Churn-Prognose im SaaS: Risiken erkennen, bevor der Kunde geht

Churn-Prognose bedeutet: Sie finden die Kunden, die wahrscheinlich kündigen, bevor sie kündigen. Dazu vergleichen Sie das aktuelle Verhalten jedes Accounts mit den Mustern, die früher vor Churn auftraten. Gut gemacht, bekommt Ihr Customer-Success-Team eine kurze Liste der Accounts, die jetzt Aufmerksamkeit brauchen. Jeder Account hat einen Grund. Und es ist noch Zeit, das Ergebnis zu ändern.

Die Zeit ist da. Im B2B SaaS zeigen 70 bis 80 % der Kunden, die abwandern, mindestens 30 Tage vor der Kündigung messbare Warnsignale. Die meisten melden sich vorher nie beim Support. Sie beschweren sich nicht. Sie fragen nicht nach einem Rabatt. Sie nutzen das Produkt weniger, antworten nicht mehr, warten auf das Renewal-Datum und gehen.

Dieser Leitfaden hat fünf Themen. Die Signale, die Churn früh zeigen. Die drei Wege, Churn vorherzusagen. Wie Sie prüfen, ob Ihre Prognose funktioniert. Wann im Kundenlebenszyklus Churn passiert. Und der praktischste Teil: was zu tun ist, wenn ein Account markiert wird.

Churn-Prognose, Churn-Rate und Health Scores

Diese drei Begriffe werden oft verwechselt:

• Die Churn-Rate misst, was schon passiert ist. Sie ist der Anteil an Kunden oder Umsatz, den Sie in einem Zeitraum verloren haben. Sie ist ein Spätindikator. Unser Leitfaden zur Churn-Rate erklärt die Formel. Der Churn-Rechner rechnet für Sie.
• Ein Customer Health Score zeigt, wie es einem Account gerade geht. Er nutzt Signale aus Nutzung, Abrechnung, Support und Beziehung. Unser Leitfaden zum Aufbau eines Customer Health Scores erklärt die Optionen.
• Die Churn-Prognose schaut nach vorn. Sie zeigt, welche Accounts wahrscheinlich gehen und wie bald. Ein prädiktiver Health Score ist eine Form dafür, zum Beispiel ein Churn-Risiko-Score von 1 bis 5.

Die Churn-Rate sagt Ihnen, wie groß das Problem war. Die Churn-Prognose sagt Ihnen, welche Accounts Sie diese Woche anrufen sollten.

Die Signale, die Churn vorhersagen

Bevor Sie etwas vorhersagen, brauchen Sie die Signale. Manche Signale erscheinen zwei Monate vor einer Kündigung. Andere bestätigen nur, was Sie schon wissen. In unserer Studie mit 44.000 SaaS-Nutzern waren diese Signale am wichtigsten:

Die Nutzung sinkt im Vergleich zur eigenen Basis des Accounts

Das ist das früheste und zuverlässigste Signal. Die absolute Zahl ist nicht wichtig. Wichtig ist der Trend: Vergleichen Sie die Nutzung mit dem eigenen 30-Tage- und 90-Tage-Durchschnitt des Accounts. Ein Kunde, der von täglicher zu wöchentlicher Nutzung gewechselt ist, ist gefährdet. Ein Kunde, der das Produkt immer wöchentlich genutzt hat, kann völlig gesund sein. Ein Rückgang über drei bis vier Wochen sagt mehr als eine ruhige Woche.

Die Kernaktion passiert nie

In unseren Daten wanderten Kunden, die die Kernaktion des Produkts nie ausgeführt haben, 3- bis 6-mal häufiger ab als Kunden, die es getan haben. Der größte Unterschied lag zwischen null Nutzungen und einer Nutzung. Er lag nicht zwischen wenig und viel Nutzung. Jedes Produkt hat eine Kernaktion, zum Beispiel ein gesendeter Report, eine abgeschlossene Umfrage oder eine erstellte Aufgabe. Prüfen Sie, ob neue Accounts sie erreichen.

