Jetzt wäre es natürlich ein Vorteil für den Versorger, wenn er derartig untreue Tomaten gleich auf den ersten Blick erkennen könnte. Aber wie? Die Antwort liefert CHURN, ein neues Modul für die Joules-Plattform.

Joules CHURN analysiert Kundendatenbestände auf Grundlage modernster Data Mining-Methoden und künstlicher Intelligenz. Das Ergebnis sind verlässliche Prognosen zur Kundenstabilität und damit der Wirtschaftlichkeit von Kunden. In diesem Artikel wollen wir dieses Konzept einmal etwas genauer vorstellen.

Ist das Verhalten von Energiekunden prognostizierbar?

Eines ist klar: Einen Neukunden zu gewinnen ist erheblich teurer, als einen bestehenden Kunden zu halten. Energieversorgungsunternehmen wären daher gut beraten, einen Teil Ihrer Marketing-Budgets für die Pflege bestehenden Kundenbeziehungen aufzuwenden. Aber wie funktioniert das in Praxis? Ein Schlüsselfaktor hierbei ist eine korrekte Bewertung des Kündigungsrisikos des einzelnen Kunden, auch bekannt als das "Churn Risiko".

Im B2B-Bereich kann der momentane Zustand einer Kundenbeziehung relativ leicht bewertet werden: Hier genügt in der Regel ein Blick ins CRM-System (idealerweise ist das natürlich Joules), wo die gesamte bisherige Kommunikation mit dem Kunden sauber dokumentiert ist. Der zuständige Keyaccountmanager kann dann bei einer gefährdeten Kundenbeziehung schnell Gegenmassnahmen ergreifen.

Im Massengeschäft mit Haushaltskunden ist eine derart intensive Individualbetreuung natürlich nicht möglich. Hier bedarf es einer systemischen Lösung, 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 steht dabei das Kündigungsrisiko, eine Kenngröße, die ein Versorgungsunternehmen dazu in die Lage versetzt, seine Marketinganstrengungen auf seine wirklich profitablen Kunden zu konzentrieren. Zur Berechnung des Kundenwerts fließen Parameter wie das Verbrauchsvolumen und die zu erwartende Lebensdauer der Beziehung in ein Scoring-Modell ein; profitable Kunden erhalten damit einen hohen Kundenwert, weniger profitable werden niedriger bewertet. Aber wie funktioniert das in der Praxis?

Die Antwort liefert Joules CHURN, einer predictive Analytics Engine basierend auf künstlicher Intelligenz. Das System erkennt im Verhalten Ihrer bestehenden Kunden Muster und bildet daraus trennscharfe Kunden-Cluster, die sich im Ausmaß ihrer Loyalität unterscheiden. Jeder neue Kunde wird dann anhand des bereits gelernten Schemas bewertet und mit einer Stabilitätskennziffer versehen. Mit jedem weiteren Kunden verbessert das System selbständig seinen Prognosealgorithmus.

Kundenloyalität – die unbekannte Größe

Energieversorger betrachten in ihrer Erfolgsmessung oft nur die absolute Anzahl an Abschlüssen. Unberücksichtigt bleibt, dass ein großer Teil der gewonnenen Kunden durch ihre kurze Vertragslebensdauer nie profitabel werden kann.

Der Kampf um die Spitzenpositionen auf Vergleichsportalen wie „Verivox“ oder „Check24“ zwingt viele Energieversorgungsunternehmen zu einem riskanten Preisunterbietungswettbewerb. Dabei nehmen viele dieser Anbieter in Kauf, dass zumindest im ersten Vertragsjahr nach Abzug aller Boni mit den Akquisetarifen nur ein deutlich negativer Deckungsbeitrag erwirtschaftet werden kann. Damit dieses Modell wenigstens mittelfristig rentabel wird, muss der Kunde über die Erstvertragslaufzeit hinaus möglichst lange gehalten werden.

Eine Gruppe verhält sich nach dem Anbieterwechsel sehr träge: Der Kunde interessiert sich einfach nicht genug für seinen Stromvertrag, um regelmäßig Vergleichsangebote einzuholen – für den Versorger eine Idealsituation.

Anderen Kunden ist die Existenz attraktiver Wechselangebote durchaus bewusst. Diese Gruppe kann aber durch beispielsweise eine gut getimete Marketingmassnahme, wie etwa einem Carecall am zu frühen Wechseln gehindert werden.

Und dann gibt es die Kunden, die so preissensibel sind, dass sie nach Ablauf der Erstvertragslaufzeit auf jeden Fall umgehend kündigen werden. Alleine diese grundsätzlich deckungsbeitragsnegativen Kunden zu vermeiden, würde das Ergebnis des Versorgers erheblich verbessern.

Die Antwort steckt im Kundenprofil

Im Idealfall wüsste ein Energieversorger das voraussichtliche Kündigungsdatum jedes Vertrages bereits im Voraus, idealerweise schon in dem Moment, in dem die Bestellung eingeht. Und dazu braucht man keinen Wahrsager.

