Churn-Prognose im SaaS: So erkennen Sie Risiken, bevor Sie den Kunden verlieren

97 % der Kunden, die abwandern, tun das lautlos. Sie beschweren sich nicht, sie fragen nicht nach einem Rabatt, sie kündigen nichts an. Sie hören einfach auf, sich einzuloggen, lassen den Vertrag auslaufen und ziehen weiter.

Wenn Sie Customer Success in einem B2B-SaaS-Unternehmen verantworten, sollte Ihnen diese Zahl zu denken geben. Denn sie bedeutet, dass Ihr Team auf Churn reagiert, statt ihn vorherzusagen. Und der Unterschied zwischen diesen beiden Ansätzen ist der Unterschied zwischen dem hektischen Versuch, einen bereits verlorenen Deal zu retten, und einem Eingreifen 30 Tage bevor das Risiko überhaupt akut wird.

Churn-Prognose bedeutet, diejenigen Kunden zu identifizieren, die wahrscheinlich kündigen werden, bevor sie es tatsächlich tun. Gut umgesetzt, liefert sie Ihrem CS-Team eine priorisierte Liste von Accounts, auf die es sich konzentrieren sollte, gestützt auf Daten statt auf Bauchgefühl. Schlecht umgesetzt oder gar nicht, und Sie wälzen Tabellen, nachdem der Umsatz bereits weg ist.

Dieser Leitfaden behandelt alles, was CS- und RevOps-Verantwortliche im SaaS über Churn-Prognose wissen müssen: welche Signale Sie beobachten sollten, wie Sie ein Modell bauen, das tatsächlich funktioniert, wo regelbasiertes Scoring endet und Machine Learning beginnt, und vor allem, wie Sie Prognosen in Maßnahmen umsetzen, die Accounts retten.

Kurz gesagt: Die Churn-Prognose markiert Accounts, die wahrscheinlich kündigen werden, bevor sie es tun, indem sie das Verhalten jedes Accounts mit den Mustern früherer abgewanderter Kunden vergleicht. Sie bündelt Nutzungs-, Abrechnungs-, Support- und Vertragssignale in einem Risiko-Score und ordnet jeder Risikostufe eine Intervention zu. Der Gewinn: ein Vorsprung von 30 bis 60 Tagen, solange der Account noch zu retten ist.

Warum die Churn-Prognose wichtiger ist als die Churn-Rate

Die meisten SaaS-Unternehmen messen ihre Churn-Rate. Deutlich weniger prognostizieren Churn tatsächlich. Das ist ein Problem, denn die Churn-Rate ist ein nachlaufender Indikator: Sie sagt Ihnen, was bereits passiert ist. Ein Churn-Prognosemodell ist ein vorlaufender Indikator. Es sagt Ihnen, was gleich passieren wird, und das heißt, Sie können noch etwas dagegen tun.

Die Zahlen sprechen für sich. Untersuchungen von Bain & Company zeigen, dass eine Steigerung der Kundenbindung um nur 5 % den Gewinn um 25–95 % erhöhen kann. Und speziell im B2B-SaaS ist die Rechnung noch überzeugender: Einen neuen Kunden zu gewinnen kostet 5- bis 7-mal mehr, als einen bestehenden zu halten.

Das eigentliche Argument für die Churn-Prognose liegt aber nicht in den Durchschnittswerten, sondern im Timing.

Zwischen 40 % und 60 % aller SaaS-Kündigungen passieren in den ersten 90 Tagen des Kundenlebenszyklus. Wenn Sie Ihre Churn-Rate nur quartalsweise prüfen, verpassen Sie genau das Zeitfenster, in dem eine Intervention am wirksamsten ist. Ein Churn-Prognosemodell macht diese gefährdeten Accounts in Echtzeit sichtbar, Wochen bevor die Kündigung tatsächlich eintritt. Genau deshalb ist ein solider Customer Health Score das Fundament, mit dem die meisten Teams starten.

