Unzufriedene Kunden wechseln zunehmend Produkte und Dienstleister. Welche Ursachen und Folgen hat dies für Unternehmen? Wie kann Abwanderung und Zufriedenheit von Kunden erfasst werden? Welche Bedeutung hat Customer Churn in diesem Zusammenhang und welche Strategien helfen dagegen?
Unter Kundenabwanderung versteht man die Abwanderung von Kunden eines Unternehmens. Die Gewinnung von Neukunden ist deutlich teurer und zeitaufwändiger als die Bindung von Bestandskunden. Das macht die Abwanderung zu einer entscheidenden Kennzahl für die Kundenzufriedenheit und im Kundenbeziehungsmanagement. Für Unternehmen lohnt es sich daher, die Kundenabwanderung genau zu beobachten und zu analysieren. So können sie Erfolge in der Kundenbindung besser einschätzen und Strategien zu deren Verbesserung entwickeln.
Die Churn Rate bezeichnet den Anteil der verlorenen Kunden. Sie kann auf verschiedene Weisen betrachtet werden, etwa als die Anzahl an verlorenen Kunden, als prozentualer Anteil im Vergleich zur Gesamtkundenbasis, als Wert der verlorenen Kunden oder wieder als Prozent des Wertes zur Kundenbasis.
Die Churn Rate wird für eine bestimmte Periode berechnet, etwa quartalsweise oder für ein Geschäftsjahr. Üblicherweise wird zur Bestimmung von Customer Churn die Zahl der Kunden, die in einer Periode verlorengegangen sind, durch die Zahl der Kunden zu Beginn der Periode geteilt.
Gründe für Customer Churn sind oft ein mangelhafter On-Boarding-Prozess (das Einführen des Kunden an Unternehmen und Produkt, bzw. dessen Nutzen und Fähigkeiten), schlechte Produkterfahrungen, unzureichenden Kundenkommunikation, fehlende Markentreue. Als führende Ursache wird aber schlechter Kundenservice genannt (Accenture Customer Satisfaction Report).
Kunden wechseln tatsächlich viermal häufiger wegen Serviceproblemen zu einem Konkurrenzunternehmen als wegen niedrigerer Preise oder besserer Produktangebote. Ein noch schwerwiegenderes Problem ist aber, dass nur die wenigsten unzufriedenen Kunden Kontakt suchen – 96% der verlorenen Kunden gehen, ohne sich auch nur einmal direkt zu beschweren (1st Financialtraining).
Zusätzlich ergibt sich noch ein verstärkender Effekt der verlorenen Kunden, da diese - insbesondere die Jüngeren - ihre Erfahrungen zunehmend über soziale Medien teilen. Der Aufwand, diese negative Publicity wieder auszugleichen, übersteigt um ein Vielfaches den Aufwand, von vornherein gezielt zu intervenieren und die negative Kundenerfahrung zu verhindern.
Überhöhte Kundenabwanderung schadet jedem Unternehmen, verhindert Wachstum und verursacht unnötige erhöhte Kosten in Akquise, Marketing, Kundenmanagement. Aber es gibt Strategien, die Churn gegenwirken können. An erster Stelle steht selbstverständlich die Verbesserung des Kundendienstes, personalisierte Dienstleistungen und Kommunikation. Aber zunehmend haben Unternehmen die Möglichkeit, ihre Kunden durch analytische Verfahren besser kennen zu lernen und zu verstehen. Dazu zählt nicht nur, etwa im Nachhinein per Umfragen herauszufinden, was die eventuelle Motivation für einen wechselnden Kunden war.
Die Daten, die zu jedem Kunden verfügbar sind, geben Informationen über sein Verhalten, seine Absichten und Erwartungen. Advanced Analytics und Big Data-Technologien erlauben es Unternehmen, diese Absichten zu antizipieren und ihre Erwartungen individuell zu erfüllen. Das schließt auch das Identifizieren von Kunden ein, die in Gefahr sind, das Unternehmen zu verlassen, und Wege zu finden, ihre Zufriedenheit zu verbessern, etwa durch verbesserte Angebote oder einfach durch einen Hinweis auf die Vorteile, die ein Angebot dem Kunden bietet.
Um Churn-Anzeichen frühzeitig zu erkennen, sollte man die Interaktion mit Kunden auf allen Kanälen betrachten: Hierzu zählen die Nutzung von Online-Angeboten, Ladenbesuche sowie der Kontakt zum Kundenservice. Auch Anzahl, Umfang und Art von Transaktionen sind hier zu beachten. Die Entwicklung oder das Ausbleiben von regelmäßigen Aktivitäten, Social Media-Kontakte und weitere Informationen zeichnen ein umfassendes Bild. Die Qualität von Kontakten – direkt erfasst durch Kundenbewertungen oder automatisiert mit Hilfe von Text Mining und Sentimentanalyse – hat gleichermaßen Einfluss auf die weitere Entwicklung.
Aus all diesen Informationen lassen sich Modelle entwickeln, die das Churn-Risiko eines Kunden vorhersagen. Sie werden mit historischen Daten kalibriert und evaluiert, um sie so in das bestehende Customer Management zu integrieren. Dabei fließen laufend aktuelle Daten der Kunden ein, um gezielte Maßnahmen zu steuern.
Hier besteht die Gefahr, Risiko-Kunden erst zu entdecken, wenn die eigentliche Ursache nicht mehr zu beheben ist. Die gesammelten Erkenntnisse müssen also auch in den Prozess zurückfließen. Dies ermöglicht im besten Fall nahezu in Echtzeit, präzise und zum richtigen Zeitpunkt das richtige Signal und das passende Angebot auszusenden. Somit lässt sich Churn vermeiden.
Letztlich ist es das Ziel von Advanced Analytics, Abwanderung zu vermeiden und die Kundenzufriedenheit und Loyalität zu steigern. Dies erreicht man durch die Kombination von Machine Learning, Realtime-Daten und gezieltem Kundenmanagement. So gelingt es, einen Vorsprung gegenüber Wettbewerbern zu schaffen. Smarte Unternehmen verstehen, wie wichtig es ist, Kunden über den ersten Kontakt hinaus zu betreuen. Sie schätzen den Wert eines treuen Kunden und verfolgen konsequent entsprechende Maßnahmen.
Alle Informationen aus zentralen Logfiles, Call Center-Aufzeichnungen, Emails, Tweets oder Click-Stream-Daten fließen durch Data Engineering in eine kohärente Timeline. Aus ihr lassen sich wiederum Events und aussagekräftige Features ableiten. Dies erlaubt eine Vorhersage der Churn-Wahrscheinlichkeit. Einfache Beispiele sind: Gesamtanzahl von Kontakten in den letzten 3 Monaten, aktuelle Vertragslaufzeiten, frühere Churn-Events, etc.
Auch die Definition von Churn muss geeignet gewählt sein: Gilt ein Kunde beispielsweise als verloren, wenn er seinen Vertrag oder Account kündigt? Oder nach 12 Monaten Inaktivität oder sogar schon nach wenigen Wochen ohne Aktivität? Es kann auch sinnvoll sein, Kunden zuerst nach ihrem Langzeitverhalten zu segmentieren. Für jedes Segment kommen dann spezifischere Vorhersagemodelle zum Einsatz, welche die jüngste Aktivität bewerten können. Welche Zeitspannen für langfristiges und kurzfristiges Verhalten relevant sind, hängt dabei wieder sowohl von den der Segmentierung, aber auch vom Geschäftsgebiet ab.
