Loyalty & Retention: Frameworks & Methodik

Vier Cohorts auf dem Bildschirm. Die Signups vom Januar sind bei 38 % noch aktiv im sechsten Monat abgeflacht. Der Februar sieht genauso aus. Der März fällt im dritten Monat immer noch, und niemand kann sagen, wo 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 → landet. Sie haben in diesem Quartal Budget für eine Lifecycle-Kampagne und zwei Sprints Engineering-Zeit. Für welche Cohort geben Sie es aus?

Aus einer Churn-Rate, also der Zahl, die die Grundlagen-Lektion definiert, lässt sich das nicht beantworten. Ein einzelner Monatsprozentwert mischt Cohorts unterschiedlichen Alters, unterschiedlicher Kanäle und unterschiedlicher Intention in eine Zahl, die sich aus Gründen bewegt, die Sie nicht sehen. Die folgende Methode bringt Sie in drei Schritten zu einer belastbaren Antwort: eine Kurve, der Sie trauen, eine Prognose, die die Base Rate schlägt, und eine Infrastruktur, die die Aktion auslöst, während der Kunde noch erreichbar ist.

Die Kurve lesen, bevor Sie die Zahl lesen

Bauen Sie zuerst das Cohort-Dreieck: Zeilen sind der Signup-Monat, Spalten die Monate seit Signup, Zellen der Anteil dieser Cohort, der noch aktiv ist. Zwei Eigenschaften zählen, und sie sind unabhängig voneinander. Level ist, wie hoch die Kurve liegt. Shape ist, ob sie abflacht.

Eine Kurve, die sich einer Asymptote bei sagen wir 32 % nähert, sagt Ihnen, dass ein Drittel jeder Cohort eine stabile Basis ist, und die Lifetime-Value-Rechnung aus der Grundlagen-Lektion läuft über diese Asymptote plus monatlichen Contribution Margin. Eine Kurve, die nie abflacht, hat eine terminale Retention von null. Jeder Kunde ist gemietet, und kein Loyalty-Mechanismus behebt das; das Produkt tut es oder eben nicht.

Schreiben Sie auf, welche Retention-Definition Sie verwenden, und hören Sie auf, sie zu ändern. N-Day-Retention zählt User, die genau an Tag N aktiv sind. Bracketed Retention zählt jeden, der innerhalb eines Fensters aktiv ist (Tag 25 bis 31). Rolling oder Unbounded Retention zählt jeden, der an Tag N oder irgendeinem Tag danach aktiv ist, was bedeutet, dass ein abgesprungener User, der in Monat neun zurückkommt, rückwirkend in den Monaten drei bis acht als „retained" gilt. Rolling Retention kann nur nach oben korrigiert werden, also sehen aktuelle Cohorts immer schlechter aus als reife, und Ihr Dashboard schönt die Vergangenheit. Dasselbe rohe Event-Log kann in Monat drei zweistellige Unterschiede erzeugen, je nachdem, welche der drei Varianten Sie gewählt haben.

Wählen Sie Ihre Cohort dann nach Steigung, nicht nach Level. Der Monat mit dem steilsten Knick zwischen Woche eins und vier hat den größten zurückgewinnbaren Wert, weil dort die Population noch groß ist. Bevor Sie sich festlegen, zerlegen Sie die Cohort nach Akquisitionskanal. Eine Kurve, die im Quartalsvergleich vier Punkte verloren hat, ist häufiger ein Mix Shift (Paid Social ging von 12 % auf 30 % der Signups) als Produktverfall. Behandeln Sie das Falsche, und Sie verbringen ein Quartal damit, das Onboarding für eine Cohort zu verbessern, deren Problem der Media-Einkauf war.

Framework 1: RFM als Scoring-Layer

RFM sortiert Kunden nach Recency, Frequency und Monetary Value, jeweils in Quintile geschnitten. Das sind 125 Zellen, die niemand operativ handhaben kann, also fassen Sie sie zu acht bis zwölf benannten Segmenten mit je einem Owner und je einer Aktion zusammen. In Subscription-Geschäften tauschen Sie Monetary gegen Contribution Margin und Frequency gegen aktive Tage pro Monat; Bruttoumsatz-Quintile setzen Ihre größten Rabattnutzer an die Spitze.

Der methodische Punkt, den die meisten Teams übersehen: RFM ist deskriptiv. Es sagt, wo jemand sitzt, nicht, wohin er sich bewegt. Das Signal ist das Delta. Ein Kunde, der über acht Wochen vom obersten Frequency-Quintil in die Mitte gerutscht ist, ist ein akuter Retention-Fall; ein Kunde, der seit zwei Jahren in der Mitte sitzt, ist stabil. Scoren Sie RFM monatlich, speichern Sie die Historie und alarmieren Sie auf Bewegung statt auf Zustand.

