SlideShare ist ein Scribd-Unternehmen logo
1 von 27
Seite 1Kündigerprävention
Ein Loch ist im Eimer
Seite 2Kündigerprävention
• Ausgangslage
• Ziel
• Datenbasis und Zielgröße
• Einschränkungen
• Einflussvariablen
• Scoring
• Fazit
Agenda
Seite 3Kündigerprävention
Marancon – Unsere Kunden
Seite 4Kündigerprävention Folie 4
Seite 5Kündigerprävention
• Rund 50 % der Abonnements-Kündigungen entfallen auf potenziell beeinflussbare Kündigungsgründe.
• In der Kommunikation mit dem Kunden ist der Kundenlebenszyklus nicht optimal abgedeckt.
• Das Zufriedenheitsmanagement steht deutlich hinter Neukundengewinnung und Kündigerrückgewinnung zurück.
• Kundenbindungsmaßnahmen erfolgen nach dem „Gießkannen-Prinzip“. Vorhandene Informationen werden nicht
vollumfänglich genutzt.
Kundenbindung ausbaufähig
Seite 6Kündigerprävention
Durch die statistische Analyse des bisherigen Kündigerverhaltens können Vorhersagen (Prognosen) für das
zukünftige wahrscheinliche Kündigerverhalten eines Kunden getroffen werden.
Die Wahrscheinlichkeiten des Kündigerverhaltens werden in „Score-Werten“ ausgedrückt, d.h. Reihenfolgen der
Kunden bezüglich des erwarteten Eintreffens einer Kündigung.
Kunden mit einem hohen Score-Wert haben eine höhere Kündigerwahrscheinlichkeit als Kunden mit einem
geringeren Score-Wert.
Ausgangslage - Methodik
Seite 7Kündigerprävention
• Ein effektives Kundenbindungsmanagement gehört in Zeiten hoher
Neuakquisitionskosten zu den zentralen Aufgaben eines erfolgreichen Customer
Relationship Management.
• Zur Optimierung des Kundenbindungsmanagements wird ein analytisch
gestütztes Kündigerfrüh-Erkennungssystem eingeführt.
• Mit Hilfe dieser Kenntnis soll der Anteil der potenziell beeinflussbaren
Kündigungen deutlich reduziert werden.
Prävention statt Rückgewinnung
Seite 8Kündigerprävention
Basis-Daten (aus der Vergangenheit)
- Geschäftspartner
- Abo
- Unterbrechungen
- Reklamationen
Zielgröße (Vorhersage)
- Kündigung
Datenbasis und Zielgröße
Seite 9Kündigerprävention
• Tod / Betreuung?
• Umzug (aus dem Verbreitungsgebiet heraus)
• Zahlungsausfall
• Prämienhopper
Kündigung ≠ Kündigung
Kündigungsgrund Kündigungsgrund
Abo-Widerruf Aboübernahme
Auslieferverz. Alter/Krankheit
Befristetes Abo Dubios
Finanz. Gründe Dublette
Gemeinsch.Leser Grund unbekannt
Individ. Gründe Neuer Auftrag
Konkurrenz Sonderfall
Preiserhöhung Spendenende
Redakt. Gründe Titelwechsel
Rekl. <> AV, RD Tod
Späte Postzust. WW Ausland
Viel auf Reisen WW Inland
WW unbekannt WW Wirtsch.Raum
Wohnungsw.(alt) von/auf E-Paper
Zeitmangel
Seite 10Kündigerprävention
Kündigungen im gesamten Zeitraum
Nicht-
Beeinflussbare
Kündigungsgründe
Beeinflussbare
Kündigungsgründe
Score-
Entwicklung
Score-
Überprüfung
Seite 11Kündigerprävention
• Name, Vorname
• Adresse, Telefon, E-Mail
• Haushaltsgröße, Struktur
• Alter, Geschlecht
• Generierungsdatum / -weg
• Prämie/Incentive
• Bezahlung
• Störungen (Anzahl und Lösungen)
• Abo-Art (Kombi-Abo oder reine Offline-Abo)
• Ausgabe (Region)
• Kunden-Kommunikation (Rechnungen, Werbung, etc.)
• Zusatzprodukte (Kalender, Bücher, etc.)
• Kennzeichnung der „Abonnement-Pausen“ (Urlaub, ... etc.)
• Anzeigen (Art, Anzahl,...)
Einflussfaktoren
Seite 12Kündigerprävention
Modellierung - Alter
Seite 13Kündigerprävention
Einflussvariablen - Person
Anrede Herkunft Alter
Telefo
n
E-Mail Provider
Seite 14Kündigerprävention
Einflussvariablen - Abo
Abotyp Aktuelles Abo
Abschluss erstes
Abo
Anzahl Abos in der Vergangenheit
Seite 15Kündigerprävention
Einflussvariablen - Abo
Abotyp Vollabo
Abotyp Leseprobe* Abotyp Studentenabo*
Verbreitungsgebiet
Seite 16Kündigerprävention
Einflussvariablen – Unterbrechung
Anzahl Unterbrechungen
Maximale UnterbrechungLetzte Unterbrechung
Anzahl Lieferunterbrechungen
Anzahl Spendenunterbrechungen
Seite 17Kündigerprävention
Einflussvariablen – Reklamation
Letzte ReklamationAnzahl Reklamationen
Reklamationsgrund: Zeitung
fehlte
Reklamationsgrund: Zeitung fehlte
wieder
Seite 18Kündigerprävention
Einflussvariablen - Umfeld
Haushalte*
Kündigungsquote im UmfeldKaufkraft-Index*
