Telekom · Churn senken durch KI-gestützte Personalisierung

Ein wertvoller Postpaid-Kunde (ein Kunde mit Monatsvertrag, der nach Nutzung abgerechnet wird, statt Prepaid) 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 →ündigt selten aus einem Impuls heraus. 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 → kündigt nach Wochen mit abgebrochenen Gesprächen in seinem Viertel, einer Rechnung, die ohne Erklärung gestiegen ist, und der Werbung eines Wettbewerbers, die genau im falschen Moment kam. Wenn er anruft, um zu kündigen, ist die Entscheidung längst gefallen.

Die Chance: Die meisten dieser Warnsignale liegen bereits in Ihren Daten. KI erlaubt es, den gefährdeten Kunden Wochen vor dem Port-out (Mitnahme der Rufnummer zu einem konkurrierenden Anbieter) zu erkennen und einzugreifen, solange Retention noch günstig ist.

Warum Churn die entscheidende Kennzahl ist

In reifen Telekommunikationsmärkten ist das Kundenwachstum weitgehend zum Stillstand gekommen. Einen neuen Kunden zu gewinnen kostet oft ein Vielfaches dessen, was es kostet, einen bestehenden zu halten, eine Größenordnung, die branchenweit zitiert wird. Also konkurrieren die Anbieter über Retention.

Zwei Zahlen umreißen das Problem:

• Churn rateChurn rateDie Churn Rate ist der Prozentsatz an Kunden oder Umsatz, der in einem Zeitraum verloren geht. Sie misst, wie schnell ein Unternehmen seinen bestehenden Kundenstamm verliert.Vollständige Definition ansehen →: der Anteil der Kunden, die in einem Zeitraum abwandern, meist monatlich gemessen.
• Customer Lifetime Value (CLV): der gesamte Gewinn, der von einem Kunden über seine Vertragsdauer erwartet wird.

Ein einziger Prozentpunkt monatlicher Churn auf einer großen Postpaid-Basis bedeutet einen hohen wiederkehrenden Umsatzverlust. Das Ziel eines KI-Churn-Programms ist einfach: die Kunden finden, die am ehesten abwandern und gleichzeitig wert sind, gehalten zu werden, und zuerst handeln.

Die drei Signalfamilien

Churn-Propensity-Modelle stützen sich auf drei große Datenquellen. Jede erzählt einen anderen Teil der Geschichte.

Nutzungssignale

Wie der Kunde den Dienst tatsächlich nutzt. Sinkende Gesprächsminuten, weniger Datensitzungen, das Ausscheiden aus einem Familientarif oder ein plötzlicher Anstieg internationaler Anrufe (was auf eine Veränderung der Lebenssituation hindeuten kann) verschieben alle das Risiko. Ein Kunde, der aufhört, Premium-Funktionen zu nutzen, für die er zahlt, ist mental oft schon halb draußen.

Abrechnungssignale

Die Reibungspunkte. Eine stark gestiegene Rechnung, eine Gebühr für Überschreitung, eine erste verspätete Zahlung oder ein gerade ausgelaufener Aktionsrabatt. Bill Shock ist einer der beständigsten Churn-Auslöser, weil er aus einem passiven Kunden einen aktiven Vergleicher macht.

Signale zur Netzqualität

Die Erfahrung, die Ihre Wettbewerber gern ausnutzen. Abbruchraten bei Gesprächen, langsamer Datendurchsatz und schlechte Abdeckung an den Funkzellen zu Hause und am Arbeitsplatz des Kunden. Ein Kunde, der dort, wo er lebt und arbeitet, wiederholt Gesprächsabbrüche erlebt, ist ein Churn-Risiko, selbst wenn seine Nutzung gesund aussieht.

Die Wirkung entsteht durch die Kombination aller drei. Rückläufige Nutzung plus Rechnungsanstieg plus schlechte lokale Abdeckung ist ein weit stärkeres Signal als jedes einzelne für sich.

Das Churn-Propensity-Modell bauen

Im Kern ist das ein Problem der binären Klassifikation: für jeden Kunden die Wahrscheinlichkeit vorhersagen, dass er in den nächsten 30 bis 60 Tagen abwandert.