Framework 2: Activation, wo die Kurve am steilsten ist

Der größte Teil des Unterschieds zwischen einer guten und einer schlechten Cohort entsteht in den ersten Tagen, bevor irgendein Loyalty-Mechanismus sie erreichen kann. Also definieren Sie ein Activation Event, die beobachtbare Handlung, die die beiden Kurven trennt, und instrumentieren Sie es, bevor Sie eine einzige E-Mail schreiben.

Die Rechnung lohnt sich von Hand. Nehmen Sie 100 Signups: 40 vollziehen das Activation Event und halten an Tag 30 bei 55 %, die anderen 60 bei 12 %. Die gemischte Day-30-Retention liegt bei 29,2 %. Bringen Sie Activation von 40 % auf 50 %, und bei unveränderten Teilraten landen Sie bei 33,5 %. Vier Punkte Retention aus einem FunnelFunnelDie Customer Journey von der Aufmerksamkeit bis zum Kauf, typischerweise Awareness, Interest, Consideration, Decision, Action, wobei sich die Zahl der Interessenten auf jeder Stufe verringert.Vollständige Definition ansehen →-Fix, nicht aus einem Rabatt.

Die Falle: Activators sind selbstselektiert. Leute, die die Integration eingerichtet haben, waren am Tag ihrer Anmeldung schon engagierter. Der einzige Weg herauszufinden, ob das Hinschieben Retention verursacht, ist ein randomisiertes Holdout auf der Onboarding-Sequenz selbst. Drift, ein Anbieter von Conversational-Marketing-Software, hat sein Produkt darauf aufgebaut, in der laufenden Session ein geskriptetes Play auszulösen, je nachdem, wer der Besucher ist; dieselbe Logik gilt nach dem Signup, und derselbe Evidenzstandard gilt für beides.

Framework 3: Churn-Prognose, die ihre Rechenzeit wert ist

Fangen Sie mit der Base Rate an. Liegt der monatliche Churn bei 3 %, ist ein Modell, das „niemand churnt" prognostiziert, zu 97 % genau und nichts wert. Bewerten Sie nach Lift im obersten Dezil: Wenn die obersten 10 % der gescorten Accounts 35 % der Churner des nächsten Monats enthalten, sind das 3,5x Lift und eine Zielliste, die ein menschliches Team abarbeiten kann.

Vier Dinge zerlegen diese Modelle in der Praxis:

• Leakage. „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 →ündigungsseite besucht" und „Plan downgegradet" sind das Ergebnis im Kostüm eines Features. Das Modell scort im Backtest brillant und warnt Sie 40 Minuten, bevor der Kunde geht.
• Horizon Mismatch. Ein Modell, das auf Churn in drei Tagen getunt ist, ist nutzlos, wenn das Save Play einen CSM-Anruf und ein zweiwöchiges Terminfenster braucht. Passen Sie den Prognosehorizont an die Vorlaufzeit der Aktion an und halten Sie ihn dann fest.
• Falsche Frage. Klassifikatoren beantworten „churnt der Kunde innerhalb dieses Fensters". Survival-Modelle (Kaplan-Meier für die deskriptive Kurve, Cox für die Treiber) beantworten „wann" und behandeln die Kunden, die noch nicht gechurnt sind, ohne sie aus der Stichprobe zu werfen.
• Risiko targeten statt Beeinflussbarkeit. Das Dezil mit dem höchsten Risiko ist voll von Leuten, die längst weg sind. Uplift Modelling scort die Differenz zwischen Ergebnis mit und ohne Treatment, und es findet regelmäßig, dass ein Teil Ihrer Zielliste ohnehin geblieben wäre, während ein anderer Teil schneller churnt, wenn Sie ihn kontaktieren.

Umfrage-Sentiment passt schlecht in diese Modelle. 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 →, 2003 von Fred Reichheld mit Bain eingeführt, kommt von einer selbstselektierten Minderheit Ihrer Basis und ist innerhalb von Wochen veraltet. Als Feature ist er dünn besetzt; Verhaltensfeatures schlagen ihn fast immer.

Framework 4: die Jobs-Brille, instrumentiert

Clayton Christensens Jobs-to-Be-Done argumentiert, dass Kunden ein Produkt für einen Job anheuern. Spotify behandelt Hörkontexte als getrennte Jobs: Pendeln, Workout, Fokus, Runterkommen, und hat Katalog und Empfehlungsflächen (Discover Weekly, seit 2015) darum herum gebaut.

Die Messvariante ist einfach. Zählen Sie die distinkten Kontexte pro User pro Woche und schneiden Sie dann die Retention-Kurve nach dieser Zahl. Trennen sich die Ein-Kontext-Kurve und die Drei-Kontexte-Kurve, haben Sie einen Hebel, für den es sich lohnt, Produkt zu bauen, und einen Lifecycle-Trigger, der sich zu schreiben lohnt: User, die das Produkt bisher nur für einen Job genutzt haben, werden zu einem zweiten hingeführt.