Dichte im Umfeld
Seite 19Kündigerprävention
Statistisches
Modell
Künidgungswahrscheinlichkeit= β*Alter +
β*Anrede +β*Telefon + β*Regionalausgabe+
β*Unterbrechungen+ β*Kundendichte+ …
Scoring
Seite 20Kündigerprävention
Score-Gruppe Kunden Kündiger
Beste 10% 2.500 24
10-20% 2.500 55
20-30% 2.500 75
30-40% 2.500 100
40-50% 2.500 153
50-60% 2.500 175
60-70% 2.500 223
70-80% 2.500 300
80-90% 2.500 428
schlechteste 10% 2.500 613
Summe 25.000 2.144
Mehr als 50% der
Kündigungen von 20%
der Kunden
Seite 21Kündigerprävention
Score-Gruppe Kunden Kündiger Kündigungsquote
Modell
Beste 10% 2.500 24 1,0%
10-20% 2.500 55 2,2%
20-30% 2.500 75 3,0%
30-40% 2.500 100 4,0%
40-50% 2.500 153 6,1%
50-60% 2.500 175 7,0%
60-70% 2.500 223 8,9%
70-80% 2.500 300 12,0%
80-90% 2.500 428 17,1%
schlechteste 10% 2.500 613 24,5%
Summe 25.000 2.144 8,6%
Seite 22Kündigerprävention
Score-Gruppe Kunden Kündiger Quote Modell Quote Validierung
Beste 10% 2.500 24 1,0% 2,1%
10-20% 2.500 55 2,2% 3,1%
20-30% 2.500 75 3,0% 4,2%
30-40% 2.500 100 4,0% 7,0%
40-50% 2.500 153 6,1% 6,5%
50-60% 2.500 175 7,0% 8,2%
60-70% 2.500 223 8,9% 8,9%
70-80% 2.500 300 12,0% 12,7%
80-90% 2.500 428 17,1% 16,4%
schlechteste 10% 2.500 613 24,5% 22,1%
Summe 25.000 2.144 8,6% 9,1%
Seite 23Kündigerprävention
Scoregruppe Quote
kumulierte
Kündiger
Nein Ja ∑
(01) 95 - 100% 4.974 1.305 6.279 28%
(02) 90 - 95% 5.581 699 6.280 42%
(03) 85 - 90% 5.736 543 6.279 54%
(04) 80 - 85% 5.893 387 6.280 62%
(05) 75 - 80% 5.993 287 6.280 68%
(06) 70 - 75% 6.068 211 6.279 73%
(07) 65 - 70% 6.094 186 6.280 76%
(08) 60 - 65% 6.112 167 6.279 80%
(09) 55 - 60% 6.146 134 6.280 83%
(10) 50 - 55% 6.148 132 6.280 86%
(11) 45 - 50% 6.175 104 6.279 88%
(12) 40 - 45% 6.183 97 6.280 90%
(13) 35 - 40% 6.181 98 6.279 92%
(14) 30 - 35% 6.213 67 6.280 93%
(15) 25 - 30% 6.205 75 6.280 95%
(16) 20 - 25% 6.205 74 6.279 97%
(17) 15 - 20% 6.220 60 6.280 98%
(18) 10 - 15% 6.241 38 6.279 99%
(19) 5 - 10% 6.238 41 6.279 99%
(20) 0 - 5% 6.256 25 6.281 100%
Kunden 120.862 4.730 125.592
Kündiger
0,40%
0,65%
0,61%
0,96%
1,18%
1,19%
1,07%
1,56%
1,54%
1,66%
2,10%
2,13%
2,66%
2,96%
3,36%
4,57%
6,16%
8,65%
11,13%
20,78%
Score-Erstellung
Seite 24Kündigerprävention
Scoregruppe Quote
kumulierte
Kündiger
Nein Ja ∑
(01) 95 - 100% 5.824 440 6.264 31%
(02) 90 - 95% 6.077 191 6.268 45%
(03) 85 - 90% 6.153 113 6.266 53%
(04) 80 - 85% 6.149 117 6.266 61%
(05) 75 - 80% 6.179 87 6.266 67%
(06) 70 - 75% 6.188 78 6.266 73%
(07) 65 - 70% 6.213 53 6.266 77%
(08) 60 - 65% 6.223 43 6.266 80%
(09) 55 - 60% 6.225 41 6.266 83%
(10) 50 - 55% 6.228 38 6.266 85%
(11) 45 - 50% 6.222 44 6.266 88%
(12) 40 - 45% 6.240 26 6.266 90%
(13) 35 - 40% 6.241 25 6.266 92%
(14) 30 - 35% 6.246 20 6.266 93%
(15) 25 - 30% 6.240 26 6.266 95%
(16) 20 - 25% 6.251 15 6.266 96%
(17) 15 - 20% 6.254 12 6.266 97%
(18) 10 - 15% 6.251 15 6.266 98%
(19) 5 - 10% 6.257 9 6.266 99%
(20) 0 - 5% 6.252 15 6.267 100%
Kunden 123.913 1.408 125.321
Kündiger
0,24%
0,14%
0,24%
0,19%
0,24%
0,41%
0,32%
0,40%
0,41%
0,70%
0,61%
0,65%
0,69%
0,85%
1,24%
1,39%
1,87%
1,80%
3,05%
7,02%
Score Überprüfung
Seite 25Kündigerprävention
• Kündigungen müssen klassifiziert werden
• Es ist möglich Kündigungen vorherzusagen
Fazit 1
Seite 26Kündigerprävention
Fazit 2
Es kann ein sehr trennscharfes Modell zur Früherkennung von Kündigungen ermittelt werden. Mit Hilfe des Score-Modells
können Wirkungszusammenhänge richtig gedeutet werden.
Haupt-Treiber
• Abotyp (Teilabo weist extrem hohe Kündigungsquoten auf)
• Verbreitungsgebiet (Kunden die nicht im Verbreitungsgebiet wohnen
kündigen sehr stark)
• Alter (Je älter ein Kunde wird, desto weniger kündigt er)
• E-Mail-Provider (Hotmail und Gmail weisen eine höhere
Kündigungswahrscheinlichkeit auf)
• Abodauer (Je kürzer das Abo besteht, desto eher kündigt ein Kunde)
• Kündigungsquote im Umfeld (Dort wo viele Kündiger auftreten
(geografisch) ist auch die Kündigungsquote in Zukunft sehr hoch)
Seite 27Kündigerprävention
http://38.media.tumblr.com/89e32ba581ae99a5b0de7a48a3256805/tumblr_nrjsv364B11ssw1h1o1_500.gif

