Kundenabwanderung , auch bekannt als Kundenfluktuation , Kundenwechsel oder Kundendefektion , bezeichnet den Verlust von Kunden.

Unternehmen nutzen häufig die Analyse der Kundenabwanderung und die Ermittlung der Kundenabwanderungsrate als eine ihrer wichtigsten Kennzahlen (neben Cashflow , EBITDA usw.), da die Kosten für die Kundenbindung deutlich geringer sind als die Kosten für die Neukundengewinnung . [ 1 ] Beispiele hierfür sind Banken , Telekommunikationsunternehmen, Internetanbieter , Pay-TV- Anbieter, Versicherungen und Alarmanlagendienste. Unternehmen dieser Branchen verfügen oft über Kundendienstabteilungen , die versuchen, abgewanderte Kunden zurückzugewinnen, da die Rückgewinnung langjähriger Kunden für ein Unternehmen deutlich wertvoller sein kann als die Gewinnung neuer Kunden.

Unternehmen unterscheiden üblicherweise zwischen freiwilliger und unfreiwilliger Kundenabwanderung . Freiwillige Abwanderung erfolgt durch die Entscheidung des Kunden, zu einem anderen Unternehmen oder Dienstleister zu wechseln. Unfreiwillige Abwanderung tritt aufgrund von Umständen wie dem Umzug in eine Pflegeeinrichtung, dem Tod des Kunden oder einem Umzug an einen weit entfernten Ort auf. In den meisten Anwendungen werden unfreiwillige Gründe für Abwanderung in den Analysemodellen nicht berücksichtigt. Analysten konzentrieren sich in der Regel auf die freiwillige Abwanderung, da diese typischerweise auf Faktoren der Kundenbeziehung zurückzuführen ist, die Unternehmen beeinflussen können, wie beispielsweise die Abwicklung von Abrechnungsvorgängen oder die Bereitstellung von Kundendienst.

Bei der Messung der Kundenfluktuation unterscheiden Unternehmen üblicherweise zwischen Brutto- und Nettoabwanderung . Die Bruttoabwanderung bezeichnet den Verlust bestehender Kunden und der damit verbundenen wiederkehrenden Umsätze für vertraglich vereinbarte Waren oder Dienstleistungen innerhalb eines bestimmten Zeitraums. Die Nettoabwanderung ergibt sich aus der Bruttoabwanderung zuzüglich der Gewinnung oder Rekrutierung ähnlicher Kunden am ursprünglichen Standort. Finanzinstitute erfassen und messen die Abwanderung häufig mithilfe einer gewichteten Kennzahl, dem sogenannten monatlich wiederkehrenden Umsatz ( MRR ). Seit den 2000er-Jahren gibt es zudem zahlreiche Business-Intelligence -Softwareprogramme, die Kundendatenbanken auswerten und Faktoren analysieren, die mit Kundenabwanderung in Zusammenhang stehen, wie beispielsweise Unzufriedenheit mit Service oder technischem Support, Streitigkeiten über Rechnungen oder Meinungsverschiedenheiten bezüglich der Unternehmensrichtlinien. Fortgeschrittenere Software für prädiktive Analysen verwendet Abwanderungsprognosemodelle, die die Kundenabwanderung anhand des Abwanderungsrisikos vorhersagen. Da diese Modelle eine kleine, priorisierte Liste potenzieller Abwanderer erstellen, können sie Kundenbindungsprogramme gezielt auf die abwanderungsgefährdetsten Kunden ausrichten.

Anwendungen für Einzelhandelsdienstleistungen

Finanzdienstleister wie Banken und Versicherungen nutzen prädiktive Analysen zur Abwanderungsmodellierung, da Kundenbindung ein wesentlicher Bestandteil der meisten Geschäftsmodelle ist . Auch andere Branchen, darunter Einzelhandel , Telekommunikation und Pay-TV-Anbieter, haben das Potenzial prädiktiver Analysen erkannt. Eines der Hauptziele der Kundenabwanderungsmodellierung ist die Ermittlung der ursächlichen Faktoren, um zukünftigen Kundenverlusten vorzubeugen. Manche Unternehmen möchten verhindern, dass ihre guten Kunden an Wert verlieren (z. B. durch Zahlungsverzug) und dadurch weniger profitabel werden. Daher führen sie das Konzept der partiellen Kundenabwanderung ein .

