Abwanderungsprognose

Suite

Customer Experience Strategy & Research

Produkt

Qualtrics

Was finden Sie hier?

Über die Abwanderungsprognose

Bei der Abwanderungsprognose werden historische Daten herangezogen, um zu ermitteln, welche Kunden oder Benutzerkonten wahrscheinlich abwandern werden, bevor dies tatsächlich geschieht. Dies gibt Ihrem Team ein Signal, zu handeln, bevor es zu spät ist, was die Kundenbindung verbessern und die Abwanderungsrate Ihrer Organisation senken kann. Ein Abwanderungsmodell ist nur ein Bestandteil eines gut durchdachten Programms zur Verbesserung der Kundenerfahrung; es senkt die Abwanderungsrate zwar nicht von selbst, liefert aber wichtige Erkenntnisse darüber, welche Kunden gezielt angesprochen werden sollten, bevor sie abwandern.

Die Abwanderungsprognose ist keine einzelne Funktion. Ein umfassendes Programm zur Abwanderungsprognose befasst sich mit fünf spezifischen Fragen: Wer ist gefährdet, warum, welche Kohorten sind am anfälligsten, welche Maßnahmen sind wirksam und ob diese Maßnahmen etwas bewirkt haben. Jede Frage erfordert unterschiedliche Daten, unterschiedliche Methoden und unterschiedliche Maßnahmen.

Tipp: Möchtest du loslegen? Wenden Sie sich an Ihr Kundenbetreuungsteam, um Anwendungsfälle zur Verringerung der Abwanderungsrate und den richtigen Ansatz für Ihr Programm zu besprechen.

Zu beantwortende geschäftliche Fragen

Kundenbindungsprogramme sind am effektivsten, wenn sie das Gesamtbild berücksichtigen – also nicht nur, wer gefährdet ist, sondern auch warum und was dagegen unternommen werden kann. Die folgende Tabelle gibt einen Überblick über die wichtigsten geschäftlichen Fragestellungen und zeigt auf, wie Qualtrics bei der jeweiligen Fragestellung Unterstützung bietet.

Geschäftliche Frage	Was das bedeutet	Wenn es darauf ankommt	Wie Qualtrics dies unterstützt
Abwanderungswahrscheinlichkeit	Wer ist gefährdet? Welche Kunden oder Benutzerkonten werden am ehesten abwandern?	Sie verfügen über Daten auf Benutzerkonto-Ebene und müssen Ihre Kundenansprache priorisieren, bevor Kunden abwandern oder kündigen.	Bewertung der Prognosen auf Beobachtungsebene: Jeder Kunde oder jedes Benutzerkonto erhält eine Abwanderwahrscheinlichkeit und eine Risikoeinstufung. Dazu müssen Daten aus Umfragen, dem operativen Bereich und historischen Ergebnissen zusammengeführt werden.
Faktoren, die zur Kundenabwanderung führen	Warum gehen sie weg? Welche Faktoren tragen am stärksten zum Abwanderungsrisiko bei?	Sie möchten verstehen, welche Faktoren das Risiko in Ihrem Kundenstamm beeinflussen – und nicht nur, wer einem Risiko ausgesetzt ist.	Analyse der Einflussfaktoren auf Populationsebene: Ermittlung der Variablen, die die Abwanderung in Ihrem Programm am besten vorhersagen. Nützlich als Grundlage für strategische Prioritäten und die Programmgestaltung.
Abwanderungssegmente	Welche Kohorten weisen gemeinsame Risikoprofile auf? Welche Eigenschaften zeichnen sie aus?	Sie möchten Maßnahmen auf bestimmte Gruppen zuschneiden, anstatt alle Risikokunden gleich zu behandeln.	Segmentierungsanalyse und Erläuterungen: Gruppierung von Kunden nach gemeinsamen Merkmalen und Risikomerkmalen sowie Ermittlung der Merkmalskombinationen, die die höchste Abwanderungs- und Bindungsrate verursachen, um differenzierte Reaktionsstrategien zu entwickeln.
Maßnahmen zur Verringerung der Abwanderungsrate	Was sollen wir tun? Welche Maßnahmen sind am ehesten erfolgreich, und für wen?	Sie verfügen über Churn-Scores und müssen entscheiden, wie Sie vorgehen wollen: Welche Kunden sollen Vorrang haben, was sollen Sie sagen und über welchen Kanal.	Gestaltung von Maßnahmen und Aktionsplanung: Verknüpfung von Abwanderungssignalen mit Workflows, Kundenansprechkampagnen und geschlossenen Reaktionsmechanismen.
Ergebnisse zur Kundenabwanderung	Was hat funktioniert? Waren unsere Vorhersagen richtig, und haben unsere Maßnahmen etwas bewirkt?	Sie möchten den Kreis schließen: Sie möchten messen, ob die Maßnahmen die Abwanderungsrate gesenkt haben und ob das Modell auch im Laufe der Zeit noch zutreffend ist.	Ergebnisüberwachung und Validierung des Modells: – Vergleich der prognostizierten mit der tatsächlichen Abwanderungsrate, Messung der Kundenbindungsraten und Festlegung der Modellaktualisierungszyklen. Zuordnung des durch Interventionen erzielten zusätzlichen Anstiegs über verschiedene Kohorten hinweg.

