Warum müssen Verlage Churn Prediction einsetzen?

Kündigungen sind teuer. Zeitungsverlage verlieren jährlich 5-10% ihrer Print-Abonnenten durch Kündigungen. Dies entspricht einem jährlichen Verlust von 5-10% der Print-Vertriebserlöse, der durch Neukunden-Gewinnung und Kündiger-Rückgewinnung ausgeglichen werden muss. Im Bereich von Digital-Abos sind die Kündigungsquoten in der Regel noch deutlich höher. Insbesondere hier bietet sich durch Senkung der Kündigungsquote mithilfe von Maßnahmen zur Kündigungsprävention für Verlage eine große Chance um Vertriebserlöse zu steigern. Kündigungsprävention kann auch finanziell gegenüber Neukunden-Gewinnung und Kündiger-Rückgewinnung äußerst lukrativ sein. Laut einer Studie ist es bis zu fünf Mal teurer einen Neukunden zu gewinnen als eine Kündigung zu verhindern.

Hebel Churn Prediction

Maßnahmen zur Kündigungsprävention für alle Abonnenten durchzuführen ist nicht wirtschaftlich – die Kosten sind zu hoch. Wie können aus der großen Menge von tausenden von Abonnenten diejenigen identifiziert werden, die auch wirklich planen zu kündigen? Mit Künstliche Intelligenz. Was bei Unternehmen wie Netflix und Amazon in die Kernprozesse integriert ist können auch Verlage nutzen. Mit Künstlicher Intelligenz die großen Datenpools analysieren und die Abonnenten identifizieren, die kündigen werden.

Das SCHICKLER Data Science Team hat erfolgreich KI-Modelle zur Vorhersage von Kündigern bei Tageszeitungsverlagen entwickelt – für Print-Abonnenten, E-Paper-Abonnenten und Web-Abonnenten.

Wie funktioniert Churn Prediction mit Künstlicher Intelligenz?

Künstliche Intelligenz extrahiert aus großen Datenmengen automatisiert Informationen und Muster. Bei Churn Prediction geht es konkret darum aus Abonnenten-Daten vorherzusagen, mit welcher Wahrscheinlichkeit ein Abonnent z.B. in den nächsten 6 Monaten kündigen wird. Hierzu verknüpfen wir verschiedene Datensätze zu Abo-Eigenschaften, Kundenstammdaten, Reklamationen und viele weitere Quellen, reichern diese mit Informationen aus externen Datenquellen (Soziodemographische Daten, Bankinformationen, Altersschätzungen) an. Für Digital-Abonnenten werten wir zudem über Web-Tracking das konkrete Nutzungsverhalten aus. Alle diese Daten werden bereinigt, angereichert, analysiert und mit der Information verglichen, ob ein Kunde gekündigt hat oder nicht.

Datenerfassung Kündigervorhersage

Ablauf Churn Prediction

Aus dieser Datenmenge lernt ein Algorithmus eigenständig welche individuellen Konstellationen für eine hohe Kündigungsgefährdung sorgen und welche dagegensprechen. Für jeden Abonnenten wird die Kündigungsgefährdung individuell berechnet. Unser KI-Modell erlaubt nicht nur für jeden Abonnenten die Kündigungsgefährdung zu berechnen. Das Modell gibt uns Details zu der Kündigungsgefährdung auf unterschiedlichen Zeithorizonten sowie Gründe, die für eine Kündigung und die gegen eine Kündigung sprechen. So kann ein tiefes Verständnis der Kündigungsgefährdung für jeden einzelnen Abonnenten entwickelt werden. Das Verständnis über die Kündigungsgründe ist eine wichtige Grundlage für die Gegenmaßnahmen.

Details Kündigungsgefährdung

In einem Projekt mit 100.000 Abonnenten haben wir hierfür einen Datensatz mit über 600 Millionen Datenpunkten ausgebaut und ein state-of-the-art KI-Modell trainiert. Im Live-Betrieb analysiert der gelernte Churn-Prediction-Algorithmus regelmäßig (für Print-Abos wöchentlich, für Web-Abos täglich) die aktuellen Daten zu allen Abonnenten und ordnet jedem Abonnenten eine Kündigungswahrscheinlichkeit zu. Das System haben wir vollständig in die operative Systemlandschaft integriert. Es läuft automatisiert in der Cloud und spricht über einfache Schnittstellen mit operativen Systemen wie SAP.

Automatisierung Churn Prediction

Welche Ergebnisse können mit Churn Prediction erreicht werden?

Churn Prediction mit künstlicher Intelligenz analysiert kontinuierlich Abonnenten und identifiziert treffsicher die Abonnenten, die eine überdurchschnittlich hohe Kündigungswahrscheinlichkeit haben.

Ergebnisse Churn-Prediction

In einem Beispielprojekt bei einem Verlag mit ca. 100.000 Print-Abonnenten konnten hierbei ca. 1.000 Abonnenten als sehr kritisch eingestuft werden. Von diesen Abonnenten haben zwischen 30% (Gruppe 5-fach höher als Durchschnitt) und 70% (Gruppe 20-fach höher als Durchschnitt) tatsächlich gekündigt.

KI kann die Nadel im Heuhaufen finden. Händische Regeln (ein Abonnent kündigt wenn X einen Wert von Y überschreitet) können eine solche Vorhersagequalität nicht erreichen. Die sind immer nur gut für eine eher durchschnittliche Gruppe von Abonnenten. Unser Erfahrung zeigt, dass es stattdessen sehr viele individuelle Cluster von Abonnenten gibt, für die jeweils andere spezielle Konstellationen von Eigenschaften zu einer Kündigung führen. Diese Komplexität ist nicht durch Menschen greifbar. KI-Algorithmen sind aber genau in dieser Aufgabe exzellent.

Wie nutzt man Churn Prediction für Kündigungsverhinderung?

Zu wissen welche Abonnenten sehr wahrscheinlich kündigen werden und welche nicht, reicht alleine noch nicht aus um Kündigungen zu verhindern. Vielmehr braucht man auch geeignete Maßnahmen, die Abonnenten tatsächlich vom Kündigen abhalten.

Ergebnisse Churn-Prediction II

Wir analysieren deshalb gemeinsam mit den Verlagen, welche Maßnahmen am wirksamsten und am wirtschaftlichsten sind. Hierbei gibt es nicht die eine Maßnahme, die für jeden Abonnenten geeignet ist. Ein Abonnent mit extrem hoher Kündigungswahrscheinlichkeit benötigt eine andere Maßnahme als ein Abonnent mit moderat erhöhter Kündigungswahrscheinlichkeit. Auch weitere demographische Informationen (Geschlecht, Alter, Wohnort) und Daten über das Nutzungsverhalten helfen dabei, Maßnahmen ganz gezielt auf bestimmte Abonnentengruppen zuzuschneiden.

Was Netflix und Amazon tun um Ihre Abonnenten zu halten können auch Verlage. Durch KI Kündigungen zu verhindern ist einer der großen ungenutzten Umsatzhebel für Verlage.

Bei Fragen zu unserem SCHICKLER KI-Modell für Churn Prediction steht Ihnen Dr. Christoph Mayer gerne zur Verfügung (c.mayer@schickler.de).

Dr. Ole Martin (Senior Data Scientist)
Dr. Christoph Mayer (Associate Partner und Leiter KI)