Vorhersage der Kundenabwanderung mittels Künstlicher Intelligenz
Die Vorhersage, wann und welche Kunden in den nächsten Wochen oder Monaten abwandern werden, ist ein wichtiges Problem für viele Unternehmen. In der Fachsprache wird die Vorhersage der Abwanderung von Kunden „Churn Prediction“ genannt. Durch die Fortschritte in der Digitalisierung und Automatisierung steigt die Anzahl der Marktteilnehmer und somit die Konkurrenz der Unternehmen untereinander stetig an. In diesem von Wettbewerb geprägten Marktumfeld müssen Gewinne stetig maximiert werden.
Hierfür stehen verschiedene Möglichkeiten zur Verfügung: die Gewinnung neuer Kunden, das Up-Selling der bestehenden Kunden sowie die Verlängerung der Verweildauer der bestehenden Kunden. Von allen Möglichkeiten ist die Bindung bestehender Kunden im Vergleich zu den anderen am kostengünstigsten. Um die dritte Möglichkeit zu verfolgen, müssen die Unternehmen die potenzielle Kundenabwanderung, d. h. den Wechsel der Kunden von einem Dienstleister zum anderen, verringern. Die Hauptgrund für die Abwanderung ist die Unzufriedenheit der Kunden mit dem Service- und Supportsystem. Der Schlüssel zur Lösung dieses Problems liegt in der Vorhersage der Kunden, bei denen die Gefahr der Abwanderung besteht.
Eines der Hauptziele der Vorhersage der Kundenabwanderung ist die Unterstützung bei der Entwicklung von Möglichkeiten zur Kundenbindung. Daher ist die Entwicklung von Strategien zur Bindung von loyalen Kunden zu einer Notwendigkeit geworden. Die Modelle zur Kundenabwanderung zielen darauf ab, frühe Abwanderungssignale zu erkennen und versuchen, die Kunden vorherzusagen, die das Unternehmen freiwillig verlassen. So haben viele Unternehmen erkannt, dass ihre bestehende Datenbank eine ihrer wertvollsten Geschäftsgrundlage ist. Die Abwanderungsvorhersage ist daher ein nützliches und zielführendes Instrument, um abwanderungsgefährdete Kunden zu identifizieren und sie durch geeignete Maßnahmen vom Bleiben zu überzeugen.
Um dieses Problem in den Griff zu bekommen, sollte das Unternehmen das Kundenverhalten richtig vorhersagen. Das Kundenabwanderungsmanagement kann auf zwei Arten erfolgen: (1) reaktiv und (2) proaktiv. Beim reaktiven Ansatz wartet das Unternehmen auf die Kündigungsanfrage des Kunden und bietet ihm anschließend attraktive Tarife an, um ihn zu halten. Beim proaktiven Ansatz wird die Möglichkeit der Abwanderung vorhergesagt und dementsprechend werden den Kunden bereits vorher attraktive Bleibeangebote offeriert. Aus Perspektive der Künstlichen Intelligenz handelt sich dabei um ein binäres Klassifizierungsproblem, bei dem die potenziell Abwandernden von den Nicht-Abwandernden unterschieden werden können.
Wo die Vorhersage der Kundenabwanderung angewendet wird
Die Abwanderungsrate ist einer der wichtigsten Leistungsindikatoren für Abonnementunternehmen. Das Geschäftsmodell des Abonnements - das von englischen Buchverlegern im 17. Jahrhundert eingeführt wurde - ist bei modernen Dienstleistern sehr beliebt.
Musik- und Video-Streaming-Dienste verwenden fast ausschließlich Abo-Geschäftsmodelle. Die digitale Präsenz ist für die Zeitungsverlage ein Muss, daher bieten Nachrichtenunternehmen ihren Lesern neben den gedruckten auch digitale Abonnements an. Auch die Offline-Kunden können auf ihre Abwanderungswahrscheinlichkeit hin untersucht werden. Des Weiteren können Telekommunikations-Unternehmen eine ganze Palette von Produkten und Dienstleistungen als Abo-Modell anbieten, darunter drahtlose Netzwerke, Internet, Fernsehen, Mobiltelefone und Haustelefondienste. Sowohl im B2B- als auch im B2C-Cloudservice existieren zahlreiche Abo-Möglichkeiten für geschäftliche und private Kunden.
Für immer mehr Unternehmen ist es also essentiell seine Kunden zu kennen und vor allem zu wissen, welche Kunden zu welchem Zeitpunkt abwanderungsgefährdet sind, um rechtzeitig dagegen zu steuern. Künstliche Intelligenz spielt hierbei eine Schlüsselrolle.
Besuchen Sie zu diesem Thema gerne unseren Workshop „Churn Prediction - Vorhersage von Kundenabwanderung mittels Künstlicher Intelligenz“ am 27.07.2022: https://www.kompetenzzentrum-cottbus.digital/Veranstaltungen/event/204
Quellen:
Lalwani, P., Mishra, M. K., Chadha, J. S., & Sethi, P. (2022). Customer churn prediction system: a machine learning approach. Computing, 104(2), 271-294.
https://www.kdnuggets.com/2019/05/churn-prediction-machine-learning.html
Foto: pexels