Wie hat Telefónica ein Churn-Modell aufgebaut, das die Retention-Zahlen tatsächlich bewegt hat?
Die Datenteams von Telefónica haben jahrelang Subscriber-Signale gesammelt, bevor ihre Churn-Modelle Vorhersagen auf Umsatzniveau lieferten. Was sie konkret gebaut haben und woran andere Telcos regelmäßig scheitern, lässt sich direkt auf jeden CDO übertragen, der 2026 ein Retention-Programm verantwortet.
Claude VectorData & Analytics Lead1. Oktober 2026
Die spanische Landesgesellschaft von Telefónica stand vor einem Problem, das jeder große integrierte Operator kennt: Aggregierte Churn-Raten im unteren einstelligen Bereich verdecken enorme Streuung darunter. Ein Prepaid-Kunde, der nicht mehr auflädt, sieht im Billing-System 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 Billing-Daten allein, der zentrale Input ihrer früheren Propensity-Modelle, systematisch zu langsam sind. Ein Subscriber, der sich bereits zum Wechsel entschieden hat, hört auf zu zahlen, 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 → aufhört, das Netz zu nutzen. Das Churn-Signal kommt also erst an, wenn das Interventionsfenster schon zu ist. Das Team richtete die Modellarchitektur neu auf Signale aus der Netzebene aus, die schneller sind als jedes Billing-Event.
Wie Telefónica die Architektur seiner Churn-Signale auf CDRs und Netz-Telemetrie umgebaut hat
Der entscheidende Schritt war der Wechsel von eventgetriebenen Billing-Datensätzen zu kontinuierlicher Netz-Telemetrie. Call Detail Records erfassen Call-Completion-Raten, Handoff-Fehler und Roaming-Übergänge nahezu in Echtzeit. Wenn das Gerät eines Subscribers sich häufiger beim Roaming-Partner eines Wettbewerbers einbucht oder wenn die Fehlerrate beim Voice-Call-Setup in einem bestimmten Zellsektor der Home Location Area dieses Subscribers hochgeht, zeigen sich diese Muster in der RAN-Telemetrie Stunden bevor sie irgendwo in einem CRMCRMCustomer Relationship Management: Software und Strategie, um Kundeninteraktionen über den gesamten Lifecycle zu steuern und zu analysieren.Vollständige Definition ansehen →-Datensatz auftauchen. Für einen genaueren Blick auf das Rohmaterial: die vollständige Taxonomie der CDR-Felder und Netz-Telemetrie-Streams zeigt, warum Billing-Daten nur einen Bruchteil davon abdecken, was das Netz über einen Subscriber tatsächlich weiß.
Telefónica strukturierte das Feature-Set entlang vier Signalkategorien: Usage-Verlauf (Rückgang des Datenverbrauchs im Monatsvergleich, Verlagerung von Voice zu OTT-Substituten), Netzerfahrung (Packet-Loss-Raten, Video-Stall-Quoten, 4G-auf-5G-Upgrade-Berechtigung gegenüber tatsächlicher Upgrade-Rate), kommerzielle Interaktionen (Anrufe im Contact Center zu 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 Meldungen an die spanische Regulierungsbehörde CNMC, um abzuschätzen, wo ein Wettbewerber seine Abdeckung verbesserte.
Das Modell selbst war ein Gradient-Boosting-Ensemble, trainiert auf 18 Monaten gelabelter Churn-Events und monatlich neu trainiert. Die Retraining-Frequenz war wichtig: Die Wettbewerbsdynamik im Telco-Markt verschiebt sich schnell genug, dass ein Modell, das vor der Preisaktion eines großen Wettbewerbers trainiert wurde, die Population falsch ranken 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 automatische Drift-Erkennung, die anschlägt, wenn die Verteilung der vorhergesagten Churn-Scores mehr als zwei Standardabweichungen von der Baseline abweicht, und damit ein Retraining außerhalb des Zyklus auslöst. Diese Art von Produktionsdisziplin aufrechtzuerhalten ist bei einem Modell, das wöchentlich Millionen Subscriber scort, ein anderes Engineering-Problem als der Bau des Modells 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 vor dem Kundenkontakt prüft. Diese Einschätzung wurde im Governance-Register des Modells dokumentiert und jährlich auditiert, nicht einmal angenommen und dann vergessen.
Hat das Churn-Modell von Telefónica den freiwilligen Churn tatsächlich gesenkt?
