data-science

Mit Data Mining Vertragslaufzeiten vorhersagen

Durch Merkmalsklassifizierung Nutzerverhalten verstehen und präskriptiv handeln

Unterschiedliche Daten auf einem Board

Problemstellung

Produkte werden immer kurzlebiger. Nutzer wünschen sich günstige Preise, einen optimalen Service und fortlaufende Innovationen. Der zunehmende Wettbewerb und die steigende Affinität der Nutzer zu eigenverantwortlichen Recherchen und der Nutzung des Internets vor einer Kaufentscheidung, macht es nicht nur schwerer neue Kunden zu gewinnen, sondern auch den Bestand zu halten. Nutzer reagieren sensibel und sind eher bereit ein Angebot zu wechseln oder zu kündigen.

Sobald ein Nutzer kündigt, ist es in den meisten Fällen bereits zu spät und der Kunde ist verloren, ohne dass man erfährt was möglicherweise die Beweggründe waren oder ob man den Kunden hätte umstimmen können. Aus diesem Grund ist es wichtig rechtzeitig die Wechsel- oder Kündigungsintention eines Kundens zu erkennen und zu verstehen, um handeln zu können.

Doch kann man Laufzeiten oder den Wechsel von Verträgen zuverlässig und rechtzeitig vorhersagen? Ja, das geht. Und häufig kann man sogar noch herausfinden, welche besonderen Merkmale einen Vertragswechsel oder eine Kündigung rechtzeitig ankündigen oder dessen mögliche Ursache waren.

Lösungsansatz

Für eine solche Vorhersage oder Merkmalsextraktion müssen keine teuren Daten eingekauft oder extra beschafft werden. Die Grundlage bieten unternehmensinterne Datenbestände aus CRM-Systemen, Bestandslisten oder Vertragshistorien. Dabei gilt: um so länger und ausführlicher Bestandsdaten vorhanden und gepflegt sind, desto so besser.

Im ersten Schritt werden die Daten untersucht und analysiert. Dabei werden die Daten, falls nötig, aggregiert, bereinigt und in ein einheitliches und maschinenlesbares Format gebracht.

Im zweiten Schritt werden dann auf diesen standardisierten Daten mit Techniken des Data Mining, Muster und Zusammenhänge extrahiert. Solche Muster können z.B. bestimmte Sequenzmuster sein, in welchen Nutzer bestimmte Vertragsbestandteile gebucht oder geändert haben. Diese können aber auch bestimmte Ereignisse in festen Zeitintervallen oder zu bestimmten Zeitpunkten sein. Nicht zuletzt können auch Eigenschaften und Attribute der Kunden selber einen Zusammenhang zu einer Kündigung oder einem Ereignis aufzeigen.

Diese Muster und Merkmale bilden die Grundlage, mit welcher im dritten Schritt Klassifikationsverfahren trainiert werden können. Deren Aufgabe ist es nun, einen Kunden, anhand der jeweiligen gefunden Merkmale und Muster in die jeweiligen Gruppen (z.B. "kündigt", "wechselt") zusammenzufassen (zu klassifizieren).

tisson & company use case

Ergebnis

Mit diesem Klassifikationsmodell ist es im Anschluss möglich, zu prognostizieren, mit welcher Wahrscheinlichkeit und in welchem Zeitraum ein Kunde mit ähnlicher Merkmalsausprägung einen Vertrag kündigt oder wechselt.

Darüber hinaus können die gefunden Merkmale und Muster dazu genutzt werden, um zu verstehen, welche Merkmale genau die Nutzer dazu bewogen haben, den Vertrag zu kündigen oder von welchen zumindest ein signifikanter Einfluss vermutet wird. Dieser kann im Anschluss mit statistischen Verfahren und Tests überprüft werden.

Kontakt aufnehmen

Sie wünschen mehr Informationen oder haben eine Frage? Schreiben Sie uns:

Datenschutzerklärung
captcha