Ein Kunde kündigt selten aus heiterem Himmel. Meist gibt es vorher Signale: die Bestellungen werden seltener, der Support bekommt schärfere Mails, eine Rechnung bleibt liegen. Das Problem im Alltag ist nicht, dass diese Zeichen fehlen, sondern dass niemand sie systematisch zusammenträgt, bevor der Vertrag gekündigt ist. Genau hier setzt Churn Prediction an: KI wertet die vorhandenen Daten aus und schätzt, welche Bestandskunden gerade dabei sind, abzuwandern, solange man noch reagieren kann.
Was Churn Prediction wirklich macht
Churn ist der englische Begriff für Kundenabwanderung. Ein Churn-Modell weist jedem aktiven Kunden eine Wahrscheinlichkeit zu, dass er in den nächsten Wochen oder Monaten kündigt oder inaktiv wird. Das Ergebnis ist kein Orakel, sondern eine Rangliste: Wer steht auf der Kippe, wer ist stabil? Die KI lernt dafür aus Ihrer eigenen Vergangenheit. Sie schaut sich an, wie sich Kunden verhalten haben, die tatsächlich gegangen sind, und sucht dieses Muster bei den heutigen Kunden.
Wichtig ist die Abgrenzung zur Absatzprognose. Die sagt Ihnen, wie viel Sie insgesamt verkaufen werden. Churn Prediction dreht sich um einzelne Kundenbeziehungen und die Frage, wer bleibt. Auch mit reiner Wettbewerbs- oder Preisbeobachtung hat das wenig zu tun, hier geht es um das Verhalten Ihrer bestehenden Kunden.
Für welche Betriebe sich das lohnt
Am meisten bringt eine Abwanderungsprognose dort, wo Umsatz wiederkehrt und ein einzelner Kunde über Jahre zählt. Typische Fälle sind Abo- und SaaS-Modelle, Wartungs- und Serviceverträge, Fitnessstudios, Energie- und Telekommunikationsangebote, aber auch der Fachgroßhandel mit festen Stammkunden. Wenn ein Kunde Sie über mehrere Jahre begleitet, ist es teurer, ihn zu ersetzen, als ihn zu halten. Als grobe Orientierung gilt in vielen Branchen, dass die Gewinnung eines Neukunden ein Mehrfaches dessen kostet, was ein gezieltes Halten eines Bestandskunden erfordert. Die genaue Relation hängt stark von Ihrem Geschäft ab, aber die Richtung stimmt fast immer.
Für Betriebe mit reinem Einmalgeschäft und ohne wiederkehrenden Kontakt ist der Aufwand dagegen oft zu hoch. Dort lohnt eher ein Blick auf Nachfassprozesse oder Bewertungsmanagement.
Welche Signale die KI auswertet
Ein Modell ist nur so gut wie die Daten, die es sieht. In der Praxis kommen die aussagekräftigsten Hinweise aus mehreren Quellen zusammen:
- Nutzungs- und Kaufverhalten: sinkende Bestellfrequenz, kleinere Warenkörbe, weniger Logins, ungenutzte Leistungen aus dem Vertrag.
- Servicekontakt: Häufung von Support-Tickets, Reklamationen oder eine ungewöhnlich lange Funkstille nach einem Problem.
- Zahlung und Vertrag: Zahlungsverzug, Rücklastschriften, ein nahendes Vertragsende oder eine gerade wirksam gewordene Preiserhöhung.
- Beziehungsdaten: Wechsel des Ansprechpartners beim Kunden, keine Reaktion mehr auf Angebote oder Newsletter.
Kein einzelnes dieser Signale bedeutet für sich genommen viel. Interessant wird es in der Kombination, und genau das erkennt ein Modell besser als das Bauchgefühl. Ein Kunde, der zwei Reklamationen hatte, seltener bestellt und dessen Vertrag in drei Monaten ausläuft, ist ein anderer Fall als jemand mit nur einem dieser Merkmale.