Der Ablauf:

1. Label definieren. Festlegen, was als Churn zählt (freiwilliges Port-out, nicht unfreiwillige Abschaltung wegen Nichtzahlung) und welches Vorhersagefenster gilt.
2. Features bilden. Rohdaten in Signale überführen: 30-Tage-Trend der Datennutzung, Tage seit der letzten Rechnungserhöhung, Gesprächsabbruchrate an der Heimzelle, Vertragsdauer, Tariftyp.
3. Trainieren und validieren. Historische Kunden nutzen, deren Ergebnis bereits bekannt ist. Gradient-Boosted Trees (ein Modell, das viele einfache Entscheidungsbäume kombiniert) sind für solche tabellarischen Daten eine verbreitete, starke Baseline.
4. Die aktive Basis scoren. Das Modell wöchentlich laufen lassen, um für jeden Kunden eine Churn-Wahrscheinlichkeit zu erzeugen.

Eine vereinfachte Skizze für Features und Scoring:

import pandas as pd
from xgboost import XGBClassifier

features = [
    "data_usage_trend_30d",     # Nutzungssignal
    "days_since_bill_increase", # Abrechnungssignal
    "dropped_call_rate_home",   # Netzsignal
    "tenure_months",
    "plan_arpu",                # durchschn. Umsatz pro Nutzer
]

model = XGBClassifier(scale_pos_weight=8)  # Abwanderer sind selten
model.fit(X_train[features], y_train)

scores = pd.DataFrame({
    "subscriber_id": X_live["subscriber_id"],
    "churn_prob": model.predict_proba(X_live[features])[:, 1],
})

Beachten Sie scale_pos_weight: Abwanderer sind eine kleine Minderheit, dem Modell muss also gesagt werden, dass es die seltene Klasse nicht ignorieren darf. Das ist Class Imbalance, und damit umzugehen ist unverzichtbar, sonst sagt das Modell "niemand wandert ab", schneidet bei Accuracy gut ab und ist trotzdem nutzlos.

Accuracy ist nicht das Ziel

Ein Modell, das jeden Kunden markiert, liegt meistens richtig und ist wertlos. Bessere Metriken:

• Precision: Wie viele der markierten Kunden sind tatsächlich abgewandert. Hohe Precision schützt Ihr Retention-Budget.
• Recall: Wie viele der Abwanderer Sie erwischt haben.
• Lift im obersten Dezil: Wie viel stärker ist Churn unter Ihren 10 Prozent höchstem Risiko konzentriert als bei Zufallsauswahl. Darauf handeln Retention-Teams tatsächlich.

Als klare, kostenlose Einführung in diese Abwägungen lohnt sich eine Stunde mit Googles Machine Learning Crash Course zur Klassifikation.

Vom Score zur 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 →ßnahme: Next-Best-Offer

Ein Churn-Score ist eine Diagnose, keine Behandlung. Das zweite Modell entscheidet, was zu tun ist.

Next-Best-Offer (NBO) ordnet die möglichen Maßnahmen für jeden gefährdeten Kunden nach erwartetem Wert. Die Kandidaten können sein:

• Ein Treuerabatt für 12 Monate
• Ein Geräte-Upgrade
• Mehr Datenvolumen ohne Aufpreis
• Eine Priorisierung im Netz (Ticket für die schwache Funkzelle eröffnen)
• Ein einfacher Retention-Anruf ohne Rabatt

Der entscheidende Punkt: Das günstigste wirksame Angebot gewinnt. Jemandem einen Rabatt zu geben, der ohnehin geblieben wäre, zerstört Marge. Das ist der Unterschied zwischen Churn-Wahrscheinlichkeit und Uplift: wie stark eine bestimmte Maßnahme die Bleibewahrscheinlichkeit dieses Kunden verändert.

Die Basis nach Wert und Risiko segmentieren

Das Feld oben rechts (hoher Wert, hohes Risiko) ist der Ort, an dem sich Retention-Teams konzentrieren sollten. Ein Kunde mit starkem CLVCLVLifetime Value: der gesamte Umsatz (oder Gewinn), den ein Kunde über die komplette Dauer seiner Beziehung zu Ihrem Unternehmen generiert.Vollständige Definition ansehen →, der drei Churn-Signale zeigt, rechtfertigt einen persönlichen Save-Anruf. Ein Kunde mit geringem Wert und demselben Score verdient vielleicht nur eine automatisierte SMS, wenn überhaupt.

Das Angebot auf das Signal abstimmen

Personalisierung heißt, dass das Angebot die tatsächliche Ursache adressiert.