Die Kundenabwanderung verdient weltweit besondere Aufmerksamkeit von Mobilfunkanbietern. Grund dafür sind die geringen Wechselhürden, insbesondere seit der Einführung der Rufnummernmitnahme (MNP) in vielen Ländern. Dadurch können Kunden zu einem anderen Anbieter wechseln und gleichzeitig ihre Rufnummer behalten. Während in etablierten Märkten mit hoher Telefondichte (hoher Marktdurchdringung) die Abwanderungsraten zwischen 1 % und 2 % pro Monat liegen, verzeichnen wachstumsstarke Entwicklungsmärkte wie Indien und China Abwanderungsraten zwischen 3 % und 4 % pro Monat. Durch den Einsatz neuer Technologien wie Abwanderungsprognosemodelle in Verbindung mit effektiven Kundenbindungsprogrammen lässt sich die Kundenabwanderung besser steuern und der erhebliche Umsatzverlust durch abwandernde Kunden eindämmen.

Kundenabwanderung ist für US-amerikanische und kanadische Banken ein großes Problem, da ihre Abwanderungsraten deutlich höher sind als die von Banken in Westeuropa. US-amerikanische und kanadische Banken mit den niedrigsten Abwanderungsraten erreichten Kundenfluktuationen von nur 12 % pro Jahr durch Maßnahmen wie kostenlose Girokonten, Online-Banking und Online-Zahlungsdienste sowie einen verbesserten Kundenservice. Sobald Banken ihre Abwanderungsraten durch einen verbesserten Kundenservice senken können, erreichen sie jedoch einen Punkt, an dem weitere Verbesserungen des Kundenservice die Kundenbindung nicht mehr erhöhen; daher müssen andere Strategien oder Ansätze geprüft werden.

Kundenabwanderung wird häufig als Indikator für Kundenzufriedenheit herangezogen . Allerdings lässt sich die Abwanderungsrate künstlich niedrig halten, indem man es Kunden erschwert, ihre Dienste zu kündigen. Dies kann das Ignorieren von Kündigungsanfragen, die Implementierung langwieriger und komplizierter Kündigungsverfahren für den durchschnittlichen Kunden sowie diverse andere Kündigungshürden umfassen. So kann die Abwanderungsrate steigen, während die Kundenzufriedenheit sinkt. Diese Praxis ist kurzsichtig und wird sich negativ auswirken. Sie ist jedoch bei Telefongesellschaften und Internetanbietern weit verbreitet.

Forschung

Wissenschaftler haben die Kundenabwanderung bei europäischen Finanzdienstleistungsunternehmen untersucht und die Einflussfaktoren auf die Abwanderung sowie den Einfluss von CRM-Systemen ( Customer Relationship Management ) auf die Abwanderungsraten erforscht. Mehrere Studien kombinieren verschiedene Arten von Einflussfaktoren, um ein Abwanderungsmodell zu entwickeln. Dieses Modell kann demografische Merkmale , Umweltveränderungen und weitere Faktoren berücksichtigen. [ 2 ]

Forschungen zur Modellierung von Kundenabwanderungsdaten können Unternehmen verschiedene Instrumente zur Verbesserung der Kundenbindung an die Hand geben. Mithilfe von Data Mining und Software lassen sich statistische Methoden anwenden, um nichtlineare Modelle zur Erklärung der Abwanderungsursachen zu entwickeln. Ein Forscher merkt an, dass die Bindung bestehender Kunden profitabler ist als die Neukundengewinnung, vor allem aufgrund von Einsparungen bei den Akquisitionskosten, dem höheren Servicevolumen und Kundenempfehlungen. Um ein effektives Kundenbindungsprogramm aufzubauen, müssen Manager daher verstehen, warum Kunden abwandern und die Kunden mit hohem Abwanderungsrisiko durch präzise Prognosen der Kundenabwanderung identifizieren. [ 3 ]

Die Modellierung von Kundenabwanderung verfolgt ein zweifaches Ziel. Erstens sollte sie eine gute Vorhersagegenauigkeit erzielen, die häufig anhand der Fläche unter der ROC-Kurve oder des Top-Dezil-Lifts gemessen wird. Zweitens sollte sie Erkenntnisse über die Abwanderungsursachen liefern, um Managemententscheidungen zu steuern. [ 4 ]