Die Frühwarnsignale, die Churn vorhersagen

Bevor Sie ein Modell bauen, müssen Sie die Signale verstehen, die es speisen. Nicht alle Churn-Indikatoren sind gleichwertig. Manche geben Ihnen ein Warnfenster von 60 Tagen; andere sagen Ihnen nur, was Sie ohnehin schon wussten. Wir haben sie anhand der Retention-Muster von 44.000 SaaS-Nutzern bewertet.

Hier sind die wichtigsten Signale, sortiert danach, wie früh sie auftreten:

Rückgang von Nutzung und Engagement

Das ist das früheste und zuverlässigste Churn-Signal. Ein Kunde, der sich früher täglich eingeloggt hat und jetzt nur noch einmal pro Woche, sagt Ihnen etwas, auch wenn er kein Wort dazu verliert.

Das Muster, auf das Sie achten sollten: ein Rückgang der Login-Häufigkeit oder der Feature-Nutzung um 30 % oder mehr im Monatsvergleich. Das korreliert stark mit Churn in den folgenden 60 Tagen. Verfolgen Sie nicht nur Logins, sondern auch die Nutzungstiefe: Werden die Kernfunktionen genutzt oder nur das Dashboard geöffnet?

Muster bei Support-Tickets

Ein Anstieg der Support-Tickets, vor allem ungelöster, ist ein Warnsignal der mittleren Phase. Kontraintuitiv ist aber: Keine Support-Tickets können genauso gefährlich sein. Ein Kunde, der verstummt, ist selten ein zufriedener Kunde; er ist ein abgekoppelter. Zur Erinnerung: 97 % der abwandernden Kunden kontaktieren nie den Support.

Veränderungen bei Abrechnungssignalen

Wenn ein Kunde von jährlicher auf monatliche Abrechnung wechselt, behandeln Sie das als Churn-Signal. Dieses Verhalten zeigt, dass der Kunde seine Bindung reduziert und sich Optionen offenhält. Ebenso führen unbehandelte fehlgeschlagene Zahlungen zu unfreiwilligem Churn, und im B2B-SaaS macht unfreiwilliger Churn rund 26 % des gesamten Churns aus, mit Rückgewinnungsquoten von bis zu 53,5 %, wenn schnell reagiert wird. Wenn Sie diese Fälle nicht getrennt erfassen, vermischen Sie womöglich vermeidbare Zahlungsausfälle mit echter Unzufriedenheit mit dem Produkt, zwei Probleme, die völlig unterschiedliche Retention-Strategien erfordern.

Einbrüche bei NPS und Zufriedenheit

Ein Net Promoter Score unter 20 korreliert mit einer etwa doppelt so hohen Churn-Rate wie üblich. Der NPS allein ist aber ein schwacher Prädiktor: Er ist eine Momentaufnahme der Stimmung, nicht des Verhaltens. Am aussagekräftigsten ist die Kombination von NPS mit Nutzungsdaten: Ein niedriger NPS plus sinkendes Engagement ist ein deutlich stärkeres Signal als jede der beiden Kennzahlen für sich.

Vertrags- und Renewal-Signale

Bei Unternehmen mit Jahresverträgen konzentriert sich der Churn auf den Vertragsjahrestag, nicht auf die Mitte der Laufzeit. Wenn Sie Renewal-Termine nicht nachhalten und nicht 60–90 Tage vor Ablauf mit der Ansprache beginnen, starten Sie das Gespräch zu spät. Die Automatisierung dieses Prozesses kann einen erheblichen Unterschied machen.

Churn-Prognosemodelle: Von der Tabelle bis zum Machine Learning

Nicht jedes Unternehmen braucht ein Machine-Learning-Modell. Tatsächlich gilt: Wenn Sie weniger als 200 Kunden haben, schlägt eine gut gebaute Scorecard in einer Tabelle jedes schlecht umgesetzte ML-Modell. Der richtige Ansatz hängt von Ihrer Datenreife, Ihrem Kundenvolumen und den Ressourcen Ihres Teams ab.