Änderungen bei der Abrechnung

Das Verhalten bei der Abrechnung ändert sich früh. Man übersieht es leicht, weil die Daten in Stripe oder Chargebee liegen und nicht in der Produktanalyse. In unserer Studie wanderten Monatspläne 4,7-mal schneller ab als Jahrespläne. Ein Wechsel von jährlich zu monatlich, weniger Seats oder ein Downgrade ist also ein starkes Signal. Fehlgeschlagene Zahlungen sind ein anderes Risiko. Mehr dazu unten.

Renewal- und Vertragssignale

Bei Jahresverträgen passiert der meiste Churn rund um das Renewal-Datum. Wenn ein Kunde gesagt hat, dass er vielleicht nicht verlängert, lag der Churn in unseren Daten im Schnitt bei 40 %. Das war das stärkste Signal im Datensatz. Gleichzeitig reagierten Teams darauf am seltensten. Beginnen Sie die Arbeit am Renewal 90 Tage vor dem Datum, nicht 30.

Beziehungen und Teamgröße

Wenn der Champion geht oder eine neue Rolle bekommt, verliert der Account die Person, die das Produkt gewählt hat. Auch die Teamgröße ist wichtig. Accounts mit nur einem Nutzer wanderten 14- bis 33-mal schneller ab als Accounts mit einem Team. Der größte Unterschied lag zwischen einem Nutzer und zwei oder drei Nutzern. Eine zweite Person im Account ist einer der besten langfristigen Schritte für die Kundenbindung.

Muster im Support

Viele offene Tickets auf einmal sind eine Warnung. Auch Stille ist eine Warnung: Ein Kunde, der sich nicht mehr beim Support meldet, ist oft nicht engagiert, nicht zufrieden. Support-Daten allein sind schwach. Zusammen mit Daten zu Nutzung und Abrechnung helfen sie bei unklaren Fällen.

Drei Wege, Churn vorherzusagen

Regeln

Die meisten Teams beginnen hier, mit einem gewichteten Score in einer Tabelle oder im CRM. Das ist ein guter erster Schritt. Unser Leitfaden zum Aufbau eines Customer Health Scores zeigt, wie es gut gelingt. Die Grenzen sind immer gleich. Die Regeln gelten für jeden Kunden gleich. Sie müssen raten, welche Metriken Churn verursachen. Und normale saisonale Rückgänge werden jedes Jahr rot.

Statistik und Kohortenanalyse

Der nächste Schritt vergleicht jeden Account mit ähnlichen Accounts: gleicher Plan, gleiche Lebenszyklusphase. Sie fragen nicht „Sinkt die Nutzung?“. Sie fragen „Sinkt die Nutzung im Vergleich zu Kunden in derselben Phase?“. Die Survival-Analyse schätzt, wie wahrscheinlich ein Account bis zu einem bestimmten Zeitpunkt abwandert. Die Kohortenanalyse ist der praktische Einstieg.

Machine Learning

Bei einem Machine-Learning-Modell müssen Sie nicht sagen, welche Signale wichtig sind. Das Modell betrachtet die Historie Ihrer Kunden: Daten zu Nutzung, Abrechnung, CRM und Support. Es vergleicht Kunden, die geblieben sind, mit Kunden, die gegangen sind. Dann lernt es, welche Kombinationen vor Churn auftraten. Es bewertet jeden Account nach seinem eigenen Rhythmus, darum markiert es keine saisonalen Rückgänge.

