Prädiktive Churn-Prävention: Wie KI gefährdete Kunden 90 Tage vor ihrem Abgang erkennt

Die RFM-Segmentierung identifiziert Kunden, die bereits abgewandert sind. Die prädiktive Churn-Prävention arbeitet vor diesem Signal und identifiziert Kunden, die am wahrscheinlichsten abwandern werden, bevor ihr Verhalten die Vorhersage offensichtlich macht.

Wie Churn in B2C-Daten wirklich aussieht

Churn in B2C-Unternehmen passiert selten als diskretes Ereignis. Kunden driften — besuchen seltener, geben weniger aus, engagieren sich weniger und hören schließlich ganz auf.

Rückläufiges E-Mail- und WhatsApp-Engagement: Ein Kunde, der früher jede Nachricht öffnete und jetzt nur eine von fünf öffnet, ist nicht einfach beschäftigt.

Schrumpfender Warenkorb: Ein Kunde, der 85 € pro Transaktion ausgibt und allmählich auf 40 € zurückgeht, signalisiert eine veränderte Beziehung.

Kanalwechsel: Ein Kunde, der vom Ladengeschäft zu online zu keinem Kanal wechselt, folgt einem vorhersehbaren Desengagement-Bogen.

Reduzierte Besuchsfrequenz ohne Erklärungsereignis: Ein Kunde, der alle 10 Tage besucht und plötzlich alle 25 Tage — da hat sich etwas verändert.

Das Interventionsfenster

Wochen 1–4 nach Erkennung: Die Intervention sollte wie ein natürlicher Kontaktpunkt wirken. Eine WhatsApp-Nachricht, die sich auf etwas Spezifisches aus der Geschichte des Kunden bezieht.

Wochen 5–8: Wenn kein Engagement auf die erste Nachricht, Spezifität erhöhen. Eine Nachricht von einer namentlich genannten Person, die zu einer Antwort einlädt statt zu einem Kauf zu drängen.

Wochen 9–12: Das letzte Interventionsfenster — ein bedeutsamer Wertgrund zur Rückkehr, kein Rabatt.

Für das RFM-Modell, das die Churn-Segmenterkennung speist, siehe Kohortenanalyse für B2C-Marketer: Welche Akquisitionskanäle dauerhafter Loyalität aufbauen. Für Lifecycle-Trigger-Kampagnen, siehe Trigger-Based Marketing: The 7 Customer Signals That Should Launch Automatic Campaigns.