Stufe 1: Regelbasierte Health Scores

Am besten geeignet für: Unternehmen mit weniger als 500 Kunden, begrenzter Dateninfrastruktur oder Teams, die gerade erst mit der Churn-Prognose beginnen.

Ein regelbasierter Health Score vergibt Punkte auf Basis beobachtbarer Verhaltensweisen. Zum Beispiel:

Der Gesamtscore (0–100) ergibt für jeden Kunden eine Health-Bewertung. Accounts unter 40 werden für eine sofortige CS-Ansprache markiert.

Dieser Ansatz funktioniert. Viele Unternehmen arbeiten jahrelang mit regelbasiertem Scoring. Die Grenze liegt darin, dass es keine nicht offensichtlichen Muster entdecken kann: Es misst nur, wonach Sie ohnehin schon suchen.

Rechenbeispiel. Nehmen wir einen Account, der seine Rechnungen pünktlich zahlt (100), sich aber nur monatlich einloggt (40), 3 von 10 Kernfunktionen nutzt (30), auf 3+ ungelösten Tickets sitzt (20), einen Detraktor-NPS hat (10) und einen rückläufigen Vertragswert aufweist (20). Gewichtet landet der Gesamtscore bei etwa 34, also unter der Schwelle von 40. Die Abrechnung sieht unauffällig aus, eine naive Prüfung nach dem Motto „Ist die Rechnung bezahlt?“ würde den Fall also übersehen. Der Health Score aber markiert den Account für eine sofortige CS-Ansprache.

Stufe 2: Statistisches Scoring mit Kohortenanalyse

Am besten geeignet für: Unternehmen mit 500–2.000 Kunden und mindestens 12 Monaten historischer Churn-Daten.

Dieser Ansatz geht über einfache Regeln hinaus, indem er jeden Kunden mit Kohorten ähnlicher Accounts vergleicht. Statt zu fragen „Sinkt die Login-Häufigkeit dieses Kunden?“, fragen Sie: „Sinkt die Login-Häufigkeit dieses Kunden im Vergleich zu Kunden in derselben Lebenszyklusphase und derselben Tarifstufe?“

Die zentrale Technik ist die Überlebenszeitanalyse (Survival Analysis): Sie modelliert die Wahrscheinlichkeit, dass ein Kunde bis zu einem bestimmten Zeitpunkt abwandert, abhängig von seinem bisherigen Verhalten. Damit wird automatisch berücksichtigt, dass ein Kunde, der seit 2 Jahren aktiv ist, ein anderes Risikoprofil hat als einer, der sich letzten Monat angemeldet hat.

Stufe 3: Churn-Prognose mit Machine Learning

Am besten geeignet für: Unternehmen mit über 2.000 Kunden, Hunderten historischer Churn-Fälle und mehreren Datenquellen (Abrechnung, Produktnutzung, Support, CRM).

Ein ML-Churn-Prognosemodell ist nicht darauf angewiesen, dass Menschen festlegen, welche Signale zählen. Stattdessen verarbeitet es Hunderte von Merkmalen, Login-Muster, Abfolgen der Feature-Nutzung, Support-Interaktionen, Abrechnungsereignisse, CRM-Aktivitäten, und entdeckt selbst, welche Kombinationen Churn am besten vorhersagen.

Ein gut trainiertes Modell nutzt typischerweise 500–700+ Merkmale, um einen Churn-Risiko-Score zu berechnen. Diese Merkmale gehen weit über das hinaus, was ein Mensch manuell verfolgen würde: etwa die Veränderungsrate von Nutzungsmustern, die Zeit zwischen Support-Tickets oder die Korrelation zwischen der Aktivität eines Kunden in einer Funktion und dem Aufgeben einer anderen.

