Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Churn Prediction

Definition: Churn Prediction (Abwanderungsvorhersage) bezeichnet den Einsatz von Machine-Learning-Modellen, die auf Basis von Verhaltens-, Transaktions- und Interaktionsdaten vorhersagen, welche Kunden in einem definierten Zeitfenster kurz- oder mittelfristig dazu neigen, ein Produkt zu kündigen, ein Abonnement zu beenden oder den Anbieter zu wechseln (Churn). Die Modelle berechnen für jeden Kunden einen individuellen Churn-Wahrscheinlichkeits-Score, der es Marketing- und CRM-Teams ermöglicht, proaktiv und kosteneffizient gezielte Retention-Massnahmen einzuleiten — bevor die Kündigung ausgesprochen wird, wenn Gegensteuerung noch wirksam ist.

Erläuterung

Churn ist in nahezu allen abonnement- und kundenbeziehungsbasierten Geschäftsmodellen einer der wichtigsten wirtschaftlichen Kennwerte: Ein um 5 % gesenkter Churn-Rate kann nach Forschung von Frederick Reichheld (Bain & Company, Boston) und Earl Sasser (Harvard Business School, Cambridge, Massachusetts) — publiziert in „Zero Defections: Quality Comes to Services" (Harvard Business Review, 1990) — den Unternehmenswert um 25–95 % steigern, da die Kosten der Neukundengewinnung typischerweise 5–25-mal höher sind als Bestandskundenbindungskosten. Die Vorhersage von Kundenabwanderung wurde in den frühen 2000er Jahren im Telekommunikationssektor professionalisiert: AT&T (Dallas, gegründet 1983 als Nachfolgeunternehmen von AT&T Bell Labs), T-Mobile und Verizon entwickelten frühe Churn-Prediction-Modelle, da in ihrem Markt mit hohem Wettbewerb und niedrigen Switching-Kosten die monatlichen Churn-Raten 2–3 % überschritten. Streaming-Dienste wie Netflix (Los Gatos, Kalifornien, gegründet 1997) und Spotify (Stockholm, gegründet 2006) haben Churn Prediction zu einem zentralen Bestandteil ihrer Daten-Infrastruktur entwickelt. Netflix kommunizierte, durch ML-basiertes Churn-Management und personalisierte Recommendation-Systeme (die Nutzerbindung durch relevante Content-Empfehlungen erhöhen) jährlich über 1 Milliarde USD an potenziellem Kundenverlust zu verhindern. Auf der technischen Seite nutzen moderne Churn-Prediction-Modelle Gradient-Boosting-Algorithmen (XGBoost, LightGBM) als leistungsstarke Baseline: Diese Methoden sind besonders geeignet für tabellarische Kundendaten mit vielen heterogenen Features und liefern sowohl hohe Präzision als auch interpretierbare Feature-Importance-Werte. Deep-Learning-Modelle (LSTM-Netzwerke für Zeitreihendaten) können bei reichhaltigen sequenziellen Verhaltensdaten besser performen, erfordern aber mehr Daten und Expertise.

Churn-Signale und Feature Engineering

Retention-Automatisierung auf Basis von Churn-Scores

Modelltraining und Evaluation

Praxistipp: Definieren Sie Churn präzise für Ihr Geschäftsmodell — ein zu weicher Churn-Begriff (z.B. „kein Kauf in 30 Tagen" im Saisongeschäft) führt zu falschen Positiven und verprassten Retention-Budgets. Beginnen Sie mit einem einfachen RFM-basierten Churn-Score als Baseline, bevor Sie komplexe ML-Modelle implementieren — oft liefern gut engineerte RFM-Regeln bereits 80 % des erreichbaren ROIs. Automatisieren Sie die Reaktion auf hohe Churn-Scores via CRM-Trigger (HubSpot, Salesforce): Kunden über dem Schwellenwert werden automatisch in eine Retention-Sequenz enrollt — das skaliert Ihre Retention-Massnahmen ohne proportionalen Personalaufwand.