Kündigungen vorhersagen bevor der Kunde geht.

Einen Bestandskunden zu halten ist um ein Vielfaches günstiger, als einen neuen zu gewinnen — diese Binsenweisheit kennt jeder, und trotzdem reagieren die meisten Unternehmen erst, wenn die Kündigung schon im Postfach liegt. Dann ist es meist zu spät: Der Kunde hat innerlich längst abgeschlossen, der Wettbewerber steht bereit, und Rückhol-Rabatte verbrennen Marge, ohne die Beziehung wirklich zu reparieren. Churn Prediction dreht diese Logik um. Statt auf die Kündigung zu warten, erkennt ein Modell die Warnsignale Wochen vorher — sinkende Nutzung, ausbleibende Bestellungen, häufende Beschwerden — und gibt dem Kundenservice oder Vertrieb Zeit zu handeln, solange die Beziehung noch zu retten ist. Dieser Beitrag erklärt, welche Daten ein brauchbares Churn-Modell braucht, welche Vorwarnzeiten und Trefferquoten realistisch sind, welche Gegenmaßnahmen tatsächlich Bestand retten — und wo das Modell systematisch trügt, etwa bei stillen Kündigern oder seltenen Kaufzyklen.

Was Churn Prediction leisten kann — und was nicht.

Churn Prediction schätzt für jeden Bestandskunden eine Abwanderungswahrscheinlichkeit für einen definierten Zeitraum — etwa: „Wie wahrscheinlich ist es, dass dieser Kunde in den nächsten 90 Tagen kündigt oder aufhört zu kaufen?“ Das Modell lernt aus der Vergangenheit, welche Verhaltensmuster typischerweise einer Abwanderung vorausgingen.

Wichtig ist die richtige Erwartung. Das Modell sagt nicht, warum ein Kunde geht — es erkennt Muster, die mit Abwanderung korrelieren. Es liefert eine Prioritätenliste, keine fertige Diagnose. Die Frage nach dem Warum und die passende Gegenmaßnahme bleiben Aufgabe von Mensch und Gespräch.

Der eigentliche Wert liegt im Zeitgewinn. Ohne Modell reagiert man auf die Kündigung — reaktiv, teuer, oft vergeblich. Mit Modell bekommt man eine Liste gefährdeter Kunden, solange noch Spielraum für ein ehrliches Gespräch, eine Lösung des eigentlichen Problems oder ein passendes Angebot besteht. Diese Vorverlagerung ist der ganze Hebel — nicht eine magisch höhere Trefferquote.

Welche Signale Abwanderung ankündigen.

Die aussagekräftigsten Frühwarnsignale hängen stark vom Geschäftsmodell ab. Für ein Abomodell sehen sie anders aus als für einen B2B-Großhandel. Einige Muster wiederholen sich aber branchenübergreifend:

• Nutzungs- oder Bestellrückgang: Die Frequenz sinkt, die Warenkorbgröße schrumpft, einzelne Produktkategorien fallen weg. Das stärkste Einzelsignal in den meisten Modellen.
• Veränderte Kontaktmuster: Mehr Beschwerden, längere Reaktionszeiten auf Angebote, abnehmende Antwortbereitschaft.
• Zahlungsverhalten: Verzögerte Zahlungen, mehr Rückfragen zu Konditionen, Anfragen zu Vertragslaufzeiten.
• Stille: Paradoxerweise ist ausbleibende Aktivität oft das deutlichste Signal — ein Kunde, der nichts mehr fragt und nichts mehr bestellt, hat innerlich häufig schon gewechselt.

Ein gutes Modell gewichtet diese Signale automatisch und im Zusammenspiel. Ein einzelner ausbleibender Auftrag bedeutet wenig; ein ausbleibender Auftrag plus zwei Beschwerden plus eine Konditionsanfrage ergibt ein klares Bild. Genau dieses Zusammenführen vieler schwacher Signale ist die Stärke gegenüber einer einzelnen Kennzahl im Reporting.

Welche Daten ein brauchbares Modell braucht.

Churn Prediction braucht zwei Dinge: genug Kunden und genug Historie. Für seltene, große B2B-Beziehungen mit wenigen Dutzend Kunden funktioniert ein statistisches Modell schlecht — hier ist ein strukturiertes Key-Account-Management dem Algorithmus überlegen. Für Geschäftsmodelle mit Hunderten oder Tausenden Kunden entfaltet das Modell dagegen seinen Wert.

Entscheidend ist, dass historische Kündigungen sauber erfasst sind — mit Datum und idealerweise Grund. Das Modell lernt aus genau diesen Vergangenheitsfällen. Wer Kündigungen nur als „Kunde inaktiv“ markiert, ohne Zeitpunkt, nimmt dem Modell die Lerngrundlage. Realistisch braucht man mehrere hundert dokumentierte Abwanderungsfälle, um stabile Muster zu erkennen.

Welche Trefferquoten und Vorwarnzeiten realistisch sind.

Hier entstehen die meisten Missverständnisse. Ein Churn-Modell trifft keine Ja/Nein-Vorhersage, sondern liefert Wahrscheinlichkeiten. Die ehrliche Frage lautet: Wenn ich die 100 am stärksten gefährdeten Kunden anschaue — wie viele davon wären ohne Eingriff tatsächlich gegangen?