Weitere ähnliche Inhalte

Mehr von B2B Smartdata GmbH

Big Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurBig Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der Spur
B2B Smartdata GmbH
 
Big Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurBig Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der Spur
B2B Smartdata GmbH
 
Bessere kommunikation dank analystischem crm
Bessere kommunikation dank analystischem crmBessere kommunikation dank analystischem crm
Bessere kommunikation dank analystischem crm
B2B Smartdata GmbH
 

Mehr von B2B Smartdata GmbH (20)

Kundensegmentierung
Kundensegmentierung Kundensegmentierung
Kundensegmentierung
 
Big Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurBig Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der Spur
 
Big Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurBig Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der Spur
 
Big Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurBig Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der Spur
 
Big Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der SpurBig Data – Dem Kunden auf der Spur
Big Data – Dem Kunden auf der Spur
 
Smart data-im-marketing germancrm
Smart data-im-marketing germancrmSmart data-im-marketing germancrm
Smart data-im-marketing germancrm
 
BIG DATA ZIELGRUPPEN PROFILIERUNG
BIG DATA ZIELGRUPPEN PROFILIERUNGBIG DATA ZIELGRUPPEN PROFILIERUNG
BIG DATA ZIELGRUPPEN PROFILIERUNG
 
B2bwebscoring marancon
B2bwebscoring maranconB2bwebscoring marancon
B2bwebscoring marancon
 
BIG DATA Broschüre
BIG DATA Broschüre BIG DATA Broschüre
BIG DATA Broschüre
 
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
Artikel "BIG DATA : Leadbewertung einer Online-Druckerei" im Leitfaden Data D...
 