Das Kündigungsverhalten kann anhand fortschrittlicher statistischer Methoden aus Mustern in der Historie bereits gekündigter Verträge abgeleitet werden. Dabei wird jeder Kunde anhand der Parameter in seinen Stammdaten (zB Postleitzahl, Geschlecht, Kreditwürdigkeit, Alter) in ein Segmentprofil sortiert. Jedes Segment hat ein eigenes Stabilitätsverhalten aus dem sich eine zu erwartende Kundenlebensdauer in Monaten ableiten lässt.

Der Joules Qualitätsindex

Die verschiedenen zu einem Kunden vorliegenden Informationen haben unterschiedliche statistische Signifikanz. So ist beispielsweise der Vertriebskanal, über den der Kunde geworben wurde, von höchster Relevanz. Alter, Geschlecht und Wohnort – alle vorhandenen Parameter lassen Rückschlüsse über die Stabilität des Kunden zu. Der Machine-Learning-Algorithmus von Joules CHURN erkennt Muster in Ihren Datenbeständen und gewichtet die einzelnen Attribute nach ihrer statistischen Signifikanz. Das Ergebnis wird zum "Joules Qualitätsindex" verdichtet, einer Kennzahl, an der auf einen Blick die zu erwartende Kundenlebensdauer des Segments abgelesen werden kann.

Segmentierung ist der Schlüsselfaktor: Der hier untersuchte Kunde wurde in ein Segmentprofil sortiert, für das eine Verweildauer von mindestens 34 Monaten mit 73% Wahrscheinlichkeit prognostiziert werden kann. Alter, Vertriebskanal und das Ergebnis des Kreditchecks sind hochsignifikant für die zu erwartende Kundenlebensdauer.

Aus der Vergangenheit lernen – Die Zukunft voraussagen

Joules CHURN basiert auf „Predictive Analytics“, einer speziellen KI-Technologie zur Erstellung quantitativer Zukunftsprognosen. CHURN verwendet dazu historische Daten, um Ereignisse in der Zukunft vorherzusagen. Dabei wird ein mathematisches Modell erstellt, das in historischen Daten Muster und Trends erkennt. Dieses prädiktive Modell wird dann auf aktuelle Daten angewendet, um Prognosen zur künftigen Entwicklung zu errechnen. Manager können so rechtzeitig Aktionen einleiten, um diese Zukunft proaktiv zu gestalten.

Voraussetzung für den Einsatz von Joules CHURN ist das Vorhandensein von mindestens 20.000 bereits beendeten Verträgen in Ihrem Kundenbestand. Da bei diesen Kunden bekannt ist, wie viele Monate jeder Vertrag tatsächlich aktiv war, kann der Algorithmus auf der Basis dieser Vergangenheitsdaten eine Trainingsdatenbank aufbauen. Diese ermöglicht dann eine immer genauere Prognose für ähnliche Daten in der Zukunft. Zum Beweis für die Korrektheit der Berechnungen kann der Algorithmus dann verwendet werden, um eine "Prognose" für Trainingsdaten zu erstellen: Je genauer die Prognoselinie mit dem tatsächlichen Churn-Verlauf übereinstimmt, desto feiner ist der Algorithmus kalibiriert. Je mehr Trainingsdaten vorhanden sind, desto präziser arbeitet das System.

CHURN lernt nie aus

Die Grafik zeigt die Entwicklung der Anzahl aller aktiven (also nicht gekündigten) Verträge eines Versorgers im Zeitverlauf. Die dicke dunkelblaue Linie entspricht dabei der tatsächlichen historischen Entwicklung, die türkise Linie der von Joules CHURN errechneten Prognose.

• (A) Dies ist die Gegenwart, der Zeitraum davor die Vergangenheit, der Zeitraum danach die zu prognostizierende Zukunft.
• (B) Dies ist die Trainingsperiode: Der Algorithmus wurde anhand der historischen Entwicklung innerhalb dieses Zeitraums trainiert.
• (C) Für den Zeitraum zwischen der Trainingsperiode und der Gegenwart liegen sowohl historische Daten (blaue Linie) als auch Prognosedaten (orange Linie) vor. Je ähnlicher sich die beiden Linien verhalten, desto genauer arbeitet der Algorithmus.
• (D) Für die Zukunft liegen noch keine historischen Daten vor. Unser Algorithmus (orange Linie) liefert nun belastbare Daten zur weiteren Kundenabwanderung

So profitieren Sie von Joules CHURN

Joules CHURN – das ist moderne Abwanderungsprävention – nahtlos integriert in Ihre Joules Plattform.

• Aktivieren Sie gefährdete Kundensegmente rechtzeitig mit passgenauen Marketingmassnahmen!
• Konzentrieren Sie Ihren Mitteleinsatz nur auf die wirklich wirtschaftlichen Kunden!
• Analysieren Sie, welche Kanäle und Partner Ihnen die werthaltigsten Kunden liefern!

Vereinbaren Sie mit uns ein gratis Webinar und lassen Sie sich die fantastischen Möglichkeiten von CHURN demonstrieren!