Churn Prediction bzw. das Vorhersagen von Kundenabspr\u00fcngen geh\u00f6rt zu den Ma\u00dfnahmen, Churn zu reduzieren. Bei Churn-Vorhersagen werden Datenanalysen genutzt, um Kunden zu identifizieren, die mit h\u00f6chster Wahrscheinlichkeit absprungbereit sind.<\/p>\n\n\n\n
Erfahre im Blogbeitrag, wie Du Churn Prediction f\u00fcr optimierte Kundenerlebnisse und eine h\u00f6here Kundenbindung einsetzen und Churn fr\u00fchzeitig verhindern<\/a> kannst.<\/p>\n\n\n\n Das Vorhersagen von Churn erm\u00f6glicht:<\/strong><\/p>\n\n\n\n Im Folgenden werden wir im Detail auf die sechs Schritte zur Churn Prediction eingehen.<\/p>\n\n\n\n Definiere historische Churn-Raten basierend auf statischen „High-Level“-Daten.<\/p>\n\n\n\n Beispiel:<\/strong><\/p>\n\n\n\n Analysiere die Churn-Rate entlang dieser Variablen und identifiziere, bei welchen Kundensegmenten Kundenabspr\u00fcnge vermehrt beobachtet werden k\u00f6nnen.<\/p>\n\n\n\n Fr\u00fcher Churn kann bedeuten, dass die Erwartungen der Kunden nicht mit dem eigentlichen Produkt oder Service \u00fcbereinstimmen. Das kann beispielsweise daran liegen, dass das Messaging die tats\u00e4chlichen Mehrwerte Deines Produktes nicht hervorhebt.<\/p>\n\n\n\n Auch kann fr\u00fcher Churn durch Rabatte<\/a>, Freemiums oder kostenlose Testversionen<\/a> verursacht werden, die den falschen Kundentypus angelockt haben, der beispielsweise nur zum rabattierten Preis bzw. tempor\u00e4r das Produkt nutzen wollte.<\/p>\n\n\n\n Zus\u00e4tzlich k\u00f6nnen Zahlungsprobleme f\u00fcr fr\u00fche (unfreiwillige) Abspr\u00fcnge sorgen (lese hier mehr zu unfreiwilligem Churn<\/a>).<\/p>\n\n\n\n Da man h\u00e4ufiger 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 w\u00e4hrend 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.<\/p>\n\n\n\n Kundensegmente, die erst Monate (oder Jahre) nach der Registrierung abspringen haben oft andere Gr\u00fcnde, die sowohl andere Datenanalysen als auch andere Bindungsma\u00dfnahmen ben\u00f6tigen. Churn-Gr\u00fcnde f\u00fcr diese Kunden sind h\u00e4ufig Support-Probleme, Preiserh\u00f6hungen, attraktive Wettbewerbsangebote, etc.).<\/p>\n\n\n\n Churn Prediction beinhaltet auch das Analysieren von sogenannten „Low-Level“-Verhaltensdaten, die sehr dynamisch und individuell sind. Diese Daten k\u00f6nnen viel \u00fcber Verhalten aussagen, das Absprungintentionen impliziert.<\/p>\n\n\n\n Beispiele:<\/strong><\/p>\n\n\n\n Da diese Datensets unglaublich gro\u00df werden k\u00f6nnen, setzen hier in der Regel Datenanalysemodelle an, um die Daten zu strukturieren und Churn-Muster zu identifizieren.<\/p>\n\n\n\n Verkn\u00fcpfe statische High-Level-Daten mit dynamischen Low-Level-Daten, um Vorhersagen zu treffen, welche Kunden basierend auf ihrem Verhalten absprunggef\u00e4hrdet sind (z.B., weil ihre Aktivit\u00e4ten zur\u00fcckgegangen sind, sie weniger Geld ausgeben, etc.)<\/p>\n\n\n\n Mit statistischen Machine Learning-Modellen<\/a>* kannst Du Muster identifizieren und Vorhersagen treffen: <\/p>\n\n\n\n *Machine Learning-Modelle setzen in der Regel Datenanalysten voraus, doch es gibt mittlerweile auch diverse Software-L\u00f6sungen, die Churn-Daten und Churn Prediction erm\u00f6glichen, ohne dass Du ein eigenes Analystenteam ben\u00f6tigst. Die Frisbii Recurring Billing-Plattform bietet beispielsweise ein Churn Prediction-Lab <\/a>an, dass Kundenbasismodelle anwendet, um Churn und Churn-Ursachen vorherzusagen.<\/em><\/p>\n\n\n\n Dein Churn Prediction-Modell aus Schritt 3 bietet Dir nun Daten \u00fcber 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 wei\u00dft, was Churn verursacht, kannst Du in die Tiefe gehen mit operativen KPI, die positiv auf Deine Churn- und Retention-Zahlen einwirken, z.B.:<\/p>\n\n\n\n Erfahre mehr \u00fcber Ma\u00dfnahmen zur Churn-Reduzierung entlang der gesamten Kundenreise in unserem Churn Prevention-Guide<\/a>.<\/u><\/strong><\/p>\n\n\n\n Du hast nun auch genug Informationen, um zweistufig zu agieren: Produktbasiert und kundenbasiert.<\/p>\n\n\n\n Wenn die Daten darauf hindeuten, dass Dein Produkt optimiert werden muss:<\/strong><\/p>\n\n\n\n Wenn die Daten darauf hindeuten, dass Du gezielte, personalisierte Kundenbindungsma\u00dfnahmen einleiten musst:<\/strong><\/p>\n\n\n\n Indem Du Churn-Muster f\u00fcr jede Kampagne analysierst, kannst Du:<\/p>\n\n\n\n Dadurch kannst Du mit Deinen Churn Prediction-Daten proaktiv Kampagnen optimieren, Budgets gezielt festlegen und Dich auf Kampagnen konzentrieren, die mit h\u00f6chster Wahrscheinlichkeit Kunden generieren, die eine h\u00f6here Retention-Rate und einen hohen LTV mitbringen.<\/p>\n\n\n\n Mit Frisbii sparst Du Dir 4 der 6 Schritte. Du brauchst keine externen Analysten oder ein internes Analyse-Team. Unsere Recurring Billing-Plattform <\/a>bietet Dir Churn Prediction basierend auf Deinen eigenen Kundendaten.<\/strong><\/p>\n\n\n\n Interessiert? Wir freuen uns auf ein Gespr\u00e4ch mit Dir und Deinem Team!<\/p>\n\n\n\n6 Schritte f\u00fcr erfolgreiche Churn Prediction<\/h2>\n\n\n\n
\n
\n
Schritt 1: Identifiziere Risikosegmente <\/h2>\n\n\n\n
\n
Hoher Churn in den ersten drei Monaten<\/h3>\n\n\n\n
Hoher Churn nach l\u00e4ngerer Abonnementzeit <\/h3>\n\n\n\n
Schritt 2: Identifiziere Verhalten, das Churn-Absichten impliziert <\/h2>\n\n\n\n
\n
Schritt 3: Entwickle ein Vorhersagemodell f\u00fcr Churn Prediction und Lifetime Value (LTV) <\/h2>\n\n\n\n
\n
Schritt 4: Nutze Insights f\u00fcr handlungsf\u00e4hige KPI <\/h2>\n\n\n\n
\n
Schritt 5: Handle auf dem Produkt- und dem Kundenlevel<\/h2>\n\n\n\n
\n
\n
Schritt 6: Nutze Churn Prediction f\u00fcr Kampagnenoptimierung <\/h2>\n\n\n\n
\n