Big Data: Kunden auf der Spur
Big Data: Kunden auf der SpurBig Data: Kunden auf der Spur
Big Data: Kunden auf der Spur
 
Trigger based e mail-Marketing
Trigger based e mail-MarketingTrigger based e mail-Marketing
Trigger based e mail-Marketing
 
Big data im B2B Umfeld
Big data im B2B UmfeldBig data im B2B Umfeld
Big data im B2B Umfeld
 
Bessere kommunikation dank analystischem crm
Bessere kommunikation dank analystischem crmBessere kommunikation dank analystischem crm
Bessere kommunikation dank analystischem crm
 
Database-Marketing - Best Practise !
Database-Marketing - Best Practise !Database-Marketing - Best Practise !
Database-Marketing - Best Practise !
 
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
Zwischen Theorie und Praxis - Databasemarketing bei Berge & Meer
 
Kundenwissen transparent machen
Kundenwissen transparent machenKundenwissen transparent machen
Kundenwissen transparent machen
 
Twittermarketing und CRM
Twittermarketing und CRM Twittermarketing und CRM
Twittermarketing und CRM
 
Twitter Marketing
Twitter MarketingTwitter Marketing
Twitter Marketing
 
Namenstage - Einsatzmöglichkeiten für das Direktmarketing
Namenstage - Einsatzmöglichkeiten für das DirektmarketingNamenstage - Einsatzmöglichkeiten für das Direktmarketing
Namenstage - Einsatzmöglichkeiten für das Direktmarketing
 

