Churn-Prediction-Modelle aus dem Verhalten der Subscriber bauen

# Churn-Prediction-Modelle aus dem Verhalten der Subscriber bauen

Eine Prepaid-Kundin, die früher jede Woche aufgeladen hat, lädt jetzt einmal im Monat auf. Letzten Dienstag hat sie ihre zweite Beschwerde wegen Gesprächsabbrüchen eingereicht. Gestern wurde eine Nummer aus ihrer Vorwahl zu einem Wettbewerber portiert. Keines dieser Signale ist für sich genommen alarmierend. Zusammen sind sie eine Subscriberin, die still ihre Koffer packt.

Ihre Aufgabe ist es, das zu sehen, bevor sie geht.

Warum Churn die Zahl ist, die Telekom-CFOs wachhält

Churn ist die Rate, mit der Subscriber über einen Zeitraum abwandern, meist monatlich ausgedrückt. In Prepaid-Märkten ist sie brutal. Es gibt keinen Vertrag, keine 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 →ündigungsgebühr, und der Wechsel kostet dank Mobile Number Portability (MNP), dem regulatorischen System, mit dem ein Subscriber seine Rufnummer zum neuen Anbieter mitnehmen kann, fast nichts.

Einen neuen Subscriber zu gewinnen kostet deutlich mehr, als einen bestehenden zu halten. Das wird branchenweit zitiert und ist der Grund, warum Retention ernsthaftes Geld bekommt. Wenn Sie einen gefährdeten High-Value-Subscriber ein paar Wochen früher markieren 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 →önnen, kann ein Retention-Team eingreifen: ein gezielter Datenbonus, ein Loyalty-Angebot, ein Anruf vom Care-Team.

Der Knackpunkt ist das Targeting. Wer alle mit Rabatten überschüttet, verbrennt Marge bei Leuten, die ohnehin nie gegangen wären. Ein gutes Churn-Modell sagt Ihnen *wer*, *wie wahrscheinlich* und idealerweise *warum*.

Verhalten in Features übersetzen

Ein Modell ist nur so gut wie seine Inputs. Im Machine Learning ist ein Feature eine messbare Eingangsvariable. Rohe Telekomdaten sind keine Features; sie sind Call Detail Records, Aufladeprotokolle und Beschwerdetickets. Sie müssen daraus Signal herausarbeiten.

Hier die Kategorien, die für unseren Prepaid-Anbieter zählen.

Auflade- und Ausgabeverhalten

Das stärkste Prepaid-Signal ist das Top-up. Ein rückläufiges Aufladeverhalten ist das klarste „Ich gehe"-Zeichen, das es gibt.

Nützliche Features:

• Tage seit dem letzten Top-up
• Top-up-Frequenz diesen Monat gegenüber dem gleitenden Dreimonatsdurchschnitt
• Durchschnittlicher Aufladebetrag und dessen Trend
• Geschwindigkeit des Guthabenverbrauchs (lassen sie das Guthaben auslaufen, ohne nachzuladen?)

Der *Trend* zählt mehr als das *Niveau*. Ein Subscriber, der immer monatlich auflädt, ist unauffällig. Ein Subscriber, der von wöchentlich auf monatlich gefallen ist, ist der Alarm.

Nutzungsverhalten

• Sprachminuten, SMS-Anzahl und Datenvolumen, jeweils als Trend
• Anzahl der unterschiedlichen angerufenen Personen (ein schrumpfender sozialer Kreis in Ihrem Netz geht einem Wechsel oft voraus)
• Off-net-Anteil der Anrufe: Wenn mehr Gespräche in *andere* Netze gehen, sind die Freunde vielleicht schon weg, und Netzwerkeffekte ziehen nach

Netzerfahrung

Hier kommen die Beschwerden über Gesprächsabbrüche ins Spiel. Schlechte Erfahrung ist ein Churn-Beschleuniger.

• Anzahl der Gesprächsabbrüche pro Woche
• Eingereichte Beschwerdetickets und ob sie gelöst wurden
• Am häufigsten genutzte Funkzellen, verknüpft mit bekannten Abdeckungs- oder Überlastungsproblemen

Wenn die Heimatfunkzelle eines Subscribers ein Überlastungsproblem hat und 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 → zwei Beschwerden eingereicht hat, ist das ein kumuliertes Risiko, das Sie buchstäblich kartieren 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 →önnen.

Wettbewerbs- und Marktsignale

MNP-Portierungsdaten sind Gold wert. Regulierer und Clearingstellen veröffentlichen Portierungsaktivitäten, und Betreiber verfolgen Port-out-Anfragen nahezu in Echtzeit.