Das Ergebnis ist ein Risiko-Score (oft 1–5 oder 0–100) für jeden Kunden, täglich aktualisiert. Das Modell wird regelmäßig neu trainiert, meist monatlich, um sich an die Weiterentwicklung Ihres Produkts und an verändertes Kundenverhalten anzupassen. Die Churn-Prognose-Software von Customerscore.io ist genau diese Ebene: ein ML-Modell, das jeden Account täglich bewertet, ohne dass Sie ein Datenteam aufbauen oder unterhalten müssen.

Was Sie brauchen, damit ML funktioniert:

• Mindestens mehrere hundert historische Churn-Fälle, aus denen das Modell Muster lernen kann
• Saubere, verknüpfte Daten aus Abrechnung (Stripe, Recurly), Produktanalytik (Mixpanel, Amplitude), Support (Zendesk, Intercom) und CRM (HubSpot, Salesforce)
• Eine klare Definition, was „Churn“ für Ihr Unternehmen bedeutet (Kündigungsdatum? Datum der Nichtverlängerung? Datum der letzten Aktivität?)
• Laufendes Monitoring: Ein Modell, das vor sechs Monaten präzise war, kann driften, wenn sich Ihr Produkt und Ihr Kundenbestand verändern

Das Ergebnis sollte mehr sein als eine Zahl. So sieht ein erklärbarer Score in der Praxis aus: Customerscore.io bewertet jeden Account sowohl nach Churn-Risiko als auch nach Expansion, jeweils auf einer Skala von 1 bis 5, und zeigt die nach Relevanz sortierten Treiber und Bremsen dahinter. So sieht Ihr Team nicht nur, wer gefährdet ist, sondern auch warum, und was als Nächstes zu tun ist.

Was 70 % der abwandernden Kunden gemeinsam haben

Hier ist ein Datenpunkt, der Ihre Sicht auf die Churn-Prognose verändert: Zwischen 70 % und 80 % der Kunden, die schließlich abwandern, zeigen mindestens 30 Tage vor der Kündigung klare, messbare Warnsignale.

Dieses 30-Tage-Fenster ist die Chance zur Intervention. Es reicht aus, um einen Call zu vereinbaren, ein gezieltes Playbook auszuführen, eine Schulung anzubieten oder den Tarif eines Kunden anzupassen, bevor er die endgültige Entscheidung zu gehen trifft.

Das häufigste Warnmuster ist ein anhaltender Rückgang des Engagements, nicht eine einzelne schlechte Woche, sondern ein Trend über 3–4 Wochen, in dem die Nutzung im Vergleich zur eigenen Baseline des Kunden um 30 % oder mehr sinkt. Deshalb sind individuelle Kunden-Baselines wichtiger als unternehmensweite Durchschnitte. Ein Kunde, der sich normalerweise zweimal im Monat einloggt und auf einmal zurückgeht, ist nicht unbedingt gefährdet. Ein Kunde, der sich täglich eingeloggt hat und auf zweimal pro Woche fällt, schon.

Das zweithäufigste Muster nennen wir die „Expansionslücke“. Unternehmen mit gesundem Expansion-Umsatz haben tendenziell den niedrigsten Churn. Im B2B-SaaS sollte Expansion rund 44 % des neuen Netto-ARR beitragen, sobald ein Unternehmen 5–20 Mio. $ Jahresumsatz erreicht. Wenn ein Kunde nicht expandiert, keine Lizenzen hinzufügt, seinen Tarif nicht upgradet, keine neuen Funktionen nutzt, dann ist das nicht nur eine verpasste Upsell-Chance. Es ist ein Churn-Signal. Kunden, die nicht in das Produkt hineinwachsen, wachsen typischerweise innerhalb von 18–24 Monaten aus ihm heraus.