Die ehrliche Antwort: wahrscheinlich ja, aber die AttributionAttributionEin Framework, das den Touchpoints, die zu einer Conversion beigetragen haben, Credit zuweist, damit Sie messen können, welche Kanäle und Interaktionen tatsächlich Ergebnisse bringen.Vollständige Definition ansehen → ist kompliziert. Die Geschäftsberichte von Telefónica für 2023 und 2024 wiesen verbesserte Postpaid-Churn-Zahlen in Spanien aus, mit einem Rückgang in Richtung 0,8-0,9 % pro Monat im spanischen Kernmarkt, unter dem damaligen Durchschnitt westeuropäischer Operator von rund 1,2-1,4 %. Telefónica hat einen Teil dieser Verbesserung öffentlich auf besseres Targeting in Retention-Kampagnen zurückgeführt. Ein kontrolliertes Experiment, das den Beitrag des Modells isoliert, wurde nicht veröffentlicht, eine präzise Kausalzahl 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 Interventionen konzentriert auf die Population, die das Modell als tatsächlich gefährdet einstufte. Die Kennzahl Cost-per-Save verbesserte sich stärker als die reine Churn-Rate, was in einer Branche zählt, in der Retention-Rabatte den ARPU direkt drücken.
Was auf andere Telco-CDOs übertragbar ist und wo der Kontext auseinandergeht
Die von Telefónica genutzte Signalarchitektur lässt sich direkt auf jeden Operator mit Zugang zu RAN-Telemetrie übertragen, also auf jeden Operator mit eigenem Netz. Ein reiner MVNO, der Kapazität in einem Hostnetz weiterverkauft, sieht für seine Subscriber keine Packet-Loss-Raten und keine Handoff-Fehler; er sieht nur, was der Host über die Billing-Feeds durchgibt, und das kommt dem nahe, was Telefónica vor dem Umbau hatte. Das ist eine strukturelle Grenze für die Modellqualität, kein Data-Engineering-Problem.
Die Ebene Wettbewerbskontext ist schwerer günstig zu replizieren. Opensignal-Benchmarks sind ein kommerzielles Produkt. CNMC-Regulierungsdaten sind öffentlich, brauchen aber erhebliche Verarbeitung, bis sie auf Postleitzahlenebene nutzbar sind. Kleinere Operator lassen diese Ebene oft weg und fragen sich dann, warum ihr Modell in Postleitzahlgebieten schlecht abschneidet, in denen ein Wettbewerber still und leise die Infrastruktur aufgerüstet hat.
Drei Entscheidungen, die jeder CDO in dieser Situation 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 eine Schwelle überschreitet, brauchen Sie Signale, die Churn 2 bis 4 Wochen im Voraus vorhersagen. Wenn Ihr Contact Center monatliche Batch-Kampagnen fährt, brauchen Sie einen längeren Prognosehorizont und müssen mehr Rauschen akzeptieren.
- Entscheiden Sie, was in den Trainingslabels als Churn gilt. Port-out ist klar. 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 klar. Ein Subscriber, der auf einen kostenlosen SIM-only-Tarif downgradet und seine Nutzung um 80 % reduziert, kann wirtschaftlich einem Churn gleichkommen, erscheint aber nicht in Ihrem gelabelten Datensatz, solange Sie nicht ausdrücklich eine Kategorie "Silent Churn" aufbauen.
- Bauen Sie die Governance-Struktur vor dem Deployment des Modells, nicht danach. Die ePrivacy- und DSGVO-Vorgaben, mit denen Telefónica umgegangen ist, sind keine spanische Besonderheit; jeder EU-Operator steht im selben Rahmen, und Operator in Märkten mit DSGVO-äquivalenter Gesetzgebung (LGPD in Brasilien, UK GDPRGDPREU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen → nach 2020) unterliegen analogen Regeln.
Churn-Prognose im Telco-Bereich ist kein Modellierungsproblem, das man einmal löst. Wettbewerbsdynamik, Änderungen der Netztopologie und regulatorische Eingriffe (geänderte Portierungsregeln, Entscheidungen zum Vorleistungszugang) verändern alle das Verhältnis zwischen Verhaltenssignalen und tatsächlichen Churn-Events. Die Operator, die ihren Retention-Vorsprung halten, behandeln den Modell-Refresh als operativen Prozess, nicht als Projektmeilenstein.
Der komplette Kurs zu dieser Branche: Data in Telecom.
Häufige Fragen
Welche Verhaltenssignale sagen Churn bei Telco-Subscribern am besten vorher?
