Churn-Absichten impliziert #
Churn Prediction beinhaltet auch das Analysieren von sogenannten „Low-Level“-Verhaltensdaten, die sehr dynamisch und individuell sind. Diese Daten können viel über Verhalten aussagen, das Absprungintentionen impliziert.
Beispiele:
- Häufigkeit von Logins
- Häufigkeit von Käufen
- Zeit, die mit dem bzw. im Produkt verbracht wird
- Anzahl bzw. Quantität, in der das Produkt konsumiert oder gekauft wird (z.B. bei Medienstreams)
- Aktivitätslevel (von Abo-Beginn bis heute)
- Art der Produktnutzung (welche Features oder Inhalte werden genutzt)
Da diese Datensets unglaublich groß werden können, setzen hier in der Regel Datenanalysemodelle an, um die Daten zu strukturieren und Churn-Muster zu identifizieren.
Schritt 3: Entwickle ein Vorhersagemodell für Churn Prediction und Lifetime Value (LTV) #
Verknüpfe statische High-Level-Daten mit dynamischen Low-Level-Daten, um Vorhersagen zu treffen, welche Kunden basierend auf ihrem Verhalten absprunggefährdet sind (z.B., weil ihre Aktivitäten zurückgegangen sind, sie weniger Geld ausgeben, etc.)
Mit statistischen Machine Learning-Modellen* kannst Du Muster identifizieren und Vorhersagen treffen:
- Identifiziere Muster, die auf verringertes Engagement hinweisen
- Sage die Churn-Wahrscheinlichkeit für einzelne Kunden voraus
- Sage den LTV für einzelne Kunden voraus
*Machine Learning-Modelle setzen in der Regel Datenanalysten voraus, doch es gibt mittlerweile auch diverse Software-Lösungen, die Churn-Daten und Churn Prediction ermöglichen, ohne dass Du ein eigenes Analystenteam benötigst. Die Frisbii Recurring Billing-Plattform bietet beispielsweise ein Churn Prediction-Lab an, dass Kundenbasismodelle anwendet, um Churn und Churn-Ursachen vorherzusagen.
Schritt 4: Nutze Insights für handlungsfähige KPI #
Dein Churn Prediction-Modell aus Schritt 3 bietet Dir nun Daten über Kundenverhalten, das in der Regel Churn vorhersagt. Diese Daten kannst Du nutzen, um Deine KPI klarer zu gestalten. „Reduziere Churn um 5%“ ist beispielsweise sehr allgemein gehalten. Wenn Du weißt, was Churn verursacht, kannst Du in die Tiefe gehen mit operativen KPI, die positiv auf Deine Churn- und Retention-Zahlen einwirken, z.B.:
- Steigende Kunden-Logins
- Mehr Zeit im Produkt
- Häufigere Käufe (Up-Sells, Add-Ons, etc.)
Erfahre mehr über Maßnahmen zur Churn-Reduzierung entlang der gesamten Kundenreise in unserem Churn Prevention-Guide.
Schritt 5: Handle auf dem Produkt- und dem Kundenlevel #
Du hast nun auch genug Informationen, um zweistufig zu agieren: Produktbasiert und kundenbasiert.
Wenn die Daten darauf hindeuten, dass Dein Produkt optimiert werden muss:
- Optimiere das Onboarding, wenn Kundenabsprünge insbesondere in den ersten drei Monaten hoch sind
- Optimiere Produktfunktionalitäten, wenn vermehrt „ältere“ Kundengruppen abspringen
- Stelle sicher, dass Deine Marketing-Botschaften mit den Mehrwerten und Vorteilen Deines Produktes übereinstimmen
- Optimiere Deine ICPs bzw. Buyer Personas (ideale Kundenprofile)
Wenn die Daten darauf hindeuten, dass Du gezielte, personalisierte Kundenbindungsmaßnahmen einleiten musst:
- Biete absprunggefährdeten Kunden mit einem hohem LTV attraktive Rabatte an
- Motiviere Kunden mit sinkendem Engagement via E-Mail-Angeboten, Aktionen, etc.
- Erreiche inaktive Kunden mit Re-Engagement-Kampagnen
Schritt 6: Nutze Churn Prediction für Kampagnenoptimierung #
Indem Du Churn-Muster für jede Kampagne analysierst, kannst Du:
- Verhaltensmuster unterschiedlicher Kampagnen miteinander vergleichen
- Die allgemeine Churn-Rate mit der Churn-Rate Deiner Kampagnenkunden vergleichen
- Den erwartbaren LTV Deiner Kampagnen vorhersagen
- Deine CAC basierend auf den erwartbaren LTV anpassen
Dadurch kannst Du mit Deinen Churn Prediction-Daten proaktiv Kampagnen optimieren, Budgets gezielt festlegen und Dich auf Kampagnen konzentrieren, die mit höchster Wahrscheinlichkeit Kunden generieren, die eine höhere Retention-Rate und einen hohen LTV mitbringen.
Mit Frisbii sparst Du Dir 4 der 6 Schritte. Du brauchst keine externen Analysten oder ein internes Analyse-Team. Unsere Recurring Billing-Plattform bietet Dir Churn Prediction basierend auf Deinen eigenen Kundendaten.
Interessiert? Wir freuen uns auf ein Gespräch mit Dir und Deinem Team!