Ein Loch ist im Eimer

  • 2. Seite 2Kündigerprävention • Ausgangslage • Ziel • Datenbasis und Zielgröße • Einschränkungen • Einflussvariablen • Scoring • Fazit Agenda
  • 5. Seite 5Kündigerprävention • Rund 50 % der Abonnements-Kündigungen entfallen auf potenziell beeinflussbare Kündigungsgründe. • In der Kommunikation mit dem Kunden ist der Kundenlebenszyklus nicht optimal abgedeckt. • Das Zufriedenheitsmanagement steht deutlich hinter Neukundengewinnung und Kündigerrückgewinnung zurück. • Kundenbindungsmaßnahmen erfolgen nach dem „Gießkannen-Prinzip“. Vorhandene Informationen werden nicht vollumfänglich genutzt. Kundenbindung ausbaufähig
  • 6. Seite 6Kündigerprävention Durch die statistische Analyse des bisherigen Kündigerverhaltens können Vorhersagen (Prognosen) für das zukünftige wahrscheinliche Kündigerverhalten eines Kunden getroffen werden. Die Wahrscheinlichkeiten des Kündigerverhaltens werden in „Score-Werten“ ausgedrückt, d.h. Reihenfolgen der Kunden bezüglich des erwarteten Eintreffens einer Kündigung. Kunden mit einem hohen Score-Wert haben eine höhere Kündigerwahrscheinlichkeit als Kunden mit einem geringeren Score-Wert. Ausgangslage - Methodik
  • 7. Seite 7Kündigerprävention • Ein effektives Kundenbindungsmanagement gehört in Zeiten hoher Neuakquisitionskosten zu den zentralen Aufgaben eines erfolgreichen Customer Relationship Management. • Zur Optimierung des Kundenbindungsmanagements wird ein analytisch gestütztes Kündigerfrüh-Erkennungssystem eingeführt. • Mit Hilfe dieser Kenntnis soll der Anteil der potenziell beeinflussbaren Kündigungen deutlich reduziert werden. Prävention statt Rückgewinnung
  • 8. Seite 8Kündigerprävention Basis-Daten (aus der Vergangenheit) - Geschäftspartner - Abo - Unterbrechungen - Reklamationen Zielgröße (Vorhersage) - Kündigung Datenbasis und Zielgröße
  • 9. Seite 9Kündigerprävention • Tod / Betreuung? • Umzug (aus dem Verbreitungsgebiet heraus) • Zahlungsausfall • Prämienhopper Kündigung ≠ Kündigung Kündigungsgrund Kündigungsgrund Abo-Widerruf Aboübernahme Auslieferverz. Alter/Krankheit Befristetes Abo Dubios Finanz. Gründe Dublette Gemeinsch.Leser Grund unbekannt Individ. Gründe Neuer Auftrag Konkurrenz Sonderfall Preiserhöhung Spendenende Redakt. Gründe Titelwechsel Rekl. <> AV, RD Tod Späte Postzust. WW Ausland Viel auf Reisen WW Inland WW unbekannt WW Wirtsch.Raum Wohnungsw.(alt) von/auf E-Paper Zeitmangel
  • 10. Seite 10Kündigerprävention Kündigungen im gesamten Zeitraum Nicht- Beeinflussbare Kündigungsgründe Beeinflussbare Kündigungsgründe Score- Entwicklung Score- Überprüfung
  • 11. Seite 11Kündigerprävention • Name, Vorname • Adresse, Telefon, E-Mail • Haushaltsgröße, Struktur • Alter, Geschlecht • Generierungsdatum / -weg • Prämie/Incentive • Bezahlung • Störungen (Anzahl und Lösungen) • Abo-Art (Kombi-Abo oder reine Offline-Abo) • Ausgabe (Region) • Kunden-Kommunikation (Rechnungen, Werbung, etc.) • Zusatzprodukte (Kalender, Bücher, etc.) • Kennzeichnung der „Abonnement-Pausen“ (Urlaub, ... etc.) • Anzeigen (Art, Anzahl,...) Einflussfaktoren
  • 13. Seite 13Kündigerprävention Einflussvariablen - Person Anrede Herkunft Alter Telefo n E-Mail Provider
  • 14. Seite 14Kündigerprävention Einflussvariablen - Abo Abotyp Aktuelles Abo Abschluss erstes Abo Anzahl Abos in der Vergangenheit
  • 15. Seite 15Kündigerprävention Einflussvariablen - Abo Abotyp Vollabo Abotyp Leseprobe* Abotyp Studentenabo* Verbreitungsgebiet
  • 16. Seite 16Kündigerprävention Einflussvariablen – Unterbrechung Anzahl Unterbrechungen Maximale UnterbrechungLetzte Unterbrechung Anzahl Lieferunterbrechungen Anzahl Spendenunterbrechungen
  • 17. Seite 17Kündigerprävention Einflussvariablen – Reklamation Letzte ReklamationAnzahl Reklamationen Reklamationsgrund: Zeitung fehlte Reklamationsgrund: Zeitung fehlte wieder
  • 18. Seite 18Kündigerprävention Einflussvariablen - Umfeld Haushalte* Kündigungsquote im UmfeldKaufkraft-Index* Dichte im Umfeld
