Abwanderungsprognosemodell

Abwanderungsprognosemodelle werden mit Hunderten potenzieller Merkmale aus vier Datenkategorien trainiert. Verhaltensmerkmale (aus Produktanalysen): wöchentlich aktive Sitzungen pro lizenzierter Stelle, Engagement-Trend für Kernfunktionen über 60 Tage (verbessert oder verschlechtert sich?), Anzahl der verwendeten unterschiedlichen Funktionen, Zeit seit der letzten Anmeldung durch den Hauptnutzer und Abschluss von Onboarding-Meilensteinen. Beziehungsmerkmale (aus CRM und CS-Plattform): Datum des letzten QBR, vom CSM zugewiesenes Gesundheits-Flag, Anzahl der kontaktierten Stakeholder, Abgang von Champions, Tage seit der letzten bedeutungsvollen CS-Interaktion. Support-Merkmale (aus dem Helpdesk): Gesamtzahl der Tickets in den letzten 90 Tagen, Anzahl der Eskalationen, Anzahl der Tickets zum selben wiederkehrenden Problem, CSAT-Trend über 90 Tage und Tage mit einem offenen, ungelösten P1- oder P2-Problem. Kommerzielle Merkmale (aus Abrechnung und CRM): Tage bis zur Verlängerung, Vertragswert im Verhältnis zum Plan, ob das Konto monatlich oder jährlich ist, Anzahl der vorherigen Verlängerungszyklen. Die Analyse der Merkmalsbedeutung nach dem Modelltraining zeigt, welche Signale das größte prädiktive Gewicht haben – dies ist der wertvollste Output für CS Ops: Welche 5 Signale sollten CSMs aktiv beobachten, bevor das Modell alles verarbeitet?

Ein Abwanderungsprognosemodell ist nur so wertvoll wie die Aktionen, die es auslöst. Schritte zur Operationalisierung: Kadenz der Punkteberechnung – das Modell bewertet jedes Konto wöchentlich neu (nicht monatlich, da sich der Kontostatus schnell verschlechtern kann). Anzeige der Punkte – die Punkte werden prominent in der CS-Plattform (Gainsight, ChurnZero) zusammen mit den wichtigsten beitragenden Faktoren angezeigt ("Das hohe Abwanderungsrisiko dieses Kontos wird hauptsächlich verursacht durch: keine Anmeldung in 21 Tagen, 3 offene eskalierte Bugs, verpasstes QBR letzten Monat"). Schwellenwertbasierte Warnungen – wenn ein Konto die "gefährdete" Schwelle überschreitet, wird automatisch eine CSM-Aufgabe mit einem 48-Stunden-SLA und dem vom Modell vorgeschlagenen Playbook erstellt. Prognoseintegration – gefährdete Konten werden automatisch in der Verlängerungspipeline mit einem "Modell gefährdet"-Tag gekennzeichnet, wodurch die gewichtete Verlängerungsprognose aktualisiert wird. Modellkalibrierung – monatlich überprüft CS Ops Konten, die über der Abwanderungsschwelle lagen, aber verlängert wurden (falsch positive), und Konten unter der Schwelle, die abgewandert sind (falsch negative), und verwendet diese, um das Modell neu zu trainieren und die Genauigkeit im Laufe der Zeit zu verbessern.

Abwanderungsprognosemodelle sind probabilistisch, nicht deterministisch – sie drücken Risikowahrscheinlichkeiten basierend auf Mustern in historischen Daten aus, nicht Gewissheiten. Wesentliche Einschränkungen: Modelle schneiden bei neueren Kunden schlechter ab (unzureichende Verhaltenshistorie, um zuverlässige Signale zu generieren); sie haben Schwierigkeiten mit plötzlichen exogenen Ereignissen (Budgetstopps, Unternehmensübernahmen, Abgänge von Champions, die nicht in den Daten erfasst sind – das Modell hat kein Signal für einen neuen VP, der beschließt, Anbieter zu konsolidieren). Modelle können auch falsches Vertrauen erzeugen: Ein "grüner" Gesundheits-Score kann die Proaktivität des CSM gegenüber Konten verringern, die sich auf Weisen verschlechtern, die das Modell nicht erfasst. CS Ops sollte die Genauigkeitsmetriken des Modells transparent darstellen: "Dieses Modell ist zu 72 % genau bei der Vorhersage von Abwanderung 60 Tage im Voraus, was bedeutet, dass 28 % der Abwanderungsereignisse allein vom Modell übersehen werden – menschliches CSM-Urteilsvermögen bleibt unerlässlich." Das Modell ergänzt die CSM-Intuition, es ersetzt sie nicht. Die Führungsebene sollte diese Einschränkungen verstehen, wenn sie Modellergebnisse für die Kapazitätsplanung und die Verlängerungsprognose verwendet.