Realistisch ist, dass unter den als „hochgefährdet“ markierten Kunden ein deutlich höherer Anteil tatsächlich abwandert als im Durchschnitt aller Kunden — oft das Zwei- bis Vierfache der Grundabwanderungsrate. Das bedeutet konkret: Statt blind alle Kunden zu betreuen, kann das Team seine Aufmerksamkeit auf eine Gruppe richten, in der die Abwanderung deutlich konzentrierter ist. Das ist der praktische Nutzen — nicht eine perfekte Vorhersage jedes Einzelfalls.

Die Vorwarnzeit hängt vom Geschäftsmodell ab. Bei monatlicher Nutzung sind 30 bis 90 Tage Vorlauf typisch und nutzbar. Bei langen Kaufzyklen — etwa jährlichen Bestellungen — ist die Vorwarnung träger, weil schlicht weniger frische Signale vorliegen. Und ein ehrlicher Hinweis: Ein Teil der Kündigungen kommt durch externe Ereignisse zustande — ein Wechsel des Einkaufsleiters, eine Konzernentscheidung —, die kein Verhaltensmuster vorab anzeigt. Diese Fälle bleiben für jedes Modell unsichtbar.

Welche Gegenmaßnahmen wirklich Bestand retten.

Eine Risikoliste ist nur so gut wie das, was darauf folgt. Hier scheitern viele Projekte: Das Modell läuft, die Liste kommt — und dann werden reflexhaft Rabatte verschickt. Das ist meist der teuerste und schwächste Hebel.

Erfahrungsgemäß wirken differenzierte Maßnahmen besser. Sinnvoll ist, die Risikoliste mit dem mutmaßlichen Grund und dem Kundenwert zu verschneiden:

• Hoher Wert, lösbares Problem: persönliches Gespräch, echte Problemlösung. Hier lohnt der Aufwand am meisten.
• Hoher Wert, Preisthema: gezieltes, befristetes Angebot — aber nur, wenn der Kunde langfristig profitabel bleibt.
• Geringer Wert: automatisierte, günstige Ansprache oder bewusster Verzicht. Nicht jeder Kunde ist es wert, gehalten zu werden.

Entscheidend ist, dass die Wirkung messbar bleibt. Wer eine Gruppe gefährdeter Kunden betreut und eine vergleichbare Gruppe bewusst unbehandelt lässt, sieht nach einigen Monaten, ob die Maßnahmen wirklich Bestand gerettet haben — oder ob die betreuten Kunden ohnehin geblieben wären. Ohne diese Kontrollgruppe verwechselt man Aktivität leicht mit Wirkung.

Wo das Modell trügt.

Drei Fallstricke sind typisch. Erstens der stille Kündiger: Manche Kunden zeigen bis zuletzt unauffälliges Verhalten und wechseln dann abrupt — etwa wegen einer Konzernvorgabe oder eines persönlichen Wechsels auf Entscheiderebene. Solche Fälle hat kein Modell im Verhalten gesehen, und es ist ehrlicher, das zu benennen, als eine Scheingenauigkeit vorzugaukeln.

Zweitens die selbsterfüllende Prophezeiung in die falsche Richtung: Wenn ein Kunde als gefährdet markiert und daraufhin mit ungeschickten Rettungsversuchen überfallen wird, kann das die Abwanderung sogar beschleunigen. Die Ansprache muss zur Situation passen — ein plumper Rabatt-Anruf signalisiert dem Kunden vor allem, dass man ihn vorher nicht ernst genommen hat.

Drittens Datenverzerrung durch die Vergangenheit: Das Modell lernt aus alten Kündigungen. Ändert sich der Markt grundlegend — ein neuer Wettbewerber, eine neue Technologie —, können die alten Muster in die Irre führen. Regelmäßiges Nachtrainieren und ein wachsames Auge auf die Modellgüte sind deshalb Pflicht, kein Luxus.

Einstieg, Kosten, organisatorische Voraussetzungen.

Ein sinnvoller Einstieg beginnt mit einer abgegrenzten Kundengruppe und einer ehrlichen Datenprüfung: Sind genug dokumentierte Kündigungen vorhanden? Stimmen die Zeitpunkte? Ist die Nutzungs- oder Bestellhistorie sauber? Diese Inventur ist oft der aufwändigste Teil — und der wichtigste.

Ist die Datenlage tragfähig, liefert ein Pilot meist in acht bis zwölf Wochen erste belastbare Risikolisten. Investitionen für einen ersten Anwendungsfall liegen im Mittelstand typischerweise bei 30.000 bis 80.000 Euro, laufende Betriebskosten bei etwa 1.000 bis 3.000 Euro monatlich. Der Return entsteht über gehaltene Kunden — und schon eine spürbare Senkung der Abwanderung in der betreuten Gruppe rechnet sich angesichts der Differenz zwischen Halte- und Neugewinnungskosten meist schnell.

Die größte Hürde ist organisatorisch, nicht technisch: Die Risikoliste muss bei jemandem landen, der die Zeit, das Mandat und die Fähigkeit hat zu handeln. Ein Modell, das jeden Montag eine Liste produziert, die niemand abarbeitet, ist verlorene Investition. Churn Prediction ist erst dann ein Erfolg, wenn aus der Vorhersage verlässlich eine Handlung wird.

Sie wollen abwanderungsgefährdete Kunden früher erkennen, statt auf die Kündigung zu warten? Unverbindlich anfragen — wir prüfen gemeinsam, ob Ihre Kundenzahl und Ihre Datenhistorie für ein Churn-Modell tragen, und entwerfen einen realistischen Einstieg mit messbaren Rückhol-Maßnahmen.