Im Zusammenhang mit unserer Software und der täglichen Auseinandersetzung mit neuer Technologie tauchen viele Begrifflichkeiten auf, die meist nur fachkundigen Personen geläufig sind. Wir haben uns daher überlegt, dass wir in unserem Blog eine Reihe starten, in der wir diverse Begrifflichkeiten für Sie verständlich aufbereiten.
Den Start dieser Reihe macht der Churn Score. Im zweiten Teil erklären wir den CLV (Customer Lifetime Value) und im dritten Teil die NBA (Next Best Activity).
Der Churn Score, auch Churn Prediction genannt, ist der essenzielle Kern von CLARIFYDATA.BESTAND. Er ist eine Vorausanaylse, ob Kunden gefährdet sind abzuwandern. Eine Erfassung des Churn Scores bietet somit die Möglichkeit rechtzeitig und mit hoher Effektivität sowie auch Effizienz Kündigungsprävention zu betreiben, bevor es zu spät ist. Die Erfassung eines Churn Scores ist eine technische Errungenschaft, die erst durch die Entwicklung von KI und Machine Learning umsetzbar wurde. Vor dieser Entwicklung war die Analyse von Abwanderungsverhalten eine um einiges aufwändigere Tätigkeit, die nicht dieselbe Aktualität und Präzision aufweisen konnte, wie es die Churn Prediction kann.
Die hohen Akquisekosten, die sich im Bereich der Vertragsabschlüsse ergeben, können durch smarte Churn Score basierte Kundenbindungsmaßnahmen gesichert werden. Die vorzeitige Abwendung von Kundenabwanderung lässt durch die Churn Prediction umsetzen. Daher ist die Ermittlung des Churn Scores besonders in Branchen, die auf Abonnements und Vertragsabschlüssen basieren, wichtig.
Für die Ermittlung des Churn-Scores bedarf es vier Typen von Daten, die besonders wichtig sind, um eine präzise Churn Predicition zu erlangen.
1. Demografische Daten: Die individuellen Daten eines Kunden, wie Alter, Geschlecht, Wohnort, Beziehungsstatus etc., geben Aufschluss über erste Muster und Kundensegmente, die im Kundenstamm vorliegen. Diese Kundensegmente haben unterschiedliche Kündigungsgründe und Arten, wie sie kündigen.
2. Nutzungsdaten: Wenn ein Produkt oder Service angeboten wird, dann ist es sehr aufschlussreich, das dazugehörige Nutzungsverhalten zu analysieren. Wird ein Service bspw. immer seltener genutzt, dann kann dies ein Anzeichen für eine anstehende Kündigung sein.
3. Transaktionshistorie: Um potenzielle Kündiger frühzeitig ausfindig zu machen, sind die Daten der Transaktionshistorie sehr nützlich. Die Kaufhistorie, Stornos, Mahnungen oder die Bezahlmethode liefern der KI wichtige Informationen über den Kunden.
4. Kundenservice: Der eigene Kundenservice ist eine äußerst wichtige Informationsquelle für die Churn Prediction. Der Kundenkontakt und das Anliegen werden gespeichert. So werden Daten zu Beschwerden oder Problemen gesammelt. Diese Daten bilden eine wertvolle Grundlage für eine gute Prognosequalität bei der Churn Score Ermittlung.
Diese Daten bilden das Fundament, auf der die KI trainiert wird, Kündigungsrisiken auszumachen. Man nimmt also eine Mischung aus Wissen über den Kunden, zusammen mit vergangenen Kundenverhalten und erhält darüber eine Prognose über das zukünftige Verhalten des Kunden.