In the Code: Churn Prediction

Schweizer Industrieunternehmen verdienen meist mehr mit Service als mit dem Verkauf ihres Produkts. Sie könnten darum stark profitieren von einer Applikation, die ihnen sagt, welche Kunden abzuspringen drohen. Dies schreibt Philipp Morf von Zühlke.
 
"Churn Prediction", Deutsch "Abwanderungsprognose", ist in einigen Branchen bestens bekannt: Ein Anbieter eines Dienstleistungsvetrags versucht vorherzusagen, ob ein Kunde im Begriff ist, seinen Vertrag nicht mehr zu verlängern. Gibt es entsprechende Anzeichen, kann man eine Kündigung eventuell verhindern, bevor sie ausgesprochen wird. Denn ist der Entscheid einmal gefallen, dürfte es schwierig werden, den Kunden noch einmal umzustimmen. Die Anwendung ist vor allem in Bereichen verbreitet, wo sehr viele ähnliche Unternehmen ein vergleichbares Produkt anbieten; ein klassisches Beispiel sind die Telekommunikationsanbieter. In den Unternehmen gibt es in der Regel gar eigene Abteilungen, die sich dieser Aufgabe widmen. Auch Banken und Versicherungen setzen seit einiger Zeit auf Churn Prediction zur Sicherung ihres Kundenportfolios.
 
Inzwischen ist das Thema auch in der Industrie angekommen. Gerade in der Schweiz hat Churn Prediction grosses Potenzial, da die Industrie hierzulande oft den grösseren Teil ihres Umsatzes mit dem Servicegeschäft erwirtschaftet. Da in dem Bereich ein starker Wettbewerb herrscht und Serviceleistungen nicht zwingend vom Hersteller einer Anlage stammen müssen, kann Kundenabwanderung den Umsatz ernsthaft mindern.
 
Erfährt ein Anbieter aber rechtzeitig von der Abwanderungsbereitschaft eines Kunden, kann er etwas dagegen unternehmen – beispielweise mit einem Gespräch oder mit einem besonders attraktiven Angebot. Interessant ist das vor allem für Unternehmen, die mit einer grossen Zahl von Kunden im Geschäft und deshalb nicht in der Lage sind, die aktuelle Loyalität jedes einzelnen Kunden einzuschätzen. Hier kann ein Machine-Learning-Ansatz seine Stärken ausspielen, indem ein entsprechender Algorithmus die Kundenbetreuer auf absprungbereite Kunden hinweist.
 
Um einen wirkungsvollen Algorithmus zu entwickeln, braucht ein Unternehmen einen möglichst grossen Datensatz über Kundenhistorien. Die Güte des Modells hängt davon ab, ob es gelingt, Daten zu allen relevanten Treibern von Kundenabwanderungen (z.B. Handwechsel einer Anlage, neue günstigere Serviceangebote etc.) auszuwerten.
 
Aus dem Datenschatz entwickelt ein Data Scientist mittels Machine Learning ein Modell, welches die Zusammenhänge zwischen den Daten zu den Abwanderungstreibern und dem Ergebnis (der Kunde verlängert oder kündet den Vertrag) abbildet – dem eigentlichen Churn-Prediction-Algorithmus.
 
Hat man einen solchen Vorhersage-Algorithmus erst einmal vorliegen, muss man seine Tauglichkeit testen – denn der beste Data Scientist kann vor der Algorithmenentwicklung nicht sagen, wie sich der Ansatz in der Praxis bewährt, da die Modelle sehr komplex sind. Darum empfehlen wir bei Zühlke, den Prototypen möglichst früh zu evaluieren.
 
Aus diesem Test lässt sich der eigentliche Business-Case ableiten. Es gibt vier mögliche Fälle, die man beim Einsatz eines Algorithmus geschäftlich berücksichtigen muss:
 
Erstens: Der Algorithmus prognostiziert eine hohe Absprungwahrscheinlichkeit, und der Kunde kündigt tatsächlich (true positive).
 
Zweitens: Der Algorithmus prognostiziert eine geringe Absprungwahrscheinlichkeit, und der Kunde verlängert seinen Vertrag (false negative).
 
Drittens: Der Algorithmus prognostiziert eine hohe Absprungwahrscheinlichkeit, doch der Kunde verlängert seinen Vertrag (false positive).
 
Viertens: Der Algorithmus prognostiziert eine geringe Absprungwahrscheinlichkeit, doch der Kunde kündigt seinen Vertrag (true negative).
 
Jedes Modell wird nebst den gewünschten Fällen (true positive, false negative) auch Fehlprognosen (eben false positive, true negative) machen. Nun muss man diese beiden Fälle möglichst gut beziffern, um die Profitabilität einer solchen Lösung zu berechnen: Was kostet es, einem Kunden einen Rabatt zu geben, auch wenn er auch ohne diesen geblieben wäre? Was jener, der einfach abgesprungen ist, ohne dass man eine Chance hatte, ihn vom Gegenteil zu überzeugen? Hier bestehen übrigens Parallelen zum Thema Predictive Maintenance – hier lauten die analogen Fragestellungen was es kostet, eine eigentlich überflüssige Reparatur zu früh vorzunehmen, und wie hoch ist der Schaden, wenn doch einmal eine Anlage stillsteht, weil die Abnutzung nicht recht vorhergesagt wurde? Im Hinblick auf die geschäftliche Wirkung haben die beiden Anwendungsfälle Churn Prediction und Predictive Maintenance demnach gewisse Ähnlichkeiten: Einmal geht es um den Unterhalt einer Anlage, das andere Mal um den Unterhalt der Kundenbeziehung – das aber nur am Rande.
 
Hat man ein taugliches Modell entwickelt, stellt sich Fragen nach der Operationalisierung der Lösung: Lässt sich die Applikation in eine bestehende Customer- Relationship-Management-Lösung integrieren? Oder wird sie als Stand-Alone-Lösung umgesetzt? Auf welcher Datenplattform wird das Modell entwickelt und gewartet? Denn auch die Wartung ist ein wichtiger Aspekt einer Churn-Prediction-Lösung: Dabei geht es nicht nur um technische Aspekte zum Systemunterhalt, sondern auch um das Modell selber. Gerade bei der Churn Prediction muss man damit rechnen, dass die Kunden sich an das Modell gewöhnen und es so an Wirksamkeit einbüssen kann. Bei den Telekommunikationsanbietern ist das Phänomen bereits bekannt: Will man heutzutage das beste Angebot herausholen, kündigt man am besten gleich auf den erstmöglichen Zeitpunkt. Haben sich die Kunden an das bestehende Modell gewöhnt, müssen die Algorithmen nachtrainiert werden. Das Modell lernt vom Verhalten der Kunden, doch die Kunden lernen selbst wiederum vom Modell und passen ihr Verhalten entsprechend an.
 
Die Implementierung einer Churn-Prediction-Lösung ist eine interdisziplinäre Aufgabe, bei welcher datentechnische, systemtechnische, prozessuale und geschäftliche Aspekte berücksichtigt werden müssen. Werden diese Aspekte in Einklang gebracht, ist Churn Prediction eine effektive Massnahme zur Sicherung des Umsatzes im (industriellen) Servicegeschäft, die sich schnell bezahlt macht. (Philipp Morf)
 
Über den Autor
Philipp Morf ist Business Solution Manager bei Zühlke. Seine Schwerpunkte liegen im Technologie- und Innovationsmanagement sowie in der Strategie- und Prozessentwicklung.