Churn-Prediction - Welche Kunden werden wahrscheinlich abwandern?

Um den Arbeitsaufwand und die Kosten für den Kunden gering zu halten, hat Contiamo ein einfaches, aber effizientes System aufgebaut, das in sehr kurzer Zeit Ergebnisse liefert. Die gewählten Tools ermöglichen selbstverständlich eine einfache Erweiterung und Integration in das Datenökosystem des Kunden zu einem späteren Zeitpunkt. Wir haben die Projektphasen im Voraus gemeinsam definiert. In regelmäßigen Treffen wurden Daten diskutiert und Ergebnisse der folgenden Projektschritte präsentiert: 

1. Kickoff-Workshop zur Identifizierung der verfügbaren Daten, zur Diskussion von Hypothesen über Churn-Gründe und zur Definition des Vorhersageziels
2. Datentransfer mit kontinuierlicher Unterstützung
3. Datenbereinigung und -aufbereitung, sodass die transformierten Datensätze für maschinelles Lernen geeignet sind und darüber hinaus für andere analytische Fragestellungen wiederverwendet werden können
4. Datenuntersuchung und Churn-Analyse sowohl in Tableau als auch in Jupyter-Notebooks
5. Modellvorbereitung: Identifizierung von Faktoren, die die Abwanderung beeinflussen (also starke Prädiktoren für das finale Machine-Learning-Modell sindl)
6. Modellierung: Erstellung von Snapshots der Customer-Journey und Training & Testen des Churn-Prognosemodells
7. Backtesting und Generierung des Outputs: Churn-Prognosen für Kunden werden kalkuliert und mit den relevantesten Risikofaktoren angereichert
8. Verprobung des Outputs mit gemeinsam diskutierten Präventionsmaßnahmen

Der Kunde suchte nach einer Möglichkeit, die Kündigungen mithilfe einer datenbasierten Lösung zu verringern. Das Contiamo-Team entwickelte ein Prognosemodell, das zeigte, welche Kunden mit hoher Wahrscheinlichkeit bald kündigen würden, einschließlich der wichtigsten Risikofaktoren für diese Kunden. Dieses erklärbare Modelldesign und die gute Vorhersagequote (bis zu 43 % Erfolgsquote in der am stärksten gefährdeten Gruppe) ermöglichten es dem Energieversorger, gezielte Maßnahmen zu ergreifen, um die Abwanderung von Kunden zu verhindern. Das Projekte zeigte außerdem neue Themen für weitere Analysen auf: z.B. die Personalisierung von Tarifvorschlägen und die Unterstützung des Kundenservices mit Handlungsempfehlungen.