KundencontrollingKundenmanagement

Lassen sich Kundenverluste vorhersagen?

Die meisten Unternehmen freuen sich über langfristige Kundenbeziehungen. Mit Kunden, die ihnen treu sind, können sie meist wirtschaftlich arbeiten und ziemlich sicher für die Zukunft planen. Manche Geschäftsbeziehungen sind auch prinzipiell auf eine gewisse Langfristigkeit ausgerichtet, etwa Versicherungsverträge oder Zuliefergeschäfte, für andere stellen Dauerkunden zumindest einen Erfolgsfaktor dar, etwa für Onlinehändler, Werkstätten oder Rechtsanwälte.

Diese Unternehmen haben daher ein großes Interesse daran, Abwanderungs- bzw. Kündigungsgefahren frühzeitig zu erkennen, um entsprechend gegensteuern zu können. Dies erfordert eine Identifikation möglicher Abwanderungsgründe und deren Beobachtung bei den aktuellen Kunden.

Mit Ausnahme des Variety Seeking (also der bewusste Wechsel des Lieferanten um der Abwechslung willen) sind die genannten Gründe relativ gut zu kontrollieren. Allerdings muss bekannt sein, wie die Zusammenhänge genau sind. Teilweise benötigt man dazu Ergebnisse der Marktforschung, teilweise müssen die eigenen Kundendaten analysiert werden.

Beispielsweise lässt sich feststellen, dass soziodemografische Veränderungen Auswirkungen auf das Kaufverhalten haben. So verändert sich mit dem Kunden(lebens)alter und dem Familienstand der Versicherungsbedarf des Versicherungskunden, sodass z. B. mit der Kündigung bestimmter Versicherungen, die sich nur an Alleinstehende oder nur an Familien richten, zu rechnen ist. Ebenso spielen Konkurrenzangebote eine Rolle. So lässt sich oft auf der Basis der Kündigungsstatistik feststellen, dass die Zahl der Kündigungen mit der Zahl der günstigeren Angebote von Wettbewerbern steigt. Insofern kann ein neues, günstigeres Konkurrenzangebot ein Indikator für Abwanderung sein.

Solche Zusammenhänge müssen also zunächst festgestellt werden, um dann Grundlage für Aktionen zu sein. Dies ist eine Standardaufgabe des Data Mining. Es geht darum, Gesetzmäßigkeiten zwischen Kundenmerkmalen und Kündigungen festzustellen. Eine Auswertung kann z. B. folgende vereinfachten Zusammenhänge ergeben:

Einflussfaktoren auf Kündigungen
Einflussfaktoren auf Kündigungen

Auf der Basis dieser Daten lassen sich einzelne Kundensegmente als besonders abwanderungsbereit identifizieren, nämlich langjährige weibliche Kunden aus Kleinstädten mit geringen Umsätzen. Damit wäre eine Zielgruppe für kundenbindende Maßnahmen definiert, etwa besondere, begrenzte Rabatte oder kleine Werbegeschenke.

Ähnlich der Kundenwertberechnung bei der RFM-Methode bietet es sich an, einen Punktwert als Indikator für die Abwanderungswahrscheinlichkeit zu ermitteln. Folgende Tabelle zeigt ein Beispiel:

Berechnung Abwanderungswahrscheinlichkeit
Berechnung Abwanderungswahrscheinlichkeit

Rangplatz = An welcher Stelle der Preisrangliste steht unser Angebot aktuell?

Je nach erreichter Punktzahl werden dann Marketingmaßnahmen eingeleitet. Bei akut gefährdeten Kunden sind z. B. preislich interessante Angebote sinnvoll, bei nur leichter Gefährdung könnten auch sachliche Informationen über die Vorteile des Angebots ausreichen.

Im obigen Beispiel hat Kunde 43004 das höchste Abwanderungsrisiko, was insbesondere an der hohen Zahl von Beschwerden liegt. Hier wären prinzipiell Maßnahmen zur Erhöhung der Bindung erforderlich, es sei denn, man entscheidet sich aufgrund des geringen Umsatzes gegen diesen Kunden. Kunde 43003 scheint daher ein eher sicherer Kandidat zu sein.

Neben diesen eher „schleichenden“ Indikatoren sind auch einmalige Ereignisse zu erfassen, die sofort zu einer Abwanderung führen können. Dies sind etwa bedeutende Reklamationsfälle, die auch dann eine Kündigung nach sich ziehen können, wenn es ansonsten keine Anzeichen dafür gibt.