Wie Digitalhaus Franken mit KI gegen Kundenabwanderung vorgeht

Erfahren Sie, wie ein deutscher Verlag Machine Learning verwendet, um das Kündigerverhalten von Abonnenten vorherzusagen. So soll frühzeitig mit individueller Kundenansprache entgegengewirkt werden, um langfristig die Kündigungsquote zu senken

By: Moritz Kircher

Die Kündigung von Abonnements stellt viele digitale Medienhäuser vor Herausforderungen. Für uns beim Digitalhaus Franken geht es dabei nicht nur um wirtschaftliche Stabilität, sondern auch um die Aufgabe, die Menschen in unserer Region mit fundierter Information zu versorgen, um einen Beitrag zum demokratischen Willensbildungsprozess zu leisten. Um die sogenannte Churn-Rate signifikant zu senken, setzen wir auf ein KI-basiertes Vorhersagesystem.

PULSE – Predictive User Loyalty System for Engagemen: So heißt das Projekt, mit dem das Digitalhaus Franken ein eigenes KI-Modell entwickelt, das uns künftig dabei unterstützen soll, individuelle Kündigungswahrscheinlichkeiten für jeden einzelnen unserer Abonnenten zu berechnen. Denn wir sind überzeugt: Wer gut informiert ist, kann sich besser in gesellschaftliche Diskussionen einbringen und fundierte Entscheidungen treffen. 

Was wir bislang erreicht haben

Das gewählte Modell soll für jeden Abonnenten eine Kündigungswahrscheinlichkeit berechnen und das Team des Digitalhauses Franken zukünftig in die Lage versetzen, mögliche Kündigungen mit geeigneten Marketingmaßnahmen proaktiv zu verhindern.

Und wo stehen wir aktuell? Nachdem wir zuerst im Haus ein interdisziplinäres Projektteam zusammengestellt haben, ist es uns in einem ersten Schritt gelungen, die Kundendaten und die Daten aus unserem Analytics-Tool in einem Data Warehouse zu vereinen. Danach haben wir Hypothesen aufgestellt, welche Verhaltensmerkmale unserer Kunden die Kündigungswahrscheinlichkeit beeinflussen könnten und die entsprechenden Metriken ausgewählt. Wie lange ist ein Kunde bereits im Abo? Wie häufig nutzt er es? Wie lange nutzt er das Abo pro Besuch? Welche Bezahlmethode nutzt er? Über welchen Referrer ist er ins Abo gekommen? All diese Fragen und noch weitere Fragen spielen eine Rolle, wenn es darum geht, wie lange ein Kunde sein Abo behält, wie erste Auswertungen ergeben haben.

Welches KI-Modell liefert die besten Vorhersagen?

Und da wir dem Geheimnis des Kündigungszeitpunktes nicht nur einmalig auf den Grund gehen, sondern jederzeit in der Lage sein wollen, Kündigungswahrscheinlichkeiten vorherzusagen, müssen die Daten in ein automatisiertes Modell einfließen. Dafür braucht es zuerst einmal die passende Infrastruktur – basierend auf der Microsoft-Azure-Umgebung und Databricks, einer Cloud-Plattform für Datenanalyse und KI. Und alles natürlich im Einklang mit geltenden Datenschutzvorschriften.

Aktuell beschäftigen wir uns in der Projektarbeit damit, unterschiedliche KI-Modelle zu trainieren und die Ergebnisse zu evaluieren. In der Auswahl sind dabei die logistische Regression, Random Forest, XGBoost und Support Vector Machine. Welches der Modelle dabei das Rennen macht, soll in Kürze nach Abschluss der Testphase entschieden werden. 

Unser Ziel ist es, mit dem Modell möglichst viele potenzielle Kündiger zu erkennen. Bei der Auswahl des finalen Modells spielt für uns aber auch die Erklärbarkeit eine wichtige Rolle. Wir möchten nicht nur wissen, wer eine hohe Kündigungswahrscheinlichkeit hat, sondern auch warum das Modell den Kunden so eingestuft hat. 

Liegen mehrere Modelle in der Güte ihrer Vorhersagen nahe beieinander, spielt am Ende bei der Entscheidung auch eine Rolle, wie ressourcenschonend ein Modell betrieben werden kann. Denn es geht nicht nur um eine einmalige Berechnung von Kündigungswahrscheinlichkeiten, sondern um einen fortlaufenden Betrieb und ein permanentes Training zur Verfeinerung des Modells. Nicht zuletzt die Marketingmaßnahmen, die ergriffen werden, um eine Kündigung abzuwenden, müssen wieder in das Modell einfließen. Idealerweise soll am Ende die Marketing-Automation angebunden werden, sodass das komplette System vollautomatisch läuft.

Passgenaue Marketingmaßnahmen für jeden einzelnen Kunden

Und damit wären wir bei den nächsten Schritten. Bis zum Ende des Förderzeitraumes wollen wir ein sogenanntes Minimum Viable Product (MVP) an den Start gebracht haben. Dazu müssen wir als nächstes das KI-Modell auswählen, mit dem wir unser System betreiben möchten. Danach sollen die Daten in Dashboards einfließen, um sie weiter analysieren und damit arbeiten zu können. 

Sobald das System steht und verlässliche Daten liefert, geht die Arbeit im Haus eigentlich erst richtig los. Denn dann muss sich unser Marketingteam permanent damit befassen, passgenaue Maßnahmen zu entwickeln, um auch wirklich Kunden von der Kündigung abzuhalten. 

Und zur Erinnerung: im Idealfall bevor die Kunden überhaupt selbst auf die Idee kommen, ihr Abo wieder abzugeben. Denn mit jedem Abonnement, das wir halten können, leisten wir einen Beitrag dazu, dass die Menschen in unserer Region mit gut recherchierten, journalistischen Informationen auf dem Laufenden zu bleiben. 

———

Dieser Artikel ist Teil einer Serie mit Updates von 35 Stipendiaten der JournalismAI Innovation Challenge, die von der Google News Initiative unterstützt wird. Klicken Sie hier, um weitere Artikel unserer Stipendiaten zu lesen.