Wie hat Telefónica ein Churn-Modell gebaut, das die Retention-Zahlen tatsächlich bewegt hat?

Die spanische Einheit von Telefónica stand vor einem Problem, das jeder große integrierte Betreiber kennt: Aggregierte Churn-Raten im niedrigen einstelligen Bereich verdecken enorme Unterschiede darunter. Ein Prepaid-Kunde, der nicht mehr auflädt, sieht im Abrechnungssystem genauso aus wie ein hochwertiger Postpaid-Subscriber, der seine Zweitkarte still und leise zu einem Wettbewerber portiert hat. Beide gelten als churned. Keiner von beiden hätte in den Wochen vor dem Abgang gleich behandelt werden dürfen.

Bis 2022 war die Data-Science-Gruppe von Telefónica in Madrid zu dem Schluss gekommen, dass Abrechnungsdaten allein, der Haupt-Input ihrer früheren Propensity-Modelle, systematisch zu langsam sind. Ein Subscriber, der sich bereits zum Wechsel entschieden hat, hört mit dem Zahlen auf, bevor ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → das Netz nicht mehr nutzt. Das Churn-Signal kommt also an, nachdem sich das Interventionsfenster geschlossen hat. Das Team richtete die Modellarchitektur neu auf Signale aus der Netzebene aus, die sich schneller bewegen als jedes Abrechnungsereignis.

Wie Telefónica seine Churn-Signalarchitektur um CDRs und Netz-Telemetrie herum neu aufgebaut hat

Der zentrale Wechsel war der Schritt von ereignisgetriebenen Abrechnungsdatensätzen zu kontinuierlicher Netz-Telemetrie. Call Detail Records erfassen Verbindungsabschlussraten, Handover-Fehler und Roaming-Wechsel nahezu in Echtzeit. Wenn sich das Gerät eines Subscribers häufiger beim Roaming-Partner eines Wettbewerbers anmeldet oder wenn die Fehlerrate beim Aufbau von Sprachverbindungen in einem bestimmten Zellsektor der Home Location Area dieses Subscribers hochschnellt, tauchen diese Muster Stunden früher in der RAN-Telemetrie auf als irgendwo in einem CRMCRMCustomer Relationship Management: Software und Strategie, um Kundeninteraktionen über den gesamten Lifecycle zu steuern und zu analysieren.Vollständige Definition ansehen →-Datensatz. Für einen genaueren Blick auf das Rohmaterial:die vollständige Taxonomie der CDR-Felder und Netz-Telemetrie-Streamszeigt, warum Abrechnungsdaten nur einen Bruchteil dessen abdecken, was das Netz über einen Subscriber tatsächlich weiß.

Telefónica strukturierte das Feature-Set entlang von vier Signalkategorien: Nutzungsverlauf (Rückgang des Datenverbrauchs im Monatsvergleich, Verlagerung von Voice zu OTT-Alternativen), Netzerlebnis (Paketverlustraten, Video-Stall-Quoten, 4G-auf-5G-Upgrade-Berechtigung gegenüber tatsächlicher Upgrade-Rate), kommerzielle Interaktionen (Anrufe im Contact Center wegen Rechnungsstreitigkeiten, fehlgeschlagene Self-Service-Transaktionen in der App) und Wettbewerbskontext (NPSNPSDer Net Promoter Score (NPS) misst Kundenloyalität: Kunden werden gefragt, wie wahrscheinlich sie eine Marke weiterempfehlen, dann werden die Detractors von den Promoters abgezogen.Vollständige Definition ansehen →-Bewegungen auf Postleitzahlenebene, korreliert mit neu aktivierten Standorten eines Wettbewerbers). Die Ebene Wettbewerbskontext erforderte externe Daten, konkret Opensignal-Benchmarks und regulatorische Veröffentlichungen der CNMC in Spanien, um näherungsweise zu bestimmen, wo ein Wettbewerber seine Abdeckung verbesserte.

Das Modell selbst war ein Gradient-Boosting-Ensemble, trainiert auf 18 Monaten gelabelter Churn-Ereignisse und monatlich neu trainiert. Die Retraining-Frequenz war wichtig: Die Wettbewerbsdynamik im Telekommunikationsmarkt verschiebt sich schnell genug, dass ein Modell, das vor einer großen Preisaktion eines Wettbewerbers trainiert wurde, genau die Population falsch einstufen kann, die es schützen soll. Das MLOpsMLOpsMachine Learning Operations: die Verbindung von ML- und DevOps-Praktiken, um Modelle zu industrialisieren, auszurollen, zu überwachen und in der Produktion zuverlässig neu zu trainieren.Vollständige Definition ansehen →-Team von Telefónica baute eine automatisierte Drift-Erkennung, die anschlägt, wenn die Verteilung der prognostizierten Churn-Scores mehr als zwei Standardabweichungen von der Baseline abweicht, und damit ein außerplanmäßiges Retraining auslöst.Diese Art von Produktionsdisziplin aufrechtzuerhaltenist bei einem Modell, das wöchentlich Millionen von Subscribern bewertet, ein anderes Engineering-Problem als der Modellbau selbst.

