Intelligente Kündigungsvorhersage
KI-basierte Vorhersage der Kündigungswahrscheinlichkeit für Bestandsverträge
KI-basierte Vorhersage der Kündigungswahrscheinlichkeit für Bestandsverträge
Kunden binden und verhindern, dass sie abwandern – das ist für jedes Unternehmen, das von Verträgen lebt, der entscheidende Baustein der Zukunftssicherung. Der Grund liegt auf der Hand: Wer Neukunden gewinnen will, muss sich gegen eine Vielzahl von Konkurrenten behaupten. Ein Bestandskunde hingegen braucht nur davon überzeugt zu werden, dass er bei „seinem“ Unternehmen gut aufgehoben ist – weshalb Vertrauen das wertvollste Gut in einer vertragsgestützten Branche ist.
In den bekannten Commodity-Branchen gibt es für Kunden nicht viel zu erleben. Begeisterung, Ekstase, Rausch? Fehlanzeige! Das höchste der Gefühle ist erreicht, wenn der Kunde mit seinem Anbieter zufrieden ist. Aus Unternehmenssicht genügt dies aber auch. Denn zufriedene Kunden sind das effektivste Werbemedium. Ein überzeugter Kunde, der ein Unternehmen weiterempfiehlt – sei es im persönlichen Gespräch oder in einem Bewertungsportal –, vermag mehr zu erreichen als manch teure Werbekampagne.
Umgekehrt sind abgewanderte Kunden kaum wiederzugewinnen. Sie haben ihre Gründe, warum sie den Wechsel vollzogen haben, und – schlimmer noch – sie kommunizieren dies auch in ihrem Freundes- und Bekanntenkreis („Ihr glaubt nicht, wie ich mich über die geärgert hab…“).
Diese negative Mundpropaganda ist Gift für alle Marketingbemühungen. Kundenabwanderung zu verhindern, ist für etablierte Unternehmen deshalb noch wichtiger als aktive Neukundengewinnung. Dabei kann ein gutes Service-Management wertvolle Dienste leisten.
Wenn ein Kunde von sich aus dem Vertragspartner seine Unzufriedenheit mitteilt, bietet dies die Chance, ihn vom Seitenwechsel abzuhalten. Noch wirkungsvoller ist es, wenn Unternehmen frühzeitig erkennen, welche Kunden mit hoher Wahrscheinlichkeit in naher Zukunft kündigen werden, und diese proaktiv neu binden.
Doch wie lassen sich Kündigungsabsichten vorhersagen? Hierzu ist es notwendig, anhand zurückliegender Vertragsdaten die Korrelationen zwischen Kundenkündigungen und Vertragsverlängerungen mit den Attributen der zugrundeliegenden Verträge und Kundenprofile herauszufiltern. Auf erster Ebene lassen sich solche Zusammenhänge durch einfache Gegenüberstellungen und Filter in KPI-Dashboards erkennen. So verraten diese Darstellungen beispielsweise, dass junge Kunden eher dazu neigen, den Vertragspartner zu wechseln. Bei dieser Betrachtungsweise bleiben jedoch viele Informationen, die in den Daten vorhanden sind, unbeachtet. Die Datensätze müssten für jedes Attribut des Vertrags in weitere Attribute aufgeschlüsselt werden, um die eigentliche Information zu extrahieren.
Dass junge Kunden eher den Anbieter wechseln, mag vordergründig stimmen. Doch wie sieht es bei jungen Kunden aus, die einen monatlich kündbaren Vertrag mit Fokus auf Nachhaltigkeit abgeschlossen haben? Und wie wahrscheinlich ist es, dass junge Kunden zeitnah kündigen, wenn sie darüber hinaus ein Online-Konto angelegt haben, vielleicht noch den Newsletter erhalten und telefonischen Service nutzen? Ist in dieser Kategorie das Alter des Kunden überhaupt noch entscheidend?
Schnell wird klar: Diese Analysen lassen sich nicht per Augenmaß – durch die Anwendung von Filtern in einfachen Dashboards – durchführen. Zudem ist es praktisch unmöglich, den Überblick zu behalten. Im Gegenteil, vielfach führen solche eindimensionalen Betrachtungsweisen zu Trugschlüssen.
Was tun? Firmen mit großen Datenmengen („Big Data“) können Mitarbeitern, die über Erfahrung und Intuition verfügen, ein mächtiges Werkzeug an die Hand geben: datengetriebene Fakten.