  • 19. Seite 19Kündigerprävention Statistisches Modell Künidgungswahrscheinlichkeit= β*Alter + β*Anrede +β*Telefon + β*Regionalausgabe+ β*Unterbrechungen+ β*Kundendichte+ … Scoring
  • 20. Seite 20Kündigerprävention Score-Gruppe Kunden Kündiger Beste 10% 2.500 24 10-20% 2.500 55 20-30% 2.500 75 30-40% 2.500 100 40-50% 2.500 153 50-60% 2.500 175 60-70% 2.500 223 70-80% 2.500 300 80-90% 2.500 428 schlechteste 10% 2.500 613 Summe 25.000 2.144 Mehr als 50% der Kündigungen von 20% der Kunden
  • 21. Seite 21Kündigerprävention Score-Gruppe Kunden Kündiger Kündigungsquote Modell Beste 10% 2.500 24 1,0% 10-20% 2.500 55 2,2% 20-30% 2.500 75 3,0% 30-40% 2.500 100 4,0% 40-50% 2.500 153 6,1% 50-60% 2.500 175 7,0% 60-70% 2.500 223 8,9% 70-80% 2.500 300 12,0% 80-90% 2.500 428 17,1% schlechteste 10% 2.500 613 24,5% Summe 25.000 2.144 8,6%
  • 22. Seite 22Kündigerprävention Score-Gruppe Kunden Kündiger Quote Modell Quote Validierung Beste 10% 2.500 24 1,0% 2,1% 10-20% 2.500 55 2,2% 3,1% 20-30% 2.500 75 3,0% 4,2% 30-40% 2.500 100 4,0% 7,0% 40-50% 2.500 153 6,1% 6,5% 50-60% 2.500 175 7,0% 8,2% 60-70% 2.500 223 8,9% 8,9% 70-80% 2.500 300 12,0% 12,7% 80-90% 2.500 428 17,1% 16,4% schlechteste 10% 2.500 613 24,5% 22,1% Summe 25.000 2.144 8,6% 9,1%
  • 23. Seite 23Kündigerprävention Scoregruppe Quote kumulierte Kündiger Nein Ja ∑ (01) 95 - 100% 4.974 1.305 6.279 28% (02) 90 - 95% 5.581 699 6.280 42% (03) 85 - 90% 5.736 543 6.279 54% (04) 80 - 85% 5.893 387 6.280 62% (05) 75 - 80% 5.993 287 6.280 68% (06) 70 - 75% 6.068 211 6.279 73% (07) 65 - 70% 6.094 186 6.280 76% (08) 60 - 65% 6.112 167 6.279 80% (09) 55 - 60% 6.146 134 6.280 83% (10) 50 - 55% 6.148 132 6.280 86% (11) 45 - 50% 6.175 104 6.279 88% (12) 40 - 45% 6.183 97 6.280 90% (13) 35 - 40% 6.181 98 6.279 92% (14) 30 - 35% 6.213 67 6.280 93% (15) 25 - 30% 6.205 75 6.280 95% (16) 20 - 25% 6.205 74 6.279 97% (17) 15 - 20% 6.220 60 6.280 98% (18) 10 - 15% 6.241 38 6.279 99% (19) 5 - 10% 6.238 41 6.279 99% (20) 0 - 5% 6.256 25 6.281 100% Kunden 120.862 4.730 125.592 Kündiger 0,40% 0,65% 0,61% 0,96% 1,18% 1,19% 1,07% 1,56% 1,54% 1,66% 2,10% 2,13% 2,66% 2,96% 3,36% 4,57% 6,16% 8,65% 11,13% 20,78% Score-Erstellung
  • 24. Seite 24Kündigerprävention Scoregruppe Quote kumulierte Kündiger Nein Ja ∑ (01) 95 - 100% 5.824 440 6.264 31% (02) 90 - 95% 6.077 191 6.268 45% (03) 85 - 90% 6.153 113 6.266 53% (04) 80 - 85% 6.149 117 6.266 61% (05) 75 - 80% 6.179 87 6.266 67% (06) 70 - 75% 6.188 78 6.266 73% (07) 65 - 70% 6.213 53 6.266 77% (08) 60 - 65% 6.223 43 6.266 80% (09) 55 - 60% 6.225 41 6.266 83% (10) 50 - 55% 6.228 38 6.266 85% (11) 45 - 50% 6.222 44 6.266 88% (12) 40 - 45% 6.240 26 6.266 90% (13) 35 - 40% 6.241 25 6.266 92% (14) 30 - 35% 6.246 20 6.266 93% (15) 25 - 30% 6.240 26 6.266 95% (16) 20 - 25% 6.251 15 6.266 96% (17) 15 - 20% 6.254 12 6.266 97% (18) 10 - 15% 6.251 15 6.266 98% (19) 5 - 10% 6.257 9 6.266 99% (20) 0 - 5% 6.252 15 6.267 100% Kunden 123.913 1.408 125.321 Kündiger 0,24% 0,14% 0,24% 0,19% 0,24% 0,41% 0,32% 0,40% 0,41% 0,70% 0,61% 0,65% 0,69% 0,85% 1,24% 1,39% 1,87% 1,80% 3,05% 7,02% Score Überprüfung
  • 25. Seite 25Kündigerprävention • Kündigungen müssen klassifiziert werden • Es ist möglich Kündigungen vorherzusagen Fazit 1
  • 26. Seite 26Kündigerprävention Fazit 2 Es kann ein sehr trennscharfes Modell zur Früherkennung von Kündigungen ermittelt werden. Mit Hilfe des Score-Modells können Wirkungszusammenhänge richtig gedeutet werden. Haupt-Treiber • Abotyp (Teilabo weist extrem hohe Kündigungsquoten auf) • Verbreitungsgebiet (Kunden die nicht im Verbreitungsgebiet wohnen kündigen sehr stark) • Alter (Je älter ein Kunde wird, desto weniger kündigt er) • E-Mail-Provider (Hotmail und Gmail weisen eine höhere Kündigungswahrscheinlichkeit auf) • Abodauer (Je kürzer das Abo besteht, desto eher kündigt ein Kunde) • Kündigungsquote im Umfeld (Dort wo viele Kündiger auftreten (geografisch) ist auch die Kündigungsquote in Zukunft sehr hoch)