Die ersten 90 Tage: Wo die Churn-Prognose die größte Wirkung hat

Wenn es ein Zeitfenster gibt, in dem die Churn-Prognose den höchsten ROI liefert, dann sind es die ersten 90 Tage nach der Anmeldung eines Kunden.

Die Daten sind eindeutig: 40–60 % aller Kündigungen fallen in diesen Zeitraum. Nutzer, die in den ersten 30 Tagen keinen Nutzen erkennen, bleiben selten über den 90. Tag hinaus. Und 86 % der Kunden geben an, dass sie eher langfristig bleiben, wenn das Onboarding klar und strukturiert ist.

Das bedeutet, Ihr Churn-Prognosemodell muss in den frühen Phasen des Lebenszyklus besonders sensibel sein und nicht nur die Churn-Rate verfolgen, sondern das breitere Set an Retention-Kennzahlen, das zeigt, ob Kunden wirklich aktiviert werden. Die Signale, die Sie in den ersten 90 Tagen verfolgen, sollten sich von denen unterscheiden, die Sie in Monat 12 beobachten:

Erste 30 Tage, Aktivierungssignale:

• Hat der Kunde die Onboarding-Meilensteine abgeschlossen?
• Nutzt er die Kernfunktionen (und loggt sich nicht nur ein)?
• Hat er Integrationen verbunden (Abrechnung, CRM, Analytics)?
• Ist mehr als ein Nutzer im Account aktiv?

Tage 30–60, Engagement-Signale:

• Steigt die Nutzung im Vergleich zu den ersten 30 Tagen, bleibt sie stabil oder sinkt sie?
• Wurde der „Aha-Moment“ erreicht, also die Feature-Interaktion, die mit langfristiger Retention korreliert?
• Beschäftigt sich der Kunde mit neuen Feature-Releases?

Tage 60–90, Commitment-Signale:

• Werden Teammitglieder hinzugefügt oder wird die Nutzung ausgeweitet?
• Wurde das Produkt in die Workflows integriert (API-Anbindungen, Automatisierungen)?
• Nutzt der Kunde Success-Ressourcen (Webinare, Hilfeartikel, CS-Check-ins)?

Ein Kunde, der alle Aktivierungssignale erfüllt, aber bei den Engagement-Signalen in den Tagen 30–60 stagniert, ist ein klassisches Churn-Risiko. Das Prognosemodell sollte dieses Muster vor Tag 90 markieren, damit Ihr CS-Team mit gezielter Onboarding-Unterstützung eingreifen kann.

Churn-Prognose nach Unternehmensphase: Was Benchmarks uns sagen

Ihr Churn-Prognosemodell sollte berücksichtigen, wo Ihr Unternehmen auf seiner Wachstumskurve steht. Die Benchmarks unterscheiden sich je nach ARR-Phase erheblich, und was bei 1 Mio. $ ARR „gesund“ ist, sieht bei 20 Mio. $ ganz anders aus.

Churn-Rate-Benchmarks nach Unternehmensphase

Ein bemerkenswertes Muster: Ab 10 Mio. $ ARR sehen viele Unternehmen, dass sich der Kunden-Churn verbessert, während der Umsatz-Churn steigt. Das deutet auf ein anderes Problem hin: Die Kunden gehen nicht, aber sie downgraden oder reduzieren ihren Vertrag. Ihr Churn-Prognosemodell sollte beides verfolgen: Logo-Churn (verlorene Accounts) und Umsatz-Churn (verlorene Dollar).

GRR nach ACV-Segment

Auch Ihr durchschnittlicher Vertragswert prägt die zu erwartende Retention:

Die zentrale Erkenntnis: ACVs unter 10.000 $ haben es bei der Retention am schwersten. Die GRR verbessert sich deutlich, sobald der ACV 25.000 $ überschreitet, teils weil längere Sales-Zyklen zu besser passenden Kunden führen, teils weil höhere Wechselkosten für natürliche Bindung sorgen.

