Die Analyse von Kündigungen zeigt, dass etwa 50 % potenziell beeinflussbarer Gründe unterliegen, wobei eine optimierte Kundenkommunikation und ein datengestütztes Kündigerfrühwarnsystem für ein effektives Kundenbindungsmanagement erforderlich sind. Statistische Modelle ermöglichen die Vorhersage des Kündigungsverhaltens anhand von Einflussfaktoren wie Alter, Aboart und regionaler Verbreitung. Letztlich können so Kündigungen minimiert und der Anteil der rückgewinnten Kunden erhöht werden.

1. Seite 1Kündigerprävention
Ein Loch ist im Eimer

2. Seite 2Kündigerprävention
• Ausgangslage
• Ziel
• Datenbasis und Zielgröße
• Einschränkungen
• Einflussvariablen
• Scoring
• Fazit
Agenda

3. Seite 3Kündigerprävention
Marancon – Unsere Kunden

4. Seite 4Kündigerprävention Folie 4

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

12. Seite 12Kündigerprävention
Modellierung - Alter

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)

27. Seite 27Kündigerprävention
http://38.media.tumblr.com/89e32ba581ae99a5b0de7a48a3256805/tumblr_nrjsv364B11ssw1h1o1_500.gif