Tipp: Der richtige Ansatz hängt vom Reifegrad Ihres Programms, der Verfügbarkeit der Daten und Ihren Geschäftszielen ab. Wenden Sie sich an Ihr Team für Benutzerkonten, um die für Ihre Anforderungen passende Lösung zu finden.

Erste Schritte mit der Abwanderungsprognose

Der richtige Ansatz für die Abwanderungsprognose hängt vom Reifegrad Ihres Programms, der Datenverfügbarkeit und Ihren Geschäftszielen ab. Wenden Sie sich an Ihr Team für Benutzerkonten, um Folgendes zu besprechen:

Über welche Daten verfügen Sie derzeit und welche müssten Sie noch erheben?
Welche der fünf oben genannten geschäftlichen Fragen sind für Ihr Programm derzeit am relevantesten?
Wie sehen ein realistischer Umfang und ein realistischer Zeitplan für Ihren Kontext aus?

Welche Daten benötigen Sie?

Die Abwanderungsprognose funktioniert am besten, wenn man mehrere Datenquellen kombiniert. Bitte beachten Sie, dass es sich bei diesen Quellen um allgemeine Empfehlungen handelt und die genauen Kennzahlen, die Sie erfassen, von Ihrer Branche, Ihrem CX-Programm, der jeweiligen geschäftlichen Fragestellung und dem jeweiligen Anwendungsfall abhängen:

Erfahrungsdaten: Zufriedenheitswerte (NPS, CSAT, CES), freitextliches Feedback, Antworten aus Beziehungs- und Transaktionsumfragen sowie unaufgefordertes Feedback (Beiträge in sozialen Medien, Online-Bewertungen, Kontaktzentrum).
Betriebsdaten: Je nach Branche können dazu Kennzahlen wie die Dauer der Kundenbeziehung, die Produktnutzung, das Volumen der Support-Anfragen, der Vertragswert, die Kaufhistorie, das Zahlungsverhalten und vieles mehr gehören.
Historische Daten: Eine Aufzeichnung darüber, welche Kunden tatsächlich abgewandert sind, die zum Trainieren und zur Validierung des Modells verwendet wird.

Qtip: Umfragen allein weisen erhebliche Einschränkungen bei der Vorhersage der Abwanderungsrate auf. Uninteressierte Kunden (die oft am stärksten gefährdet sind) füllen Umfragen seltener aus, was zu systematischen Lücken in der Erfassung führt. Die Kombination von Umfragesignalen mit anderen Verhaltens-, Betriebs- oder Erfahrungsdaten führt zu genaueren Modellen und verringert Verzerrungen bei den Antworten.

