Abo-Geschäft · EU

Churn-Prognose, die Millionen an Umsatz rettete

Ein europäisches Abo-Unternehmen verlor Kunden ohne Vorwarnung. Aufgabe: vorhersagen, wer kündigen wird, erklären warum, und Retention-Budget dort einsetzen, wo es sich rechnet.

Daten: 1,8 Mio. Kunden · 24 Monate Stack: Python · XGBoost · SHAP · dbt Dauer: 4 Wochen
churn_model · BI
heute aktualisiert
Monatlicher Churn
−34%
nach Retention-Aktionen
Modellgüte
0.91
AUC
Gehaltener Umsatz
€2.4M
auf Jahresbasis
Kampagnen-ROI
5.8×
je Retention-Ausgabe

Churn-Risiko je Segment

durchschnittliche Kündigungswahrscheinlichkeit

Kundenbasis nach Segment

Anteil aller Kunden

◆ Erkenntnisse
  • Zwei Segmente — gefährdet und inaktiv — trugen fast den gesamten Churn.
  • Das stärkste Warnsignal war ein Nutzungsrückgang, Wochen vor der Kündigung.
  • Retention-Budget wurde gleichmäßig verteilt statt dort, wo es etwas ändert.
✓ Unsere Lösung
  • Jeden Kunden wöchentlich mit klarem, erklärbarem Risikogrund bewertet.
  • Gezielte Retention-Angebote nur für riskante, werthaltige Konten ausgelöst.
  • Dem Team ein Dashboard gegeben, um Risiko zu verfolgen und Kampagnen zu messen.

Haben Sie ein ähnliches Projekt?

Erzählen Sie uns, was Sie bauen. Wir antworten innerhalb eines Werktags mit klarem Plan und Festpreis.

Projekt starten