KI-gestützte Churn-Prognose für den Bankensektor
Challenge
Das Bankinstitut hatte bereits intern ein Churn-Prognosesystem entwickelt, doch mehrere Aspekte konnten im Hinblick auf eine höhere operative Effizienz verbessert werden, darunter:
Reduzierung von Fehlalarmen. Viele Kunden wurden als abwanderungsgefährdet eingestuft, ohne dass dies tatsächlich eintrat, was zeitaufwändige Maßnahmen für interne Ressourcen zur Folge hatte;
Geringe Granularität. Das System unterschied nicht zwischen Kunden, die die Geschäftsbeziehung vollständig beenden würden, und solchen, die lediglich ihre Nutzung der Dienstleistungen reduzieren würden;
Geringe Interpretierbarkeit. Es war unklar, welche Faktoren das Risiko bestimmten, was die Gestaltung gezielter Bindungsmaßnahmen für bestimmte Variablen erschwerte;
Kurzfristige Prognosen. Der begrenzte zeitliche Horizont ließ keine angemessenen mittel- bis langfristigen Strategien zu.
Die Bank benötigte daher eine ausgereiftere KI-Lösung, die Abwanderung nicht nur präziser vorhersagen, sondern auch interpretierbare Erkenntnisse liefern konnte, um konkrete Maßnahmen zu steuern.
Die Kundenbindung ist für den Schweizer Bankensektor eine strategische Priorität, insbesondere für Institute, die spezialisierte Vorsorge- und Gesundheitsdienstleistungen anbieten.
Unsere KI-Lösung
Artificialy hat ein Churn-Prognosesystem entwickelt, das auf zwei spezialisierten Modellen basiert, von denen jedes ein unterschiedliches Abwanderungsmuster erfasst.
Das System analysiert historische Daten aus heterogenen Quellen, wie digitale Daten (Web- und Mobile-Banking-Zugriffe), Transaktionsdaten (Volumen, Häufigkeit, Art der Vorgänge), Interaktionen mit dem Support (Anrufe, Beschwerden, Serviceanfragen) und Verhaltensmuster (Credit Score, Nähe zur jährlichen Vertragsverlängerung).
Diese Daten fließen in zwei komplementäre Prognosemodelle ein:
Cancellation Churn Model. Berechnet die Wahrscheinlichkeit, dass ein Kunde beschließt, seine Abonnements vollständig zu kündigen und die Bankdienstleistungen nicht mehr zu nutzen. Das Modell liefert 3-Monats-Prognosen für sofortige Maßnahmen bei Hochrisikokunden sowie 6-Monats-Prognosen für mittelfristige präventive Strategien.
Transactional Volume Drop Churn Model. Sagt die Wahrscheinlichkeit voraus, dass ein Kunde, ohne sein Konto formell zu kündigen, seine Nutzung der Dienstleistungen drastisch reduziert. Konkret identifiziert es Kunden, die im Vergleich zum gleichen Quartal des Vorjahres mindestens 90 % weniger Transaktionen durchführen werden. Dieses Modell erfasst ein oft unsichtbares Phänomen: Kunden, die sich schrittweise zurückziehen, ohne die Beziehung zu beenden, für die Bank jedoch faktisch keinen Wert mehr generieren.
Neben den Prognosen liefert die KI eine Erklärung ihrer Entscheidungen (Explainability) und zeigt für jeden einzelnen Kunden auf, welche Faktoren die Entscheidung am stärksten beeinflusst haben, darunter:
Credit Score und jüngste Veränderungen;
Anzahl und Art der Anrufe beim Kundensupport;
Häufigkeit und Art der Interaktionen über digitale Kanäle;
Zeitliche Nähe zur Zahlung der Jahresgebühr;
Anomale Muster im Vergleich zum historischen Verhalten des Kunden;
Und viele weitere
Diese Transparenz ermöglicht es den Retention-Teams, personalisierte Maßnahmen auf Basis der spezifischen Risikofaktoren zu entwickeln.
Ergebnisse
Die KI-Lösung von Artificialy, getestet bei einem auf Vorsorge spezialisierten Schweizer Bankinstitut, erzielte messbare und signifikante Verbesserungen:
Über 90 % Reduzierung der Fehlalarme
+14,4 % Prognosegenauigkeit
Besseres Verständnis der Risikofaktoren
Die Lösung zeigt, wie KI nicht nur die Prognosegenauigkeit verbessern, sondern Churn-Prognosesysteme von reinen Warnsystemen in Decision-Intelligence-Plattformen für das proaktive Management des Kundenstamms verwandeln kann.
.png)