Wenn Ihr Churn-Prognosemodell alle Kunden unabhängig vom ACV gleich behandelt, unterschätzen Sie wahrscheinlich das Risiko bei Ihren kleinen Accounts und überschätzen es im Enterprise-Segment.

Prognosen in Maßnahmen umsetzen: Das Interventions-Playbook

Ein Churn-Prognosemodell ist nur dann wertvoll, wenn es Handlungen auslöst. Der größte Fehler ist nicht ein schlechtes Modell, sondern ein gutes Modell, auf das niemand reagiert.

So verbinden Sie Prognosen mit Interventionen:

Hohes Risiko (Score 1–2 von 5): Sofortiges CS-Engagement

• Innerhalb von 24 Stunden einen Alert an den Account-Verantwortlichen auslösen
• Einen „Value Review“-Call vereinbaren, kein Check-in, sondern eine strukturierte Sitzung, um zu verstehen, was nicht funktioniert
• Die Nutzungsdaten des Kunden vor dem Gespräch prüfen, damit Sie mit Konkretem einsteigen können: „Uns ist aufgefallen, dass Ihr Team [Feature X] seit drei Wochen nicht genutzt hat. Lassen Sie uns darüber sprechen, was im Weg steht.“
• An die Führungsebene eskalieren, wenn der Account hochwertig ist und die Risikofaktoren Beziehungssignale umfassen (kein Executive Sponsor, der Champion hat das Unternehmen verlassen)

Mittleres Risiko (Score 3 von 5): Proaktive automatisierte Ansprache

• Eine gezielte E-Mail-Sequenz auslösen, abgestimmt auf das konkrete Risikosignal (geringe Nutzung → Feature-Tutorial; geringe Adoption → Schulung anbieten; nahendes Renewal → frühzeitige Renewal-Ansprache mit Anreiz)
• Den Account für den nächsten CS-Review-Zyklus vormerken
• Wenn der Kunde seit über 12 Monaten ohne Expansion im selben Tarif ist, prüfen, ob er seiner aktuellen Stufe entwachsen ist oder Hilfe braucht, um erweiterte Funktionen zu entdecken

Geringes Risiko (Score 4–5 von 5): Beobachten und pflegen

• In die regulären Health-Monitoring-Dashboards aufnehmen
• Fokus auf Expansion-Chancen statt auf Retention
• Diese Accounts für Case Studies, Empfehlungen und NPS-Umfragen nutzen

Das zentrale Prinzip: Die Intervention muss zum Signal passen. Ein Kunde, der wegen schlechten Onboardings abwandert, braucht eine Schulung, keinen Rabatt. Ein Kunde, der abwandert, weil ein Wettbewerber günstiger ist, braucht ein Gespräch über den Nutzen, keine weitere Feature-Demo.

Freiwilliger vs. unfreiwilliger Churn: Zwei Prognosen, zwei Playbooks

Eine entscheidende Unterscheidung, die Ihr Churn-Prognosemodell treffen muss: freiwilliger Churn (der Kunde entscheidet sich zu gehen) und unfreiwilliger Churn (eine Zahlung schlägt fehl und das Abonnement läuft aus).

Im B2B-SaaS macht unfreiwilliger Churn etwa 26 % des gesamten Churns aus, in manchen Unternehmen bis zu 40 %. Das ist Umsatz, der nicht verloren geht, weil der Kunde gehen wollte, sondern weil eine Kreditkarte abgelaufen ist oder eine Zahlung abgelehnt wurde.

Die gute Nachricht: Unfreiwilliger Churn ist die am besten rückgewinnbare Form. SaaS-Unternehmen erreichen im Durchschnitt eine Zahlungsrückgewinnungsquote von 53,5 %, die höchste aller Branchen. Wirksames Dunning und Zahlungsrückgewinnung können 40–60 % der fehlgeschlagenen Zahlungen retten und die mediane Kundenlebensdauer nach der Rückgewinnung um 141 Tage verlängern.