Signale zur Netzerfahrung bewegen sich in der Regel früher als Billing- oder CRM-Signale. Packet-Loss-Raten, Video-Stall-Quoten, fehlgeschlagene Voice-Call-Setups und häufigeres Einbuchen im Netz eines Wettbewerbers erscheinen in der RAN-Telemetrie Stunden oder Tage, bevor ein Subscriber kommerziell aktiv wird. Das Modell von Telefónica kombinierte diese Signale mit dem Usage-Verlauf und Interaktionsdaten aus dem Contact Center.
Wie weit im Voraus kann ein Churn-Modell den Abgang eines Subscribers realistisch vorhersagen?
Die meisten produktiven Churn-Modelle im Telco-Bereich sind darauf kalibriert, den Abgang 2 bis 6 Wochen im Voraus vorherzusagen, also das Fenster, in dem ein Retention-Team realistisch handeln kann. Eine längere Vorhersage erhöht das Rauschen und senkt die Präzision; eine kürzere lässt den Interventionsteams zu wenig Zeit für Kampagnen. Der richtige Horizont hängt vom operativen Takt Ihres Contact Centers ab, nicht davon, was das Modell technisch leisten kann.
Beschränkt die DSGVO, wie Telcos Churn-Scores für das Targeting von Kunden nutzen dürfen?
Artikel 22 DSGVO verlangt eine menschliche Prüfung oder eine Einwilligung des Kunden bei automatisierten Entscheidungen mit erheblicher rechtlicher oder ähnlicher Wirkung. Das Rechtsteam von Telefónica dokumentierte, dass personalisierte Retention-Angebote, die ein menschlicher Agent vor dem Kontakt prüft, diese Schwelle nicht überschreiten. Jede EU-Telco, die ein ähnliches Programm aufbaut, sollte diese Analyse im eigenen Governance-Register nachvollziehen, statt anzunehmen, dass dieselbe Schlussfolgerung automatisch gilt.
Was ist im Telco-Kontext der Unterschied zwischen Churn-Rate und Silent Churn?
Die Churn-Rate zählt Subscriber, die portieren oder formal kündigen. Silent Churn beschreibt Subscriber, die auf dem Papier aktiv bleiben, ihre Nutzung aber so stark reduziert haben, dass ihr Umsatzbeitrag gegen null geht, oft weil sie den Großteil ihres Traffics über eine zweite SIM laufen lassen. Silent Churner erscheinen nicht in den üblichen gelabelten Datensätzen, deshalb unterschätzen Modelle, die nur auf Port-outs trainiert sind, die gefährdete Population systematisch und übersehen einen erheblichen Teil der ARPU-Erosion.
Mehr dazu
Die Lektionen, die diesen Artikel weiterführen, frei zugänglich.
- 1Die Datengoldmine der Telekommunikation entschlüsseln: CDRs, Netz-Telemetrie und Usage-SignaleDaten in der Telekommunikation
- 2Advanced Analytics: CLV, Churn Prediction & Demand ForecastingAnalytics, BI & Decision Intelligence
- 3Modelle in Produktion: Drift, Monitoring & MLOpsAnalytics, BI & Decision Intelligence
- 4Umfangreiche Telekomdaten unter DSGVO, ePrivacy und legaler Überwachung steuernDaten in der Telekommunikation
- 5Benchmarking von Netz- und Service-KPIs, die das Leadership verfolgtDaten in der Telekommunikation
Sources
- 5 Free Courses to Learn AI Engineering
- How to Outcompete Your Client’s AI
- Enterprise AI desperately needs to protect data and models. Here’s how confidential AI could do it.
- Meta hired MongoDB’s CEO to build its enterprise AI business — but Llama is missing
- AI Slop Is Already in Your Training Dataset. I Tested Three Ways to Spot It.
- Fivetran + dbt Labs Announces New Capabilities to Make Enterprise Data Agent-Ready at dbt Summit 2026
- Everything we announced at dbt Summit and why it matters
- We built dbt State to stop rebuilding what hadn't changed
- Celebrating the 2026 dbt partner of the year winners
- Spot New Tech Skills Emerging From the Workforce
- Building on AI’s Unfinished Foundation
- Databricks processes your data. dbt defines what it means
- dbt Core v1.12 is GA
- Model for the token, not the table
Artikel gelesen?
Bestätigen Sie Ihre Lektüre, um XP zu sammeln und Ihr Radar zu füttern.