Diese bieten die Möglichkeit, zu jeder der oben genannten Kategorien der Vertragsdaten (und noch zu vielen weiteren) signifikante Aussagen zu treffen und diese mithilfe von künstlicher Intelligenz (KI) auf eine einzige greifbare Größe zurückzuführen – die Wahrscheinlichkeit der baldigen Kündigung.
So überlassen sie nichts dem Zufall, sondern können gezielt handeln. Frühzeitig agieren, statt zu spät reagieren! Ihr Kundenstamm wird es ihnen durch Treue danken und langfristig zurückzahlen!
Data Science Manager, A EINS Digital Innovation GmbH
Data Science Manager, A EINS Digital Innovation GmbH
„Die KI wird in diesem Fall durch maschinelles Lernen (ML) erzeugt – genauer gesagt, durch sog. „Supervised Machine Learning“-Algorithmen. Hier hängt es davon ab, in welcher Form und Qualität uns die Daten vorliegen und was mithilfe der ML-Verfahren erreicht werden soll. Bewährte Algorithmen für solche Analysen sind beispielsweise die logistische Regression, (unkorrelierte) Entscheidungsbäume und – je nach Art und Vorbereitung der Daten – neuronale Netze. Datensätze offenbaren sich in unterschiedlichster Qualität.
Um ML überhaupt zu ermöglichen und einen sinnvollen Output generieren zu können, müssen die Datensätze im Vorfeld verstanden, bereinigt und in eine hohe Qualität und bestimmtes Format gebracht werden. Um diese Schritte kümmern wir uns gerne für Sie. Nach umfassenden Testverfahren können wir schließlich feststellen, dass die Methodik funktioniert und zuverlässige Ergebnisse liefert.“
„Die gezielte Kontaktaufnahme zu kündigungsgefährdeten Kunden ist eine der effektivsten Methoden, um Kunden neu zu binden und dadurch die Bilanzen des Unternehmens zu festigen und zu verbessern. Insbesondere für Marktführer ist der Kundenerhalt der wichtigste Schild gegen Marktkonkurrenten und zur Sicherstellung der Position im Markt.
Es ist zu erwarten, mit den angewandten Methoden in mehr als 4 von 5 Fällen die richtige Vorhersage tätigen zu können. Zudem ist es möglich, neben der absoluten Vorhersage („ja“ oder „nein“) eine Wahrscheinlichkeit für jeden einzelnen Kunden und zusätzlich eine klare Tendenz der zu den Kunden gehörenden, geographischen Gebiete vorherzusagen.“
„Grundsätzlich eignen sich alle Datensätze, die Meta-Informationen zu dem Kunden und insbesondere den Vertragsdetails beinhalten. Für jeden Datensatz mit verschiedenen Eigenschaften eignen sich die zugrundeliegenden KI-Modelle unterschiedlich gut. Für einen konkreten Datensatz lassen sich somit Optimierungen und Validierungen durchführen, um die Vorhersagegenauigkeit zu erhöhen und weniger anfällig für Fluktuationen zu machen. In dessen Weiterentwicklung lassen sich weitere Informationsquellen integrieren und durch Zeitraumanalysen zeitliche Modulationen berücksichtigen. Die stetige Aktualisierung des Datensatzes erhöht die statistische Signifikanz des Modells und macht Veränderungen sichtbar. Mithilfe der KI-Modelle lassen sich zudem Informationen extrahieren, welche Attribute der Kunden und insbesondere des Vertrags den stärksten Einfluss auf deren Kündigungs- bzw. Verlängerungstendenz haben. So erhält der Berater Hinweise, durch welche Stellschrauben er den Kunden zu einer Vertragsverlängerung bewegen kann.
Es lässt sich zudem berechnen, wie sich die Kündigungswahrscheinlichkeit ändert, wenn bestimmte Attribute des Vertrags geändert werden. Die extrahierten Informationen können außerdem dazu genutzt werden, für bestimmte Vertrags- oder Kundenkategorien gezielte Direktvertriebs- oder Marketingkampagnen zu steuern, um deren Abschlagszahlen zu erhöhen. Für Nutzer der AEINS SalesApp können die Erkenntnisse im gebietsgezielten Direktvertrieb umgesetzt, eine Live-Information über die Bestandsfähigkeit der gerade abgeschlossenen Verträge zurückgespielt und Kampagnenerfolge live mitverfolgt werden.“
Jetzt zum kostenfreien Webcast anmelden!
Das Dashboard plus powered by: