Wie die Vorhersage der Kundenabwanderung im B2B-Bereich funktioniert

Kundenabwanderung vorhersagen | Predicting Customer Churn
 

Für Unternehmen, die ad-hoc verkaufen, ist es nicht so einfach, die Kundenabwanderung vorherzusagen. Im Gegensatz dazu ist es für „As-a-Service-Unternehmen“, deren Geschäftsmodell auf Abonnements basiert, einfacher, gefährdete Kunden bereits sehr früh zu identifizieren.

SaaS-Unternehmen profitieren von ständig aktualisierten, detaillierten Live-Statistiken zur Kundennutzung. Zum Beispiel während einer kostenlosen Testphase und auch darüber hinaus, wenn der Kunde ein Abonnent geworden ist. Sie erstellen Modelle zur Vorhersage der Kundenabwanderung auf der Grundlage historischer Daten, die zeigen, wie oft sich Kunden anmelden und welche Funktionen sie nutzen.

B2B-Unternehmen, die nicht über Abonnements arbeiten – wie z.B. Großhandelsunternehmen oder Hersteller, verfügen oft „nur“ über Daten zu den Bestellungen (ERP-Daten) und CRM-Daten, wie bspw. der E-Mailverkehr mit bestimmten Kunden oder Notizen der Vertriebsmitarbeiter zu Kundenbesuchen. Das ist nicht viel, um ein Modell zur Vorhersage der Kundenabwanderung darauf zu stützen.

Aber es ist möglich. Wir arbeiten mit vielen Unternehmen zusammen, die zwischen 5.000 und 20.000 Kunden haben. In der Regel geben 10 bis 20 % der Kunden regelmäßig Bestellungen auf, der Rest kauft nur sporadisch.

In diesem Artikel gehen wir auf folgende Fragestellungen ein:

– Wie definiert man Kundenabwanderung?
– Wie man die Kundenabwanderung auch ohne Abonnement-Geschäftsmodell vorhersagen kann.
– Warum wandern bestehende Kunden ab?
– Welche Möglichkeiten zur Verringerung des Abwanderungsrisikos in Ihrem Unternehmen gibt es?

Definition der Kundenabwanderung für B2B-Unternehmen

Wenn wir mit einem neuen Kunden zusammenarbeiten, wollen wir zunächst herausfinden, was „Abwanderung“ für ihn bedeutet. Wann wird ein aktiver Kunde zu einem abgewanderten Kunden? Und gelten Kunden, die nur einmal bestellt haben, als verloren?

Die Definition des Begriffs „Kundenabwanderung“ ist für jedes Unternehmen individuell.

Was ist, wenn das Produkt, welches Sie verkaufen, eine Lebensdauer von 3 Jahren hat und häufig wiederverwendet werden kann? Sollten Sie einen Kunden erst nach drei Jahren als abgewandert betrachten, wenn er nicht mehr bei Ihnen (nach)bestellt?

Was ist, wenn Ihre Produkte immer wieder in häufigerer Frequenz nachbestellt werden? Nehmen wir an, Sie haben einen Kunden, der Wärmepumpen installiert. Er bestellt regelmäßig 10-20 Geräte pro Monat. Haben Sie den Kunden verloren, wenn er einen Monat lang nicht bei Ihnen bestellt? Oder müssten Sie 6 Monate warten, um ihn als verloren zu betrachten?

Damit Unternehmen die Auswirkungen der Kundenabwanderung auf ihre Einnahmen wirklich verstehen, müssen sie ein Modell erstellen, das in angemessener Weise widerspiegelt, wie oft Kunden ihre speziellen Produkte benötigen.

Vorhersage der Kundenabwanderung durch Datenanalyse

Heute können Datenwissenschaftler maschinelle Lernmodelle erstellen, die trainiert werden können, um Kundendaten zu analysieren und die Wahrscheinlichkeit der Kundenabwanderung zu untersuchen. Dazu ist Folgendes nötig:

– Standardisierung der Daten
Zunächst sollten die Daten vorbereitet werden. Das heißt, Sie sollten die Felder in Ihrer Kundendatenbank standardisieren. So stellen Sie sicher, dass das, was die Algorithmen des maschinellen Lernens lesen, konsistent ist.

– Datenbereinigung
Als Nächstes muss Ihre (ERP-)Datenbank mit Ihren Verkaufstransaktionsdaten auf ihre Richtigkeit überprüft werden. Im Laufe der Zeit ändern sich Käufernamen und Kontaktangaben. Ein Grund für den Verlust eines Kunden kann sein, dass Sie sich eine Zeit lang nicht mit ihm in Verbindung gesetzt haben, weil Sie die falsche E-Mail-Adresse haben.

Es gibt Unternehmen, die Datenbereinigungsdienste anbieten. Dort werden die Daten mit Ihrer bestehenden Kundendatenbank abgeglichen und ersetzt, wenn sie veraltet sind. Ein zusätzlicher Vorteil ist, dass Sie mit einer korrekten Datenbank auch Ihre Marketingkosten senken können, wenn es darum geht, Kunden zu binden und verlorene Kunden später zurückzugewinnen.