Führend vs. Nachlaufende Indikatoren

Nicht alle Datensignale sind gleich. Bei der Entwicklung eines Programms zur Abwanderungsprognose ist es hilfreich, zwischen Früh- und Spätindikatoren zu unterscheiden. Ein wirksames Mitarbeiterbindungsprogramm basiert auf Frühindikatoren. Das Ziel besteht darin, Risiken so früh zu erkennen, dass noch ein Eingreifen möglich und sinnvoll ist.

Frühwarnindikatoren sind Signale, die bereits vor der Abwanderung eines Kunden auftreten und Ihrem Team Zeit zum Handeln geben. Beispiele hierfür sind sinkende Engagement-Werte, eine geringere Produktnutzung, eine steigende Anzahl von Supportanfragen, steigende Aufwandswerte über alle Kontaktkanäle hinweg sowie Änderungen bei den Zahlungsmethoden.
Nachlaufende Indikatoren sind Signale, die bestätigen, dass eine Kundenabwanderung bereits stattgefunden hat oder unmittelbar bevorsteht, aber nur wenig Zeit für Gegenmaßnahmen lassen. Beispiele hierfür sind Kündigungen von Verträgen, Anträge auf Schließung von Benutzerkonten und fehlgeschlagene Zahlungen.

Voraussetzungen für eine erfolgreiche Abwanderungsprognose

Die Abwanderungsprognose auf individueller Ebene (die Bewertung jedes Kunden oder Benutzerkontos anhand der Wahrscheinlichkeit einer Abwanderung) gehört zu den anspruchsvollsten Arten der Prognose. Dazu ist Folgendes erforderlich:

Hohe Datenmenge: Ausreichend historische Datensätze, um aussagekräftige Muster zu erkennen, einschließlich einer ausreichenden Anzahl von Beispielen für tatsächliche Abwanderungs-Ereignisse.
Saubere, strukturierte Daten: Inkonsistente Daten, fehlende Werte und instabile Datenstrukturen beeinträchtigen die Leistung des Modells.
Professionelle Datenaufbereitung: Feature Engineering, Variablenumkodierung und Datenverknüpfung sind zeitaufwändige Voraussetzungen, die Fachwissen im Bereich Data Science erfordern.
Laufende Wartung: Modelle müssen neu trainiert werden, da sich Daten und Verhaltensmuster im Laufe der Zeit ändern.

FAQs

Warum wird die Registerkarte „Predict iQ“ unter „Daten und Analyse“ standardmäßig nicht angezeigt?

Predict iQ wird als Self-Service-Tool nicht mehr unterstützt, daher wird die Registerkarte in Ihrem Benutzerkonto nicht mehr angezeigt. Historische Prognosedaten bleiben davon unberührt. Wenn Sie daran interessiert sind, ein Kundenbindungsprogramm zu starten, wenden Sie sich bitte an Ihr Kundenbetreuungsteam, um die für Ihre Lizenz geeignete Vorgehensweise zu besprechen.

Viele Seiten dieses Portals wurden mithilfe maschineller Übersetzung aus dem Englischen übersetzt. Obwohl wir bei Qualtrics die bestmögliche maschinelle Übersetzung ausgewählt haben, um ein möglichst gutes Ergebnis zu bieten, ist maschinelle Übersetzung nie perfekt. Der englische Originaltext gilt als offizielle Version. Abweichungen zwischen dem englischen Originaltext und den maschinellen Übersetzungen sind nicht rechtlich bindend.

Hat Ihnen das weitergeholfen?

Das von Ihnen eingereichte Feedback, dient lediglich dazu, diese Seite zu verbessern.

Großartig! Vielen Dank für die Rückmeldung!

Vielen Dank für die Rückmeldung!