Kundenabwanderung (Customer Churn) ist in heutiger Zeit ein großes Thema in vielen Branchen wie Zahlungsdienstleistung, Großhandel, Fertigungsindustrie, Logistik, Versicherungen und Banken. Die Gründe dafür liegen vor Allem in der sehr guten Marktübersicht dank digitaler Medien und der Einfachheit des Wechsels von Produktanbietern. Dabei versuchen viele Unternehmen diese Fragestellung durch die Verstärkung der Neukundengewinnung zu lösen, was allerdings sehr teuer ist und nicht die eigentliche Problematik des Verlustes von Bestandskunden löst. Dafür fehlen einfach zuverlässige Indikatoren, um eine Kundenabwanderung rechtzeitig zu erkennen.
Mit Einsatz der Künstlichen Intelligenz ist es aber nun möglich geworden, sehr komplexe Muster im Kundenverhalten zu erkennen und daraus Rückschlüsse auf potenzielle Abwanderung zu ziehen. Abhängig von der Branche werden für die Mustererkennung verschiedene Arten von Daten herangezogen: unternehmensinterne und auch externe Daten. In manchen Fällen muss erst eine entsprechende Datenbasis im Unternehmen aufgebaut werden.
Manchmal wird uns am Anfang von Kundenworkshops nicht geglaubt, dass es möglich sei, mit Einsatz von Machine Learning einige Monate im Voraus eine Abwanderung zu identifizieren. Der Einsatz von entsprechenden Methoden beweist dann aber eindeutig das Gegenteil!
Beispielsweise kann eine KI die Abwanderung der Firmenkunden von Banken mit einem Zeithorizont von 3 bis 5 Monaten sehr gut erkennen. In der Data Science Sprache erreichten wir in bisherigen Projekten mit unseren Modellen eine Accuracy AUROC=0,87. Einfacher ausgedrückt, konnten über 65 % aller Abwanderungen mit hoher Wahrscheinlichkeit erkannt werden. So konnten diese Kunden persönlich (oder automatisiert mit Einsatz einer Recommender Engine als weiterer KI-Use Case) angesprochen werden, um sie zu halten. Die Mustererkennung wurde in diesen Fällen auf Stammdaten und Zahlungsverkehrsdaten der Kunden durchgeführt.
Die Kundenabwanderungsthematik wird in letzter Zeit immer wichtiger. Das merken wir in der steigenden Anzahl der Projektanfragen an uns zu diesem Thema. Vor Kurzem haben wir sogar im Rahmen eines Hackathons ( Details dazu siehe hier: linkedin ) zusammen mit der DZ Bank Gruppe unsere Algorithmen für Customer Churn im Kontext der Produktpreiserhöhungen betrachtet. So erarbeiteten wir ein Vorgehen, bei welchem eine Abwanderung verschiedener Kundensegmente bei einer Preiserhöhung simuliert wird. Somit bekommt der Vertrieb ein Werkzeug an die Hand, um kontrollierte Veränderungen der Preisstruktur vornehmen zu können.
Technisch ähnlich funktionieren die Vorhersagen der Kundenabwanderung in anderen Branchen. Bloß die Daten oder sogenannte Prädiktoren, welche mit speziellen statistischen Methoden aus Rohdaten gebildet werden, sind entsprechend andere. Die Voraussetzung für qualitative Vorhersagen ist eine gewisse Datenhistorie, welche für das Anlernen der Algorithmen der Künstlichen Intelligenz notwendig ist. Personenbezogene Daten können dabei ohne Probleme in maskierter Form verarbeitet werden und müssen gemäß der Datenschutzrichtlinien nicht im Klartext vorliegen.
Ich bin in diesem Beitrag absichtlich nicht auf die technischen KI/Big Data Aspekte eingegangen. Wenn das Interesse dazu besteht, schreiben Sie dies gerne als Kommentar. Ich werde versuchen, Informationen zu weiteren Aspekten dieser Thematik zu geben. Auch wenn das Interesse für weitere KI/Big Data Themen wie z.B. Scoring Modelle, Predictive Maintenance, Krankheitsvorhersagen oder allgemeinen Themen wie Data Quality oder Big Data Architektur besteht, schreiben Sie dies gerne in einem Kommentar. Ich werde dann für die meist gefragten Themen einen weiteren Beitrag erstellen.