Signale für unfreiwilligen Churn, die Sie vorhersagen und verhindern sollten:

Im ARPA-Bereich von 25–100 $ treten die meisten Zahlungsausfälle auf. Wenn sich Ihr Kundenbestand in diesem Segment konzentriert, sollte die Prognose unfreiwilligen Churns ein zentraler Bestandteil Ihres Systems sein, kein Nachgedanke.

Warum die meisten Churn-Prognose-Projekte scheitern (und wie Sie das vermeiden)

Das Modell zu bauen ist nicht der schwierige Teil. Die häufigsten Fehler liegen alle in der Umsetzung:

Fehler 1: Keine klare Definition von Churn

Ist Churn das Kündigungsdatum? Das Datum der Nichtverlängerung? Der letzte Tag mit Aktivität? Wenn Ihr Abrechnungssystem, Ihre Produktanalytik und Ihr CS-Team Churn jeweils anders definieren, trainiert Ihr Modell auf widersprüchlichen Daten. Einigen Sie sich auf eine einzige Definition, bevor Sie irgendetwas bauen.

Fehler 2: Das Modell lebt in einem Dashboard, das niemand öffnet

Wenn Ihre Churn-Scores nur in einem BI-Tool existieren, das Ihr CS-Team einmal pro Woche öffnet, haben Sie ein Reporting-Projekt gebaut, kein Prognosesystem. Churn-Scores müssen in die Tools fließen, die Ihr Team bereits nutzt, HubSpot, Salesforce, Intercom, Slack, und zwar als Alerts und Workflow-Trigger, nicht als Berichte.

Fehler 3: Zu spätes Handeln auf die Prognose

Eine Churn-Prognose, die 7 Tage vor dem Renewal auslöst, ist nutzlos. Das Modell muss Risiken mit mindestens 30 Tagen Vorlauf sichtbar machen, idealerweise 60. Das heißt, Ihre Frühwarnsignale müssen schnell reagierende Indikatoren sein (Nutzungsänderungen, Support-Muster) statt träger Indikatoren (NPS-Umfragen, QBR-Feedback).

Fehler 4: Jeden Churn gleich behandeln

Ein Kunde, der in Monat 3 abwandert, weil er nie richtig onboardet wurde, ist ein völlig anderes Problem als ein Kunde, der in Monat 18 abwandert, weil er Ihrem Produkt entwachsen ist. Ihr Prognosemodell sollte zwischen Churn-Typen unterscheiden und jeden dem passenden Playbook zuweisen. Die Retention-Klippe im zweiten Jahr, wenn der Churn steigt, weil die anfängliche Begeisterung verfliegt und der ROI hinterfragt wird, erfordert eine andere Intervention als ein Aktivierungsversagen in den ersten 90 Tagen.

Häufig gestellte Fragen

Was ist ein Churn-Prognosemodell?

Ein Churn-Prognosemodell ist ein System, das vorhersagt, welche Kunden ihr Abonnement wahrscheinlich kündigen werden, basierend darauf, wie ihr Verhalten im Vergleich zu den Mustern früherer abgewanderter Accounts aussieht. Anders als die Churn-Rate (die misst, was bereits passiert ist) ist die Churn-Prognose vorausschauend. Die Modelle reichen von einfachen regelbasierten Health Scores bis zu Machine-Learning-Systemen, die Hunderte von Verhaltensmerkmalen analysieren, um für jeden Kunden einen Risiko-Score zu berechnen.

Wie genau sind Churn-Prognosemodelle?

Die Genauigkeit hängt von Datenqualität und Modelltyp ab. Regelbasierte Health Scores identifizieren typischerweise 50–60 % der gefährdeten Accounts korrekt. Gut trainierte Machine-Learning-Modelle erreichen 70–85 % Genauigkeit, benötigen dafür aber mehrere hundert historische Churn-Fälle zum Training sowie saubere, verknüpfte Daten aus Abrechnungs-, Nutzungs- und Support-Systemen. Kein Modell ist zu 100 % genau. Ziel ist es, Ihrem CS-Team eine priorisierte Liste zu geben, die deutlich besser ist als der Zufall.