Eine Rahmenbedingung prägte die Architekturentscheidungen durchgehend: die spanischen ePrivacy-Regeln und die Anforderungen aus Artikel 22 DSGVODSGVOEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen →. Automatisierte Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung erfordern eine menschliche Prüfung oder eine ausdrückliche Einwilligung. Die Rechts- und Datenteams von Telefónica kamen zu dem Ergebnis, dass ein personalisiertes Retention-Angebot aus einem Churn-Modell die Schwelle von Artikel 22 nicht überschreitet, solange ein menschlicher Agent die Empfehlung prüft, bevor der Kunde kontaktiert wird. Diese Bewertung wurde im Governance-Register des Modells dokumentiert und jährlich auditiert, nicht einmal angenommen und dann vergessen.

Hat das Churn-Modell von Telefónica die freiwillige Abwanderung tatsächlich gesenkt?

Die ehrliche Antwort lautet: wahrscheinlich ja, aber die Zurechnung ist kompliziert. Die Geschäftsberichte von Telefónica aus 2023 und 2024 weisen verbesserte Postpaid-Churn-Werte in Spanien aus, mit einem Rückgang in Richtung 0,8-0,9 % pro Monat im spanischen Kernmarkt, unter dem damaligen westeuropäischen Betreiberdurchschnitt von etwa 1,2-1,4 %. Telefónica hat einen Teil dieser Verbesserung öffentlich auf eine bessere Zielgruppenansprache in Retention-Kampagnen zurückgeführt. Ein kontrolliertes Experiment, das den Beitrag des Modells isoliert, wurde nicht veröffentlicht, eine präzise kausale Größe liegt also nicht vor.

Was ihre Datenteams in öffentlichen Konferenzvorträgen beschrieben haben, ist eine Verschiebung in der Effizienz der Retention-Ausgaben: weniger pauschale Rabattangebote an Subscriber, die ohnehin geblieben wären, und höherwertige MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßnahmen, konzentriert auf die Population, die das Modell als tatsächlich gefährdet eingestuft hat. Die Kennzahl Cost-per-Save verbesserte sich stärker als die reine Churn-Rate, was in einem Sektor zählt, in dem Retention-Rabatte den ARPU direkt drücken.

Was für andere Telco-CDOs übertragbar ist und wo der Kontext abweicht

Die Signalarchitektur von Telefónica lässt sich direkt auf jeden Betreiber übertragen, der Zugriff auf RAN-Telemetrie hat, also auf jeden Betreiber mit eigenem Netz. Ein reiner MVNO, der Kapazität in einem Hostnetz weiterverkauft, sieht für seine Subscriber keine Paketverlustraten und keine Handover-Fehler. Er sieht nur, was der Host über die Abrechnungsfeeds durchreicht, und das kommt dem nahe, was Telefónica vor dem Umbau hatte. Das ist eine strukturelle Grenze der Modellqualität, kein Data-Engineering-Problem.

Die Ebene Wettbewerbskontext lässt sich schwerer günstig nachbauen. Opensignal-Benchmarks sind ein kommerzielles Produkt. CNMC-Regulierungsdaten sind öffentlich, erfordern aber erhebliche Aufbereitung, bis sie auf Postleitzahlenebene nutzbar sind. Kleinere Betreiber lassen diese Ebene oft weg und wundern sich dann, warum ihr Modell in Postleitzahlgebieten schwächelt, in denen ein Wettbewerber still und leise die Infrastruktur ausgebaut hat.

Drei Entscheidungen, die jeder CDO in dieser Lage vor dem Bau explizit treffen muss:

• Definieren Sie das Interventionsfenster. Wenn Ihr Retention-Team einen Kunden innerhalb von 48 Stunden anrufen kann, nachdem ein Score einen Schwellenwert überschreitet, brauchen Sie Signale, die Churn 2 bis 4 Wochen im Voraus vorhersagen. Wenn Ihr Contact Center in monatlichen Batch-Kampagnen arbeitet, brauchen Sie einen längeren Prognosehorizont und nehmen mehr Rauschen in Kauf.
• Legen Sie fest, was in den Trainingslabels als Churn zählt. Portierung ist eindeutig. Freiwillige KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ündigung ist eindeutig. Ein Subscriber, der auf einen kostenlosen SIM-only-Tarif heruntergeht und seine Nutzung um 80 % reduziert, kann wirtschaftlich einem Churn entsprechen, taucht aber in Ihrem gelabelten Datensatz nicht auf, solange Sie nicht ausdrücklich eine Kategorie „Silent Churn“ anlegen.
• Bauen Sie die Governance-Struktur vor dem Modell-Deployment auf, nicht danach. Die ePrivacy- und DSGVO-Vorgaben, mit denen Telefónica umgehen musste, sind nicht spanisch spezifisch. Jeder EU-Betreiber steht vor demselben Rahmen, und Betreiber in Märkten mit DSGVO-äquivalenter Gesetzgebung (Brasiliens LGPD, UK GDPRGDPREU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen → nach 2020) stehen vor analogen Regeln.

Churn-Prognose in der Telekommunikation ist kein Modellierungsproblem, das man einmal löst. Wettbewerbsdynamik, Veränderungen in der Netztopologie und regulatorische Eingriffe (geänderte Portierungsregeln, Entscheidungen zum Vorleistungszugang) verändern allesamt den Zusammenhang zwischen Verhaltenssignalen und tatsächlichen Churn-Ereignissen. Die Betreiber, die ihren Retention-Vorsprung halten, behandeln Modell-Refresh als operativen Prozess, nicht als Projektmeilenstein.

Der vollständige Kurs zu diesem Sektor:Data in Telecom.