How To – Die Vorhersage von Kundenabwanderung

David gegen Goliath, Start-ups gegen Konzerne, Länder gegen Kontinente – Im Business geht es darum, den Kunden zu überzeugen, als langfristigen Kunden zu gewinnen, zu behalten und Kundenabwanderung zu verhindern. Wenn der Kundengewinn einmal erfolgt ist, was unter Umständen kostspielig ist, ist das Beibehalten essentiell für das Unternehmenswachstum und die Wettbewerbsfähigkeit. So schließt sich der Kreis in der Unternehmensführung vom Marketing zur Finanz hin zum Wachstum. Die Marketingabteilung ist nunmehr nicht nur verantwortlich für die Akquise von Kunden und den Verkauf, sondern auch für die Sicherung eines finanziellen Effekts.

Doch was benötigt ein Unternehmen, um genaue Vorhersagen zu generieren und wie kann ein Unternehmen künstliche Intelligenz nutzen, um Kundenabwanderung vorhersagen? Wir versuchen also die folgende Frage zu beantworten: „Wird ein bestimmter Kunde in den kommenden X Monaten unsere Geschäftsbeziehung verlassen?“ Was benötigen wir um diese Frage zu beantworten?

Daten – Zur Vorhersage von Kundenabwanderung

Um Analysen mit Machine Learning anzufertigen, benötigt man Daten von 1000enden von Kunden, 20-30 Variablen und das über einen längeren Zeithorizont, im so genannten Panel, das den Kunden eindeutig über einen Zeitraum identifiziert. Das stellt für Start-ups eine große Herausforderung dar. Für die Vorhersage von Kundenabwanderung ist es wichtig folgende Datenqualität einzuholen:

  1. Daten von Kunden, die Bestandskunden sind einerseits und andererseits von Kunden, die abgewandert sind.
  2. Daten zu bestimmten Charakteristika, wie z.B. Kundenstatus, Interaktionen mit dem Kundensupport, Gebrauch des Produkts/ Services, Kundenkontext.
  3. Daten zum Zeitraum. Je nach Geschäftsmodell wird ein Dienst oder eine Leistung monatlich, halbjährlich oder jährlich angeboten oder gebucht. Wenn eine solche Charakterisierung nicht möglich ist, lohnt es sich Daten für 2-3 Monate zu sammeln.
  4. Bereinigte und vollständige Daten. Um ein Modell mittels Machine Learning zu trainieren, werden möglichst vollständige Datenreihen benötigt. Das bedeutet das Daten unter Punkt 1-3 möglichst keine fehlenden Werte beinhalten sollten, sonst sollten die Daten bereinigt werden.

Modelle – Deep Learning löst herkömmliche OLS Regressionen ab

Bislang wurden herkömmliche OLS – Regressionen für die Vorhersage von Kundenabwanderung genutzt. Der Nachteil bei OLS Regressionen ist die Anfälligkeit auf Fehler, da die Vorhersage nur im Durchschnitt korrekt sein wird, sprich bei mehreren Wiederholungen. Neuerdings löst Machine Learning und darunter Neurale Netze, sprich Deep Learning Modelle, die bisherigen Regressionen ab. Vorteil hier, diese Modelle sind genauer in der Vorhersage, im Nachteil können sie im Durchschnitt inkorrekt sein und benötigen viele, möglichst aussagekräftige Daten, um im Durchschnitt korrekt zu sein. Für ein erfolgreiches Vorhersage Modell geht man wie folgt vor:

  1. Aufsetzen von Modellen, eines Regressions Modells und eines Machine Learning Ansatzes.
  2. Bestimmung von wichtigsten Variablen, dazu nutzt man Intuition und theoretische Ansätze.
  3. Vergleich der Modelle auf Performance mittels des sogenannten R^2 und anderen Performance Tests
  4. Neues Datenset kreieren. Wenn ein Model ausgewählt wurde, erstellt man noch ein gleiches Datenset für aktuelle Kunden und kann so die Kundenabwanderung für diese Kunden vorhersagen. Hier fügt man nur noch zwei zusätzliche Charakteristika hinzu, „Kunde wandert ab“ und „Kunde bleibt“ für die jeweilige Vorhersage.

Ein Vorteil von Deep Learning ist, dass es über die menschliche Intuition hinausgeht. Dieser Ansatz bringt Lösungen und Kombinationen von Variablen oder Einflussparametern hervor, die man vorher intuitiv nicht angenommen hätte, selbst bei jahrelanger Marketingrfahrung. Die Machine bringt sozusagen die Wahrheit über die Daten hervor und arbeitet mit der Vorgabe von Beispielen, hier Daten.

Ein Beispiel für die Aussagekraft von Machine Learning is wie folgt. So haben Forscher in einer Analyse von Mobilfunkkunden am Beispiel des Orange Churn Datasets rausgefunden, dass Kunden mit vielen Wochenendferngesprächen, die Spätzahler sind und viele Textnachrichten verschicken, sehr wahrscheinlich als Kunden abwandern werden. Eine sehr spezifische und schwer vorhersagbare Kombination.

IT Infrastruktur und Tools

Wie werden die Daten nun gesammelt ohne gegen Datenschutzkriterien zu verstoßen und gleichzeitig genug Insights für die eigene Geschäftsfrage, wie z.B. Kundenabwanderung zu generieren?

  1. Datensammlung. Viele Unternehmen sammeln Daten indem sie sich im Digitalen Marketing engagieren. Das bedeutet, wenn Kunden eine Homepage besuchen, werden Daten gesammelt. Hier ist es künftig wichtig auf die Datensammlung hinzuweisen und die Daten zu verschlüsseln. Hierzu gibt die t3n top Tips um die DSGVO Richtlinie einzuhalten.
  2. Datenkonsolidierung. Diese Daten können dann in Datenbanksysteme wie z.B. SQL eingespeist werden und mit Excel vorerst konsolidieren werden. Dazu benutzen Firmen Automatisierungen, die mittels Python oder R geschrieben werden können. Dies sind Programme, die verschiedene Plattformen und Datenquellen verbinden.
  3. Vorhersagetools. Welche Tools nutze ich dann, um die eigentliche Vorhersage zu machen? Tolle Tools, die sich hier anbieten sind z.B. Dataiku. Dieses Tool ermöglicht es verschiedene Modelle und Methoden auszuprobieren. Alternativ gibt es Vorhersage Services wie z.B. BigML oder die Google Cloud Machine Learning Engine, wo man bequem eine konsolidierte CSV Datei hochladen kann.

Um das Ganze zu testen gab es bislang ein frei zugängliches Datenset, das Orange churn data Datenset, welches 50,000 Datenpunkte und 230 Charakteristika der Telco „Orange“ gesammelt hat. Dieses Datenset ließ sich mit einem freien BigML Account analysieren. Mittlerweise bietet BigML eigene Samples an, wodurch man einen guten Eindruck bekommt was Machine Learning analytisch und auf Projektebene bedeutet.

Photo by Markus Spiske on Unsplash

Schreibe einen Kommentar

* Die DSGVO-Checkbox ist ein Pflichtfeld

*

Ich stimme zu

×
×

Warenkorb