• Churn durch Bill Shock? Bieten Sie eine Tarifprüfung oder ein Paket zum Festpreis an, kein neues Handy.
• Churn durch Netzqualität? Ein Rabatt behebt keine Gesprächsabbrüche. Priorisieren Sie eine Netzmaßnahme und sagen Sie dem Kunden, dass Sie daran arbeiten.
• Churn durch eine ausgelaufene Aktion? Ein gezielter Treuepreis kann genügen.

Ein Geräte-Upgrade an jemanden zu schicken, dessen Problem die Abdeckung ist, verschwendet Geld und kann den Abgang sogar beschleunigen.

🎬 [VIDEO: "Customer Churn Prediction Explained" - youtube.com - ein kompakter Durchgang durch Aufbau und Bewertung eines Churn-Modells mit realitätsnahen Daten]

Verantwortungsvoll ausrollen

Ein KI-Retention-Programm berührt sensible Daten und echte Kunden, LeitplankenLeitplankenRegeln und Kontrollen, die ein KI-System in sicheren, rechtskonformen und markengerechten Grenzen halten und unerwünschte Ausgaben blockieren.Vollständige Definition ansehen → sind also wichtig.

Datenschutz und Einwilligung. Nutzungs-, Abrechnungs- und standortnahe Netzdaten sind reguliert. Unter Rahmenwerken wie der DSGVODSGVOEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen → der EU und diversen nationalen Telekommunikationsvorschriften brauchen Sie eine Rechtsgrundlage, um diese Daten zu verarbeiten und für automatisierte Entscheidungen zu nutzen. Bauen Sie das Programm vom ersten Tag an mit Ihren Rechts- und Datenschutzteams, nicht nachträglich.

Transparenz bei automatisierten Entscheidungen. Manche Vorschriften geben Kunden Rechte in Bezug auf Entscheidungen, die Maschinen über sie treffen. Dokumentieren Sie klar, warum ein Kunde markiert wurde, damit ein Mensch es erklären kann.

Perverse Anreize vermeiden. Wenn Ihr Modell lernt, dass lautes Beschweren Rabatte bringt, erziehen Sie Kunden zum Beschweren. Begrenzen Sie, wie oft derselbe Kunde Save-Angebote erhält, und achten Sie auf Ausnutzung.

Mit Kontrollgruppen messen. Der einzige ehrliche Weg, die Wirkung Ihres Programms zu kennen, ist eine Holdout-Gruppe: ein zufälliger Teil der gefährdeten Kunden, der keine Maßnahme erhält. Vergleichen Sie deren Churn mit der behandelten Gruppe. Ohne Holdout können Sie den Effekt Ihrer Angebote nicht von Kunden trennen, die ohnehin geblieben wären.

Eine realistische Betriebsschleife

1. Die Basis wöchentlich scoren.
2. Maßnahmen nach Uplift und Kosten für Kunden mit hohem Wert und hohem Risiko ordnen.
3. An den richtigen Kanal ausspielen: persönlicher Anruf, App-Benachrichtigung oder SMS.
4. Eine zufällige Kontrollgruppe zurückhalten.
5. Ergebnisse zurückspielen, um beide Modelle neu zu trainieren.

Diese Schleife, konsequent gefahren, zählt mehr als jeder einzelne clevere Algorithmus.

Key Takeaways

• Kombinieren Sie alle drei Signalfamilien. Nutzung, Abrechnung und Netzqualität sagen zusammen Churn weit besser voraus als jede für sich, und sie verweisen auf unterschiedliche Maßnahmen.
• Score ist nicht Behandlung. Ein Churn-Propensity-Modell findet, wer gefährdet ist; ein Next-Best-Offer-Modell entscheidet über die günstigste Maßnahme, die das Verhalten tatsächlich ändert.
• Konzentrieren Sie die Ausgaben auf hohen Wert und hohes Risiko. Treue Kunden zu rabattieren, die ohnehin geblieben wären, zerstört Marge. Zielen Sie auf den Quadranten oben rechts.
• Stimmen Sie das Angebot auf die Ursache ab. Ein Rabatt behebt keine Gesprächsabbrüche. Personalisierung heißt, den wirklichen Grund für die Abwanderung zu lösen.
• Fahren Sie immer eine Holdout-Gruppe. Sie ist der einzige glaubwürdige Weg, um zu belegen, dass das Programm Churn senkt, statt sich Kunden zuzuschreiben, die nie gehen wollten.