Überlegungen zum Churn-Risiko bei Haushaltskunden

Überlegungen zum Churn-Risiko bei Haushaltskunden

Teil 1 unserer Serie zur Berechnung des Churn-Risikos von Haushaltskunden

Eine geschäftliche Binsenweisheit besagt, dass es erheblich teuerer ist, einen neuen Kunden zu gewinnen, als einen bestehenden Kunden zu halten. Energieversorgungsunternehmen wären daher gut beraten, einen Teil Ihrer oft gewaltigen Marketing-Budgets für die Pflege ihrer bestehenden Kundenbeziehungen aufzuwenden, anstatt alle Mittel auf die Neukundenakquisition zu konzentrieren. Aber wie kann so eine Bestandskundenpflege in der Praxis ausgestaltet sein? Ein Schlüsselfaktor hierbei ist eine korrekten Bewertung des Kündigungsrisikos des einzelnen Kunden, auch bekannt als das „Churn Risiko".
Im B2B-Bereich existiert üblicherweise umfangreiches Datenmaterial zu jeder Kundenbeziehung: Dabei ist in einem CRM-System die gesamte Kommunikation mit dem Kunden von der ersten Kontaktaufnahme bis zur Gegenwart erfasst. Ein Keyaccountmanager ist zudem über die momentane Befindlichkeit des Kunden informiert. Sobald der Kunde mit Abwanderung droht, können so schnell Gegenmassnahmen ergriffen werden.
Im Massengeschäft mit Haushaltskunden ist eine derart intensive Individualbetreuung natürlich nicht möglich. Stattdessen muss eine systemische Lösung gefunden werden, mit der nicht einzelne abwanderungsgefährdete Personen, sondern gefährdete Kundensegmente identifiziert und bearbeitet werden können. Um diese Segmente bilden zu können, müssen die Daten der Bestandskunden untersucht und einem Scoring unterzogen werden.
Im Brennpunkt stehen dabei der Kundenwert und das Kündigungsrisiko, zwei Kenngrößen, die ein Versorgungsunternehmen dazu in die Lage versetzen, seine Marketinganstrengungen auf seine wirklich profitablen Kunden zu konzentrieren. Der Kundenwert lässt Parameter wie das Verbrauchsvolumen, die erwartete Dauer der Kundenbeziehung und das vermutete Cross-Selling-Potential in ein Scoring-Modell einfließen; profitable Kunden erhalten damit einen hohen Kundenwert, weniger profitable werden niedriger bewertet . Das Kündigungsrisiko wird ebenfalls durch die Evaluation verschiedener anderer Größen wie beispielsweise der Anzahl der Kundenbeschwerden errechnet. Die Vorgehensweise könnte dabei wie folgt ausgestaltet sein:

  • Datenbereinigung: Kopie des Datenbestands aus einer operativen Datenbank in eine separate Analyse-Datenbank. Dabei sollten gegebenenfalls Massnahmen zur Verbesserung der Datenqualität durchgeführt werden, um Verfälschungen zu vermeiden.
  • Identifikation der Einflussgrößen: Welche Parameter innerhalb der Daten der Bestandskunden hat Einfluss auf ihr Wechselrisiko? Hier müssen Hypothesen aufgestellt und durch statistische Untersuchungen auf ihre Validität untersucht werden.
  • Erstellung eines Datenmodells: Zusammenführung und Gewichtung der Einflussgrößen, in einer „Churn-Risk-Matrix“
  • Beschreibung von Massnahmen: Welche Massnahmen sind dazu geeignet, die verschiedenen Risikogruppen zu stabilisieren? Ist es überhaupt eine gute Idee, denn Kunden zu kontaktieren, wenn eben gerade diese Massnahme ihn an seine Wechselmöglichkeit erinnern könnte? Welche dieser Kunden sind ohnehin so wenig rentabel, dass eine Abwanderung eigentlich wünschenswert wäre?

Im nächsten Teil sollen anhand der Datenfelder eines echten Energiekundens einige Thesen zu den verschieden gewichteten Einflussgrößen vorgenommen werden.

About the author

{Name.XML}

Lukas Ebner

Kommentare

Bis jetzt wurde der Beitrag noch nicht kommentiert.

Kommentar verfassen