Churn Probability

Definition: Churn Probability (deutsch: Abwanderungswahrscheinlichkeit) ist eine von Google Analytics 4 bereitgestellte Predictive Metric (Vorhersagemetrik), die mittels maschineller Lernverfahren für jeden aktiven Nutzer schätzt, mit welcher Wahrscheinlichkeit dieser in den nächsten sieben Tagen die Website oder App nicht mehr besuchen wird. Der Begriff "Churn" stammt aus dem englischen Sprachraum und bezeichnet im Kontext von Kundenbeziehungen die Abwanderung oder den Verlust eines Kunden bzw. Nutzers. Die Churn Probability ist damit das Gegenstück zur Purchase Probability – während Purchase Probability die Kaufwahrscheinlichkeit vorhersagt, prognostiziert die Churn Probability das Ausbleiben künftiger Besuche. GA4 berechnet diese Metrik auf Basis historischer Nutzungsdaten und erkennt Muster, die typischerweise einer Abwanderung vorausgehen: nachlassende Besuchsfrequenz, sinkende Engagement-Tiefe, ausbleibende Interaktionen mit zuvor genutzten Features. Als Teil der Predictive Audiences von GA4 können Nutzer mit hoher Churn Probability in Zielgruppen gebündelt und für gezielte Reaktivierungskampagnen in Google Ads oder anderen Kanälen angesprochen werden. Die Churn Probability ist damit ein zentrales Werkzeug für proaktives Retention Marketing, das auf datengetriebener Früherkennung statt auf reaktivem Handeln nach erfolgter Abwanderung basiert.

Erläuterung

Das Machine-Learning-Modell hinter der Churn Probability analysiert das bisherige Verhalten eines Nutzers auf der Website oder App und vergleicht es mit Verhaltensmustern, die in der Vergangenheit zu einer Abwanderung geführt haben. GA4 betrachtet dabei eine Vielzahl von Signalen: Wie oft hat der Nutzer die Website besucht? Wie lange liegt der letzte Besuch zurück? Welche Inhalte oder Features hat er genutzt? Hat er in der Vergangenheit konvertiert? Wie hat sich sein Engagement in den letzten Wochen entwickelt? Aus der Kombination dieser Signale berechnet das Modell eine Wahrscheinlichkeit zwischen 0 und 100 Prozent, die ausdrückt, wie wahrscheinlich eine Inaktivität in den nächsten sieben Tagen ist.

Damit GA4 die Churn Probability berechnen kann, müssen bestimmte Voraussetzungen erfüllt sein: Die Property muss über ausreichend historische Daten verfügen – GA4 gibt als Mindestanforderung typischerweise mehrere Hundert Nutzer an, die ein Wiederkehr- und Abwanderungsmuster zeigen. Außerdem muss Google Signals aktiviert sein, und das Modell benötigt eine gewisse Anlaufzeit, um aus den Daten lernen zu können. Für sehr kleine Websites oder Apps mit geringem Traffic ist die Churn Probability daher möglicherweise nicht verfügbar.

Ein wichtiger Aspekt bei der Interpretation der Churn Probability ist die Frage, was "aktiv" bedeutet. GA4 betrachtet für diese Metrik in der Regel Nutzer, die in den letzten 28 Tagen aktiv waren. Ein Nutzer, der in diesem Zeitraum die Website mindestens einmal besucht hat, wird als aktiv klassifiziert und bekommt eine Churn-Probability-Score zugewiesen. Nutzer, die länger inaktiv sind, haben bereits "gechurnt" und werden nicht mehr für diese Metrik berücksichtigt.

Die praktische Nutzung der Churn Probability erfolgt vor allem über zwei Wege: erstens über die Predictive Audiences in GA4, mit denen Nutzergruppen mit hoher, mittlerer oder niedriger Abwanderungswahrscheinlichkeit gebildet und direkt in Google Ads exportiert werden können; zweitens über die Explorations-Berichte in GA4, in denen die Churn Probability als Metrik oder Dimension genutzt werden kann, um Segmente mit hohem Abwanderungsrisiko tiefergehend zu analysieren. In Kombination mit dem Customer Lifetime Value eines Nutzers entsteht eine Priorisierungsmatrix: Nutzer mit hohem Lifetime Value und hoher Churn Probability sind diejenigen, für die Reaktivierungsmaßnahmen den höchsten ROI versprechen.

Abgrenzung zu verwandten Predictive Metrics

• Purchase Probability: Schätzt, mit welcher Wahrscheinlichkeit ein Nutzer in den nächsten sieben Tagen einen Kauf abschließen wird – also das Gegenteil der Churn Probability. Wird für Conversion-Optimierung und High-Intent-Zielgruppen genutzt.
• Predicted Revenue: Prognostiziert den voraussichtlichen Umsatz, den ein Nutzer in den nächsten 28 Tagen generieren wird. Ermöglicht die Priorisierung von Marketing-Investitionen nach erwartetem Wert statt nach realisiertem Umsatz.
• Klassische Retention-Metriken: Retention-Rate und Wiederkehrende-Nutzer-Rate sind rückblickende Metriken – sie zeigen, wie viele Nutzer zurückgekehrt sind. Churn Probability ist vorausschauend und ermöglicht proaktives Handeln, bevor die Abwanderung stattgefunden hat.

Voraussetzungen und Grenzen der Churn Probability

• Datenvolumen: Das ML-Modell benötigt eine ausreichende Datenbasis mit Nutzern, die sowohl Wiederkehr- als auch Abwanderungsmuster gezeigt haben. Für sehr kleine Websites ist die Metrik möglicherweise nicht verfügbar.
• Google Signals: Für eine optimale Modellgüte sollte Google Signals in der GA4-Property aktiviert sein, da dies die Datenbasis für das Modell erweitert.
• Keine Granularität auf Einzelnutzerebene: In der GA4-Benutzeroberfläche ist die Churn Probability nur als aggregierte Metrik für Nutzersegmente sichtbar, nicht als individueller Score für einzelne Nutzer – dies schützt die Privatsphäre.
• Modellgenauigkeit variiert: Die Vorhersagegenauigkeit des Modells hängt stark von der Datenmenge und -qualität ab. Für Nischen-Websites oder solche mit sehr unregelmäßigem Traffic können die Vorhersagen unzuverlässig sein.
• Sieben-Tage-Horizont: Die Churn Probability ist auf einen Vorhersagehorizont von sieben Tagen fixiert. Für längerfristige Abwanderungsprognosen sind eigene Modelle in BigQuery erforderlich.