Vorhersage

Im Geschäftskontext bezeichnet „Churn“ sowohl die Abwanderung von Kunden als auch deren Wertverlust. Die „Churn-Rate“ gibt somit einerseits den Prozentsatz der Kunden an, die ihre Geschäftsbeziehung mit dem Unternehmen beenden, oder andererseits den Anteil der Kunden, die zwar weiterhin Dienstleistungen in Anspruch nehmen, jedoch nicht mehr so ​​häufig oder so umfangreich wie früher. Unternehmen stehen daher vor einer großen Herausforderung: Sie müssen die Abwanderung von Kunden frühzeitig erkennen, um diese rechtzeitig zu binden und dadurch Kosten und Risiken zu reduzieren sowie Effizienz und Wettbewerbsfähigkeit zu steigern. Auf dem Markt sind hochentwickelte Analysetools und -anwendungen verfügbar, die speziell für die detaillierte Analyse der enormen Datenmengen in Unternehmen entwickelt wurden und auf Basis der gewonnenen Erkenntnisse Prognosen ermöglichen. Sie sollen Marketingabteilungen und -agenturen – und allen anderen Anwendern – die notwendigen Werkzeuge an die Hand geben, um:

  • Erkennen Sie frühzeitig, welche Kunden kurz vor dem Absprung stehen, und lernen Sie sie eingehend kennen, indem Sie Fragen beantworten wie: Wer sind sie? oder Wie verhalten sie sich?
  • Den tatsächlichen Wert des potenziellen Verlusts dieser Kunden zu ermitteln, um Prioritäten zu setzen und Geschäftsanstrengungen und Ressourcen effizient zu verteilen, Ressourcen zu optimieren und den Wert des aktuellen Kundenportfolios zu maximieren.
  • Setzen Sie personalisierte Kundenbindungspläne in die Praxis um, um deren Abwanderung zu reduzieren oder zu vermeiden, die Reaktionsfähigkeit zu erhöhen und möglichen unvorhergesehenen Abwanderungen vorzubeugen.

Reduktion

Es gibt Organisationen, die internationale Standards für die Anerkennung und den Austausch globaler Best Practices im Kundenservice entwickelt haben , um die Kundenabwanderung zu reduzieren. Das International Customer Service Institute hat den International Customer Service Standard (ICS) entwickelt, um Organisationen strategisch auszurichten und sie auf exzellenten Kundenservice zu fokussieren. Gleichzeitig wird der Erfolg durch ein unabhängiges Registrierungssystem anerkannt.

Management

Nicht jede Kundenabwanderung ist negativ. Für viele Unternehmen ist es sogar nützlich und wünschenswert, dass unrentable Kunden abwandern. Dies wird als Kundenabwanderung von unrentablen Kunden bezeichnet. [ 5 ] Allerdings bedeutet die Unrentabilität eines Kunden nicht zwangsläufig, dass er abgestoßen werden sollte, da es strategische Gründe für die Beibehaltung unrentabler Kunden gibt.

Siehe auch

Referenzen

  1. ^ Null Defekte: Qualität im Service. Reichheld & Sasser. Harvard Business Review. 1990.
  2. ^ Van Den Poel; Lariviére (2004). „Kundenabwanderungsanalyse für Finanzdienstleistungen mithilfe von Proportional-Hazard-Modellen“. European Journal of Operational Research . 157 : 196–217 . CiteSeerX  10.1.1.62.8919 . doi : 10.1016/s0377-2217(03)00069-9 .
  3. ^ Anwendung und Bewertung von Modellen zur Vorhersage von Kundenabwanderung mithilfe von Data-Mining-Techniken , Tom Au et al. Journal of Comparative International Management. 1. Juni 2003
  4. ^ De Caigny, A.; Coussement, K.; De Bock, W. K. (2018). „Ein neuer hybrider Klassifikationsalgorithmus zur Vorhersage von Kundenabwanderung basierend auf logistischer Regression und Entscheidungsbäumen“. European Journal of Operational Research . 269 (2): 760–772 . doi : 10.1016/j.ejor.2018.02.009 . ISSN 0377-2217 . 
  5. ^ Ka-shing Woo, Henry KY Fock, (2004) Kundenbindung und -abwanderung: Eine explorative Studie über die richtigen Kunden, „gefährdete“ richtige Kunden und falsche Kunden. Journal of Services Marketing, 18 , 187-197.

Weiterführende Literatur