Es gibt zwei sehr unterschiedliche Wege dorthin:

• Selbst bauen. Sie brauchen einen Data Scientist, saubere verknüpfte Daten, eine lange Historie und genug abgewanderte Kunden, aus denen das Modell lernen kann. Meist sind das Hunderte. Außerdem müssen Sie das Modell prüfen und neu trainieren, wenn sich Ihr Produkt ändert.
• Ein vortrainiertes Modell nutzen. Ein Modell, das schon mit vielen SaaS-Unternehmen trainiert ist, braucht viel weniger eigene Historie. Nach unserer Erfahrung etwa 2 Monate. Ideal sind mindestens 100 aktive und 40 abgewanderte Kunden, um es an Ihren Kundenstamm anzupassen.

In beiden Fällen muss das Ergebnis mehr als eine Zahl sein. Ein Churn-Risiko-Score ist nur nützlich, wenn er das Warum zeigt: die Signale, die das Risiko erhöhen, und die Signale, die es senken.

Wie genau ist die Churn-Prognose, und wie testen Sie sie?

Es gibt keine allgemeine Zahl zur Genauigkeit. Sie hängt von Ihren Daten ab und davon, wie Sie messen. Testen Sie also Ihre eigene Prognose:

1. Rückwirkend testen. Nehmen Sie die letzten 6 bis 12 Monate. Berechnen Sie, was der Score zu verschiedenen Zeitpunkten gesagt hätte. Vergleichen Sie das mit den Kunden, die wirklich abgewandert sind.
2. Vorlaufzeit messen. Wie viele abgewanderte Accounts hat die Prognose mindestens 30 Tage vor dem Abgang markiert? Eine Markierung eine Woche vor dem Renewal kommt zu spät.
3. Beide Richtungen prüfen. Wie viele markierte Accounts sind wirklich abgewandert (Precision)? Wie viele abgewanderte Accounts wurden markiert (Recall)? Ein Score, der alle markiert, hat perfekten Recall und keinen Wert.
4. Mit einer einfachen Basis vergleichen. Ist die Prognose besser, als Accounts nach Größe oder Laufzeit zu sortieren?
5. Jeden Monat wiederholen. Nehmen Sie die Accounts, die letzten Monat markiert wurden, und eine Stichprobe nicht markierter Accounts. Vergleichen Sie beide Gruppen mit dem, was passiert ist.

Wann Churn passiert: zwei Risikofenster

Churn verteilt sich nicht gleichmäßig über den Kundenlebenszyklus. Achten Sie auf zwei Zeitfenster:

• Die ersten 90 Tage. Kunden, die nie einen Nutzen erreichen, gehen früh. Im SaaS heißt es oft, dass 40 bis 60 % der Kündigungen in den ersten 90 Tagen passieren. Die Signale sind hier Aktivierungssignale: Onboarding-Meilensteine erreicht, Kernaktion ausgeführt, Integrationen verbunden, ein zweiter Nutzer aktiv.
• Monat 6 bis 12. In unserer Studie mit 44.000 Nutzern war der Median-Churn mit 6 bis 12 Monaten am höchsten (25 %). Er war höher als in der frühesten Kohorte (15,7 %). In dieser Phase nutzen Kunden das Produkt lange genug, um ohne schlechtes Gewissen zu kündigen. Aber sie haben noch nicht die Gewohnheit, die das Gehen schwer macht. Die Signale sind hier Trendsignale: Die Nutzung sinkt im Vergleich zur eigenen Basis des Accounts, keine Expansion, das Renewal-Datum rückt näher.

Die zwei Zeitfenster brauchen unterschiedliche Playbooks. Im ersten braucht der Kunde Hilfe beim Start. Im zweiten braucht er einen Nachweis des Nutzens und einen Renewal-Plan.

Erste 30 Tage, Aktivierung:

• Hat der Kunde die Onboarding-Meilensteine erreicht?
• Hat er die Kernaktion mindestens einmal ausgeführt?
• Hat er seine Integrationen verbunden?
• Ist mehr als ein Nutzer im Account aktiv?

Tag 30 bis 90, Engagement und Bindung:

• Steigt die Nutzung, bleibt sie gleich oder sinkt sie im Vergleich zu den ersten 30 Tagen?
• Nutzt er die Funktionen, die Ihre treuesten Kunden nutzen?
• Fügt er Teammitglieder hinzu oder macht er das Produkt zu einem Teil seiner Workflows?