Was Sie an Daten dafür brauchen
Sie müssen nicht bei null anfangen, aber Sie brauchen Historie. Das Modell lernt aus Kunden, die in der Vergangenheit tatsächlich abgewandert sind, also brauchen Sie sowohl die Verläufe der Treuen als auch der Verlorenen. Meist stecken diese Daten schon im CRM, im Warenwirtschafts- oder Rechnungssystem und in den Nutzungsprotokollen Ihrer Software. Die eigentliche Arbeit liegt selten im Modell, sondern darin, diese Quellen sauber zusammenzuführen und Karteileichen, Dubletten und leere Felder zu bereinigen. Ohne verlässliche Daten liefert auch das beste Verfahren nur schöne, aber wertlose Zahlen.
Vom Score zur konkreten Handlung
Eine Risikoliste allein hat noch keinen Kunden gehalten. Der entscheidende Schritt kommt danach: Was tun Sie mit den gefährdeten Kunden? Sinnvoll ist, die Liste als Priorität für Ihr Team zu nutzen, nicht als Anlass für pauschale Rabatte. Ein Anruf des zuständigen Betreuers, ein ehrliches Nachfragen nach dem letzten Support-Fall oder ein passendes Angebot wirken oft mehr als der reflexhafte Preisnachlass, der nur die Marge frisst.
Gut funktioniert es, wenn das Modell nicht nur einen Wert ausgibt, sondern auch den wahrscheinlichen Grund benennt, etwa „häufige Reklamationen“ oder „Nutzung stark gesunken“. Dann weiß der Mitarbeiter, mit welcher Ansprache er ins Gespräch geht. Und Sie sollten messen, ob Ihre Maßnahmen wirken: Halten Sie fest, welche gefährdeten Kunden nach dem Kontakt geblieben sind. So verbessern sich Modell und Vorgehen mit der Zeit gemeinsam.
Grenzen und Datenschutz
Ein Modell zeigt Zusammenhänge, keine Ursachen. Dass gefährdete Kunden oft viele Tickets haben, heißt nicht automatisch, dass der Support schuld ist. Nutzen Sie die Prognose als Frühwarnung, nicht als Urteil. Falsch positive Treffer gehören dazu: Manche als riskant markierte Kunden wären ohnehin geblieben. Das ist kein Fehler des Systems, solange der Kontakt zu ihnen nicht schadet.
Datenschutzrechtlich bewegen Sie sich beim Bewerten einzelner Personen im Bereich des Profilings. Für Geschäftskunden ist das weniger heikel, bei Privatkunden gilt die DSGVO in vollem Umfang. Wichtig: Es darf keine automatische Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung allein durch das System fallen (Artikel 22 DSGVO). Eine Rangliste, die ein Mensch bewertet und über die Ansprache entscheidet, ist unkritischer als eine Automatik, die etwa ohne Prüfung Konditionen verschlechtert. Prüfen Sie die konkrete Ausgestaltung im Zweifel mit Ihrem Datenschutzbeauftragten, statt sich auf eine allgemeine Faustregel zu verlassen.
Realistisch einsteigen
Fangen Sie klein an. Ein sinnvoller erster Schritt ist, mit den vorhandenen Daten eine einfache Risikoliste zu bauen und sie einige Wochen gegen die Realität laufen zu lassen: Traf die Einschätzung zu? Erst wenn das Modell mehr trifft als Ihr Bauchgefühl und Sie einen klaren Prozess für die Ansprache haben, lohnt der Ausbau. Wer die Datenlage kennt, sieht schnell, ob sich der Aufwand rechnet.
Wenn Sie prüfen möchten, welche Ihrer Systeme dafür schon genug hergeben und wie ein schlanker, DSGVO-konformer Start aussehen kann, unterstützt Sie Parlak gern mit einer ehrlichen Ersteinschätzung, statt mit einem Rundumschlag, den am Ende niemand nutzt.
Weiterführend: Ratgeber: KI für Tischlereien