Churn Prediction: Definition, Verfahren, Abgrenzung

Churn Prediction (deutsch: Abwanderungsprognose) berechnet für jeden aktiven Kunden einen Risikowert, wie wahrscheinlich er in den nächsten Wochen oder Monaten kündigt. Grundlage sind vergangene Daten zu Nutzung, Vertrag und Kontakten mit dem Unternehmen. Ziel ist, gefährdete Kunden früh zu erkennen und mit passenden Maßnahmen (Angebot, Gespräch, Support) vor der Kündigung zurückzuholen.

Was ist Churn Prediction?

Churn Prediction ist eine Vorhersage, keine Statistik über die Vergangenheit. Ein Rechenmodell (im Fachjargon: ein trainiertes Machine-Learning-Modell) bekommt die Daten eines aktuellen Kunden und gibt einen Wert zwischen 0 und 1 zurück. Je näher der Wert an 1 liegt, desto höher das Kündigungsrisiko innerhalb eines festgelegten Zeitraums (typisch 30, 60 oder 90 Tage). Damit unterscheidet sich Churn Prediction von der Churn Rate (der Kündigungsquote), die nur den bereits eingetretenen Verlust zählt. Churn Prediction bewertet die noch aktive Kundschaft.

Methodisch ist Churn Prediction eine überwachte Klassifikationsaufgabe. Als Modellfamilien kommen Logistic Regression, Random Forest, Gradient-Boosting-Verfahren wie XGBoost oder LightGBM, neuronale Netze sowie Survival-Modelle (Cox-Regression) für die Zeit bis zum Ereignis zum Einsatz. Die Eingangsdaten stammen aus Nutzungssystemen (Login-Frequenz, Feature-Nutzung, Session-Dauer), Vertrags- und Abrechnungssystemen (Zahlungshistorie, Vertragslaufzeit, Downgrades), Support-Systemen (Ticket-Volumen, Reaktionszeiten) und Zufriedenheitsindikatoren. Entscheidend sind Veränderungs-Features, die den Verlauf über mehrere Zeitfenster abbilden, weniger die absoluten Werte zum Stichtag.

Für den produktiven Einsatz ist die Modell-Definition selbst nur ein Teil der Aufgabe. Ohne eine eindeutige Churn-Definition (Kündigung, Nicht-Verlängerung, Inaktivität über X Tage), festgelegte Beobachtungs- und Prognosefenster, Schwellenwerte für Interventionen sowie ein Monitoring auf Datendrift bleibt das Modell instabil. Der Score wird zudem erst wirksam, wenn er in Retention-Prozesse eingebunden ist: Customer Success, Vertriebssteuerung, Kampagnenmanagement oder automatisierte Billing-Prozesse für zahlungsbedingte Ausfälle.

Abgrenzung: Churn Rate, CLV, Anomaly Detection

Churn Prediction wird häufig mit benachbarten Kennzahlen und Modellklassen verwechselt. Die Abgrenzung verläuft entlang unterschiedlicher Achsen: zeitliche Perspektive, Analyse-Objekt und Zielgröße.

Begriff	Achse	Kernunterschied
Churn Rate	Zeit	Rückblickende Aggregatkennzahl (Anteil verlorener Kunden im Zeitraum). Beschreibt den eingetretenen Verlust, identifiziert aber keine einzelnen Risiko-Kunden.
Retention Rate	Perspektive	Gegenkennzahl zur Churn Rate (Anteil gehaltener Kunden). Ebenfalls rückblickend und ohne Kundenpriorisierung.
Customer Lifetime Value	Zielgröße	Prognostiziert den zukünftigen Wertbeitrag über den gesamten Lebenszyklus. Nutzt die Überlebenswahrscheinlichkeit pro Periode als Eingangsgröße; Churn Prediction ist eine Komponente der CLV-Berechnung.
Anomaly Detection	Aufgabe	Markiert ungewöhnliche Datenpunkte ohne gelerntes Abwanderungsziel. Kann Frühindikator für Churn liefern, ersetzt aber keine Klassifikation gegen ein Churn-Label.
Kundensegmentierung	Objekt	Gruppiert Kunden nach Ähnlichkeit (Wert, Verhalten, Bedürfnisse), unabhängig von Kündigungswahrscheinlichkeit. Wird für die Aktivierung mit Churn-Scores kombiniert.

Zusätzlich unterscheidet die Modellierung drei Abwanderungstypen. Freiwillige Abwanderung entsteht durch aktive Kündigung oder Anbieterwechsel. Unfreiwillige Abwanderung entsteht durch fehlgeschlagene Zahlungen, abgelaufene Zahlungsmittel oder technische Gründe. Stille Abwanderung zeigt sich in sinkender Nutzung ohne formale Kündigung. Ein gemeinsames Modell für alle drei Typen erschwert die spätere Maßnahmensteuerung, weil unfreiwilliger Churn technisch über Dunning-Prozesse gelöst wird, während freiwilliger und stiller Churn Customer-Success- oder Vertriebs-Interventionen erfordern.

Beispiel: Churn Prediction in B2B-SaaS

Ein B2B-SaaS-Anbieter mit 12-Monats-Verträgen trainiert ein Gradient-Boosting-Modell auf zwei Jahren Vertrags- und Nutzungshistorie. Als Label dient die Nicht-Verlängerung eines Vertrags am Laufzeitende. Das Feature-Set kombiniert Login-Frequenz-Trends (Verhältnis der letzten 30 Tage zu den letzten 90 Tagen), Feature-Adoption pro Modul, Support-Ticket-Volumen und Eskalationen, Zahlungsverzüge sowie das Vertragsalter. Das Modell wird monatlich retrainiert; ein Batch-Score läuft täglich auf alle aktiven Kunden 90 Tage vor Vertragsende.

Die obersten Risikoquartile werden an das Customer-Success-Team übergeben, priorisiert nach dem jährlich wiederkehrenden Umsatz (ARR) je Kunde. Für unfreiwilligen Churn läuft ein getrennter Prozess: Fehlgeschlagene Kartenzahlungen lösen eine automatisierte Dunning-Kette mit Retry-Logik und Zahlungs-Update-Aufforderung aus. Vergleichbare Architekturen finden sich in Telekommunikation, Energieversorgung, Banking, Versicherung und Streaming-Diensten überall dort, wo wiederkehrende Kundenbeziehungen und mehrjährige Historie vorliegen.