• Port-out-Anfrage-Flag (ein Subscriber, der eine Portierung angestoßen hat, ist schon halb draußen)
• Lokale Portierungsgeschwindigkeit: Gibt es im Postleitzahlgebiet des Subscribers einen Anstieg an Portierungen zu einem Wettbewerber, vielleicht weil ein Rivale gerade einen aggressiven Tarif gestartet hat?

Wert und Kundendauer

Nicht jeder Churn ist gleich. Einen High-Value-Subscriber zu verlieren tut mehr weh.

• ARPU (Average Revenue Per User), das Standardmaß der Telekombranche für Umsatz pro Subscriber und Periode
• Tenure in Monaten (neuere Subscriber churnen häufiger)
• Ob sie im obersten Umsatzdezil liegen (Ihr „High-Value"-Flag)

Das Modell aufsetzen

Das ist ein Problem der binären Klassifikation: Für jeden Subscriber die Wahrscheinlichkeit vorhersagen, dass 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 → in einem definierten Zukunftsfenster churnt.

Definieren Sie Churn präzise. Für Prepaid ist eine verbreitete Definition: keine umsatzgenerierende Aktivität über eine festgelegte Anzahl aufeinanderfolgender Tage (etwa 30 oder 60), weil es kein formales 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 →ündigungsereignis gibt. Legen Sie das Fenster fest, dokumentieren Sie es und bleiben Sie dabei.

Bauen Sie dann einen gelabelten Datensatz. Nehmen Sie einen Snapshot der Features zu einem Zeitpunkt und schauen Sie dann nach vorn, wer tatsächlich gechurnt ist. Dieses Vorwärtsfenster ist Ihr Label.

# Illustrativ: Churn labeln als keine Aktivität in den nächsten 30 Tagen
import pandas as pd

df['label_churn'] = (df['days_to_next_activity'] > 30).astype(int)

features = [
    'days_since_last_topup',
    'topup_freq_ratio_3m',      # dieser Monat vs. 3-Monats-Durchschnitt
    'data_volume_trend',
    'dropped_calls_7d',
    'unresolved_complaints',
    'offnet_call_share',
    'port_out_flag',
    'area_port_velocity',
    'arpu',
    'tenure_months',
]

X = df[features]
y = df['label_churn']

Fangen Sie einfach an. Eine logistische Regression (ein Modell, das eine Wahrscheinlichkeit zwischen 0 und 1 ausgibt) oder ein Gradient-Boosted-Tree-Modell wie XGBoost bewältigt das gut und erlaubt Ihnen vor allem zu erklären, welche Features jeden Score getrieben haben. Erklärbarkeit zählt, wenn ein Retention-Manager fragt: „Warum ist diese Person markiert?"

Für eine solide, kostenlose Grundlage zum Modellierungs-Workflow deckt Googles Machine Learning Crash Course Klassifikation und Evaluation sauber ab.

🎬 [VIDEO: "Customer ChurnCustomer ChurnDie 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 → Prediction Explained" - youtube.com - ein Durchgang, wie man Churn als Klassifikation aufsetzt und Verhaltens-Features engineert]

Scoring, Schwellenwerte und Handeln auf Basis des Outputs

Das Modell gibt eine Wahrscheinlichkeit aus. Daraus Handlung zu machen erfordert zwei weitere Entscheidungen.

Wo setzen Sie den Schwellenwert? Ein Subscriber mit Score 0,82 ist hochriskant. Aber handeln Sie bei 0,5? Bei 0,7? Das ist eine Business-Entscheidung, keine mathematische. Höhere Schwellen bedeuten weniger, dafür sicherere Flags (Sie übersehen einige Abwanderer). Niedrigere Schwellen fangen mehr Abwanderer ein, verschwenden aber Angebote an Fehlalarme.

Wie priorisieren Sie? Kombinieren Sie Churn-Wahrscheinlichkeit mit Wert. Ein Subscriber mit 0,6 Churn-Wahrscheinlichkeit und hohem ARPU verdient womöglich eher eine Intervention als einer mit 0,9 Wahrscheinlichkeit und minimalen Ausgaben. Ein einfacher Ansatz ist ein Expected-Loss-Score:

priority = churn_probability * monthly_ARPU

Das bringt automatisch die gefährdeten *High-Value*-Subscriber nach oben, um die es in unserem Einstieg geht.