– Zusätzliche Datenquellen
ERP-Daten (historische Verkaufsdaten) sind die wichtigste Grundlage für ein Kundenabwanderungsmodell. Doch je nach Bedarf können noch weitere Daten und Datenquellen hinzugefügt werden. Um eventuell die Leistung des maschinellen Lernmodells zu verbessern, können Sie zusätzliche demografische Daten hinzufügen, z.B. Unternehmensgröße, Produktrücklaufquoten, Servicehistorie, potenzielle Signalabweichungen (z. B. Website-Logins und Interaktionen mit Ihren Mitarbeitern) usw.

– Auswählen, was überwacht werden soll

Entscheiden Sie sich für eine oder mehrere zu überwachende „Zielvariablen“. Eine Zielvariable ist etwas, das die Algorithmen vorhersagen sollen.

– Gehen Sie Live!
Wenn Ihre Software aktiviert ist, wird sie die Kundenabwanderung vorhersagen. Sie kann auch Wahrscheinlichkeiten berechnen, wie zufrieden ein Kunde von Ihnen vermutlich ist. Auf diese Weise können Sie die Kundenzufriedenheit einschätzen.

Bei Tools für maschinelles Lernen können Sie davon ausgehen, dass die Genauigkeit der Abwanderungsvorhersage im Laufe der Zeit zunimmt, da die Software mehr aus den Daten lernt, die Sie Ihrer Datenbank hinzufügen, und die Ergebnisse früherer Vorhersagen besser versteht.

Warum wandern B2B-Kunden ab und wie können Sie das Abwanderungsrisiko mindern?

Zu den Hauptgründen für die Abwanderung von B2B-Kunden gehören:

Probleme mit der Produktqualität. Kunden verlassen sich darauf, dass die Produkte, die sie von B2B-Lieferanten erhalten, funktionieren, wenn sie einen Auftrag haben. Wenn dies nicht der Fall ist, kann sich die Fertigstellung der Arbeit verzögern, was zusätzliche Kosten verursacht und die Kunden verärgert.

Begrenzte Auswahl auf Lager. Seit der weiten Verbreitung von Online-Bestellungen erwarten die Unternehmen eine Lieferung am selben oder nächsten Tag. Wenn Ihr Konkurrent allgemein gesehen eine schnellere Lieferung bietet, dann ist das ein Grund für Ihren Kunden den Lieferanten zu wechseln.

Preisgestaltung. Die Preisgestaltung ist ein wichtiger Faktor und hat einen großen Hebel auf den Gewinn. Tatsächlich ist es nicht immer so, dass der günstigste Preis gewinnt! Oft entscheiden sich Kunden für den Anbieter, der am ehesten die Preiserwartungen treffen.

Keine Sonderangebote für die ausgabenstärksten Kunden. Obwohl die Unternehmen ihre umsatzstärksten und profitabelsten Kunden oft sehr gut kennen, bieten nur wenige von ihnen kontinuierliche Anreize zum Bleiben.

Schlechte Kundenbetreuung. Wenn die Beantwortung von Kundenfragen oder die Lösung einer Beschwerde zu lange dauert, erschweren Sie Ihrem Kunden die Führung seines Unternehmens.

Mit Hilfe von KI-basierten Kundenabwanderungsmodellen können Sie leichter erkennen, bei welchen Ihrer Kunden Sie einen guten Job machen und bei welchen Kunden bestimmte Kundenbindungsmaßnahmen sinnvoll sind, um sie zu halten.

 
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
 

Identifizieren Sie abwanderungsgefährdete Kunden mit Qymatix

Mit der KI-basierten Qymatix Software zur Kundenabwanderung (Churn Prediction Software) erhalten Sie Frühwarnungssignale, um proaktive Vertriebsmaßnahmen zur Kundenbindung einzuleiten. Kundenbindung ist immer günstiger und profitabler als eine Kundenakquise, denn es kostet 5 – 10 mal so viel einen neuen Kunden zu gewinnen, als einen bestehenden Kunden zu halten.

Qymatix setzt moderne Methoden des maschinellen Lernens ein, die von erfahrenen Datenwissenschaftlern entwickelt wurden, um Kunden mit dem höchsten Abwanderungsrisiko zu identifizieren. Sie können sofort erkennen, wie hoch der potenzielle Umsatzverlust durch abwanderungsgefährdete Kunden ist. Mit Qymatix können Sie den durchschnittlichen Customer Lifetime Value, den Ihr Unternehmen von seinen Kunden erhält, erhöhen.

Um die Qymatix Predictive Sales Analytics Software für Kundenabwanderung zu besprechen, machen Sie gerne einen Termin zum Kennenlernen aus!

 

ICH MÖCHTE PREDICTIVE ANALYTICS FÜR DEN B2B-VERTRIEB