Die Infrastruktur: vom Event zur Lifecycle-Aktion

Nichts davon löst ohne Event- und Identity-Infrastruktur aus. Segment, eine Customer Data PlatformCustomer Data PlatformSoftware, die Kundendaten aus allen Quellen zu einem einheitlichen, dauerhaften Profil zusammenführt, das Marketing, Vertrieb und Service nutzen können.Vollständige Definition ansehen → (also ein Anbieter genau der hier beschriebenen Infrastruktur, 2020 von Twilio für rund 3,2 Mrd. $ gekauft), organisiert das um einen kleinen Satz von Calls: track für Events, identify für User-Merkmale, group für Accounts.

Das Versagen, das die Cohort-Analyse still zerstört, ist Identity Resolution. Derselbe Mensch kommt anonym über das Web, meldet sich auf iOS an und erscheint erneut auf einer Rechnung unter einer Arbeits-E-Mail. Ohne Aliasing der anonymen ID auf die User-ID beim Login und ohne das Zusammennähen von Accounts und Usern wird eine Person zu drei Profilen. Nenner blähen sich auf, Retention wird untertrieben, und das Churn-Modell trainiert auf Geistern.

Zweites Versagen: SchemaSchemaEin Schema ist der formale Bauplan, der festlegt, wie Daten in einer Datenbank, einer Datei oder einer Nachricht strukturiert, benannt, typisiert und miteinander verknüpft sind.Vollständige Definition ansehen → Drift. Ein App-Release benennt „Song Played" in „Track Played" um. Die Kurve dieser Cohort bricht ein, das Alerting feuert, und Sie starten eine Win-back-Kampagne an Leute, die nie gegangen sind. Ein versionierter Tracking-Plan mit benannten Ownern und ein CI-Check auf Event-Namen kostet einen Tag und verhindert ein Quartal schlechter Entscheidungen.

Drittens: Latenz. Ein Dunning-Save bei einer fehlgeschlagenen Karte hat ein Fenster von Stunden, nicht einen Nightly Batch. Entscheiden Sie pro Trigger, was Streaming braucht und was warten kann, denn alles zu streamen vervielfacht die Kosten ohne Gegenwert.

Viertens: Löschanfragen entfernen Profilhistorie und brechen die Cohort-Kontinuität. Führen Sie einen anonymisierten Cohort-Zähler, damit Ihre Nenner die Löschung der Individuen darin überleben.

CMO Action Items

• Veröffentlichen Sie eine schriftliche Retention-Definition (N-Day, Bracketed oder Rolling) und bauen Sie das Cohort-Dreieck darauf neu auf. Zirkulieren Sie alte und neue Zahlen nebeneinander, damit später niemand über den Bruch streitet.
• Wählen Sie die Cohort dieses Quartals nach Kurvensteigung, nachdem Sie nach Akquisitionskanal zerlegt haben, um einen Mix Shift auszuschließen.
• Benennen Sie ein Activation Event, messen Sie die Day-30-Retention-Lücke auf beiden Seiten davon und fahren Sie den Onboarding-Push gegen ein 10-%-Holdout.
• Bewerten Sie Ihr Churn-Modell nach Top-Dezil-Lift, nicht nach Accuracy, und prüfen Sie die Feature-Liste auf alles, was erst nach der Entscheidung zu gehen auftaucht.
• Fragen Sie Engineering nach dem Verhältnis von Profilen zu bekannten Menschen. Alles über 1,2 heißt, Ihre Kurven sind falsch, bevor die Analyse beginnt.

Häufige Fehler, die Ergebnisse zerstören

Retention jährlich zu berichten verdeckt alles. Die Entscheidung zu gehen fällt meist in Woche zwei bis acht; ein jährlicher Cohort-Blick ist die Autopsie, nicht die Diagnose.

Save-Kampagnen ohne Kontrollgruppe zu fahren bedeutet, dass Sie die Intervention nie von der Regression zur Mitte trennen können. Jedes Play braucht ein randomisiertes Holdout, und Holdouts müssen das erste Quartal überleben, in dem jemand sie abschalten will, weil „wir wissen ja, dass es funktioniert".

Einen Satisfaction ScoreSatisfaction ScoreCustomer Satisfaction Score, eine direkte Messung der Zufriedenheit unmittelbar nach einer bestimmten Interaktion oder Erfahrung, meist auf einer kurzen Bewertungsskala.Vollständige Definition ansehen → als Retention-Prognose zu behandeln ist ein Kategorienfehler. Zufriedenheit ist ein Zustand; Retention ist Verhalten. Bauen Sie den Measurement Stack auf Events, die Sie beobachten können, und nutzen Sie Umfragedaten zur Diagnose statt zum Targeting.