Das Modell ehrlich messen

Nutzen Sie nicht die rohe Accuracy. Churner sind eine Minderheit, also kann ein Modell, das „niemand churnt" vorhersagt, akkurat aussehen und nutzlos sein.

Nutzen Sie:

• Precision: Wie viele der Markierten sind tatsächlich gechurnt
• Recall: Wie viele der Gechurnten haben wir erwischt
• Lift: Wie viel besser das am höchsten gescorte Segment gegenüber zufälligem Targeting abschneidet

Lift ist die Kennzahl, die Retention-Teams sofort verstehen. Wenn die obersten 10 Prozent Ihrer gescorten Liste viermal so viele Churner enthalten wie zufällige 10 Prozent, ist das 4x Lift, und das ist der Wert, den Sie dem CFO verkaufen.

Vom Modell zum Retention-Programm

Ein Score, der in einer Datenbank liegt, rettet niemanden. Das Modell muss einen operativen Loop speisen.

1. Regelmäßig scoren. Prepaid-Verhalten bewegt sich schnell, also schlägt wöchentliches oder sogar tägliches Scoring das monatliche. Ein Guthabensignal ist verderblich.

2. Nach Segment routen. High-Value-Subscriber mit hohem Risiko bekommen vielleicht einen proaktiven Care-Anruf. Mittlere Werte bekommen ein automatisiertes SMS-Angebot. Geringe Werte bekommen vielleicht nichts, und das ist eine legitime Entscheidung.

3. Das Angebot zum Treiber passend wählen. Hier zahlen sich erklärbare Features aus. Wenn das Flag von Gesprächsabbrüchen getrieben ist, löst ein Rabatt kein Abdeckungsproblem, aber eine Anerkennung plus ein Zeitplan für die Netzbehebung vielleicht schon. Wenn es vom günstigeren Datentarif eines Wettbewerbers getrieben ist, ist ein gezielter Datenbonus der richtige Hebel.

4. Eine Kontrollgruppe zurückhalten. Halten Sie immer eine zufällig ausgewählte Gruppe gefährdeter Subscriber, die keine Intervention erhält. Vergleichen Sie deren Churn mit der behandelten Gruppe. Ohne Kontrolle 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 →önnen Sie nicht belegen, dass das Programm gewirkt hat, und zahlen womöglich dafür, Leute zu halten, die ohnehin geblieben wären.

Ein konkretes Durchspielen

Zurück zu unserer Subscriberin. Ihr Feature-Vektor: Tage seit dem letzten Top-up steigend, Top-up-Frequenzverhältnis bei 0,25 (sie lädt ein Viertel so oft auf wie früher), zwei ungelöste Beschwerden wegen Gesprächsabbrüchen, steigender Off-net-Anteil, und ihr Postleitzahlgebiet zeigt erhöhte Portierungsgeschwindigkeit zu einem Wettbewerber. ARPU im obersten Dezil.

Ihre Churn-Wahrscheinlichkeit kommt bei 0,78 heraus. Multipliziert mit ihrem ARPU landet sie nahe der Spitze der Prioritätenliste. Die dominanten Features sind der Einbruch der Aufladungen und die ungelösten Beschwerden.

Die 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 schreibt sich fast von selbst: Ein Care-Agent ruft an, löst die Abdeckungsbeschwerde (oder erklärt den Zeitplan zur Behebung) und bietet einen Loyalty-Datenbonus an. Wenn die Portierung zum Wettbewerber preisgetrieben war, hat sie jetzt einen Grund zu bleiben. Sie haben eingegriffen, während sie noch am Entscheiden war, nicht nachdem sie portiert hatte.

Key Takeaways

• Die stärksten Prepaid-Churn-Signale sind Verhaltenstrends, vor allem die sinkende Top-up-Frequenz, nicht statische Snapshots. Modellieren Sie die Veränderung, nicht das Niveau.
• Engineeren Sie Features über fünf Kategorien: Aufladung, Nutzung, Netzerfahrung, Wettbewerbs- und MNP-Portierungssignale sowie Subscriber-Wert.
• Priorisieren Sie nach Expected Loss (Churn-Wahrscheinlichkeit mal ARPU), damit Retention-Budget auf gefährdete High-Value-Subscriber zielt, nicht auf alle.
• Beurteilen Sie das Modell an Precision, Recall und Lift, nie an roher Accuracy, weil Churner eine Minderheitsklasse sind.
• Ein Score ist wertlos ohne operativen Loop: häufig scoren, das Angebot zum Churn-Treiber passend wählen und immer eine Kontrollgruppe behalten, um Wirkung zu belegen.