Churn-Prediction - Welche Kunden werden wahrscheinlich abwandern?

people leaving a building
Energie
-
Data Science
-
Churn-Prediction

Die Herausforderung

Der Energieversorger legt großen Wert auf den Service, aber im Bereich der Churn-Prevention werden bisher nur wenige Aktivitäten durchgeführt. Im Allgemeinen haben Energieversorger selten eine zentrale 360-Grad-Sicht auf ihre Kundinnen und Kunden. Ganz im Gegenteil, Kundendaten werden oft sehr fragmentiert gespeichert (u.a. aufgrund von Datensicherheits- und Datenschutzbestimmungen) und lassen sich nur schwer in ein einheitliches Datenmodell für Analysen integrieren. Dieses ist allerdings die Voraussetzung, um wechselgefährdete Kunden erfolgreich zu identifizieren.

Unsere Lösung

Wir haben uns für ein einfaches Setup entschieden, das aus einem Datenport (zur sicheren Datenspeicherung und -verwaltung) und einer Jupyter-Umgebung für das Training und die Bereitstellung des Vorhersagemodells besteht. Die Daten wurden aus dem SAP-System extrahiert und anonymisiert um den Datenschutz sicher zu stellen. Contiamo verwendete modernste Libraries für maschinelles Lernen (u. a. Catboost und CoxPH) für die Analyse und die Erstellung von Churn-Vorhersagen. Für den ersten Praxistest mit den generierten Ergebnissen entschied sich der Kunde für einen einfachen Export des Rankings (einschließlich Hintergrundinformationen) als CSV-Datei. In Zukunft können die Vorhersagen direkt in die Datenbanken des Kunden hochgeladen werden.

Tech-Stack

Python
Jupyter
Tableau

Das Projekt

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

Erzielte Ergebnisse

tick mark

43% vermeidbare Kündigungen

tick mark

360-Grad-Kundeneinsichten

tick mark

Harmonisiertes Datenmodell

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.

← zurück zu den Success-Stories
Sie sind interessiert an weiteren Informationen?
Lassen Sie uns über Ihre aktuellen Themen und Fragestellungen sprechen!
kontakt