Welche Daten brauche ich für die Churn-Prognose?

Mindestens brauchen Sie Abrechnungsdaten (Zahlungsstatus, Tarifwechsel, Umsatztrends) und Produktnutzungsdaten (Login-Häufigkeit, Feature-Adoption, Engagement-Tiefe). Für stärkere Prognosen ergänzen Sie Support-Daten (Ticketvolumen, Lösungszeit, Stimmung), CRM-Daten (letzter Kontaktpunkt, Beziehungsqualität) und Lebenszyklusdaten (Zeit seit der Anmeldung, Abschluss des Onboardings). Die aussagekräftigsten Modelle kombinieren 5–7 Datenquellen, um ein vollständiges Bild der Kundengesundheit zu erhalten.

Wann sollte ich mit dem Aufbau eines Churn-Prognosemodells beginnen?

Beginnen Sie, sobald Sie mindestens 50–100 Kunden und 6 Monate Verhaltensdaten haben. Starten Sie mit einem einfachen regelbasierten Health Score (eine Tabelle reicht völlig). Wechseln Sie zu statistischen Modellen, sobald Sie über 500 Kunden und mindestens 12 Monate Daten haben. Ziehen Sie Machine Learning in Betracht, sobald Sie über 2.000 Kunden, mehrere hundert historische Churn-Fälle und die passende Dateninfrastruktur haben.

Was ist der Unterschied zwischen Churn-Prognose und Customer Health Score?

Ein Customer Health Score ist eine zusammengesetzte Kennzahl, die zeigt, wie „gesund“ eine Kundenbeziehung zu einem bestimmten Zeitpunkt ist, typischerweise bewertet von 0–100 auf Basis von Nutzungs-, Engagement-, Support- und Abrechnungssignalen. Die Churn-Prognose geht einen Schritt weiter: Sie nutzt den Health Score (und weitere Eingaben), um die Wahrscheinlichkeit vorherzusagen, dass ein Kunde innerhalb eines bestimmten Zeitfensters abwandert. Der Health Score ist der aktuelle Messwert; die Churn-Prognose ist die Wettervorhersage.

Das Wichtigste in Kürze

• 97 % der abwandernden Kunden gehen lautlos. Wenn Sie es bemerken, ist es meist zu spät. Die Churn-Prognose verschafft Ihrem Team ein Warnfenster von 30–60 Tagen.
• 40–60 % der Kündigungen passieren in den ersten 90 Tagen. Ihr Prognosemodell muss in den frühen Phasen des Lebenszyklus besonders sensibel sein und Aktivierungs- und Onboarding-Signale verfolgen.
• Starten Sie mit regelbasiertem Scoring, wechseln Sie später zu ML. Sie brauchen am ersten Tag kein Machine Learning. Ein klares Health-Score-Framework mit 5–6 gewichteten Signalen reicht für die meisten Unternehmen mit unter 500 Kunden.
• Unfreiwilliger Churn macht 26 % des gesamten Churns aus und hat eine Rückgewinnungsquote von 53,5 %. Stellen Sie sicher, dass Ihr Modell und Ihre Playbooks Zahlungsausfälle getrennt von freiwilligen Kündigungen behandeln.
• Prognosen ohne Maßnahmen sind nur Dashboards. Bringen Sie Churn-Scores in die Tools, die Ihr CS-Team täglich nutzt, und verknüpfen Sie jede Risikostufe mit einem konkreten Interventions-Playbook.

Verwandte Artikel: Customer Health Score: Definition und Beispiele · Customer-Health-Scoring in HubSpot · Was ist Logo-Churn · Strategien zur Churn-Prävention