Was zu tun ist, wenn ein Account markiert wird: Playbooks

Eine Prognose ändert nichts, wenn niemand handelt. Das häufigste Problem ist kein schlechtes Modell. Es ist eine gute Markierung in einem Dashboard, das niemand öffnet.

Die Lösung ist ein Playbook. Ein Playbook ist eine Folge von Aufgaben und Schritten. Es startet, wenn ein Account markiert wird. Es wird dem CS-Manager des Accounts zugewiesen. Jeder Schritt hat einen Verantwortlichen und ein Fälligkeitsdatum. Das Playbook organisiert die Arbeit. Der CSM führt das Gespräch. Automatische E-Mail-Sequenzen passen für Accounts, die keinen persönlichen Kontakt brauchen. Aber ein markierter Account mit echtem Umsatz braucht einen Menschen.

Beginnen Sie mit der Art des Risikos

Eine rote Markierung reicht nicht. Das Team muss wissen, welche Art von Risiko es ist. Eine praktische Liste der Arten:

1. Aktivierungsrisiko: Der Account hat nie den ersten Nutzen erreicht.
2. Sinkender Nutzen: Die Nutzung war hoch und ging dann zurück, oft nach einer Änderung im Workflow oder im Team.
3. Wechsel des Champions: Der interne Fürsprecher ist gegangen oder hat eine neue Rolle.
4. Zweifel am ROI: Vor dem Renewal kann der Account das Produkt nicht mit einem Geschäftsergebnis verbinden.
5. Probleme im Support: immer wieder offene Tickets.
6. Passungsrisiko: Der Account wurde außerhalb Ihres idealen Kundenprofils verkauft.
7. Zahlungsausfall: unfreiwilliges Risiko. Die Ursache ist die Abrechnung, nicht die Meinung des Kunden.

Geben Sie jedem markierten Account ein Haupt-Tag. Das Tag entscheidet, welches Playbook läuft. Es macht auch Ihren vierteljährlichen Report zu Churn nach Ursache nützlich.

Beispiel-Playbooks zum Übernehmen

Die Risikostufen unten nutzen eine Churn-Risiko-Skala von 1 bis 5. 5 ist das höchste Risiko.

Die Nutzung sinkt im Vergleich zur eigenen Basis des Accounts (Risiko 3 bis 4)

1. Tag 0: Der CSM prüft den Rückgang und die Signale dahinter.
2. Innerhalb von 3 Tagen: den Champion anrufen und mit konkreten Fakten beginnen („Ihr Team hat das Reporting-Modul seit drei Wochen nicht genutzt“).
3. Innerhalb von 7 Tagen: eine Arbeitssitzung zu den Funktionen anbieten, die nicht mehr genutzt werden.
4. Tag 14: prüfen, ob die Nutzung wieder gestiegen ist. Wenn nicht, an den CS-Lead eskalieren.

Champion oder wichtiger Nutzer ist gegangen

1. Innerhalb von 2 Tagen: den neuen Verantwortlichen im CRM finden und seine Rolle bestätigen.
2. Innerhalb von 7 Tagen: sich vorstellen und klären, was er vom Produkt braucht.
3. Innerhalb von 14 Tagen: ein kurzes Onboarding für die neue Person und ihr Team.
4. Bei großen Accounts: auf beiden Seiten einen Executive Sponsor einbinden.

Signal aus der Abrechnung (jährlich zu monatlich, weniger Seats, Downgrade)

1. Innerhalb von 2 Tagen: CSM und Account-Owner teilen, was sie wissen.
2. Innerhalb von 7 Tagen: ein Value Review mit Zahlen aus dem Account, kein Verkaufsgespräch.
3. Erst nach dem Gespräch: ein kommerzielles Angebot, wenn es sinnvoll ist.

Renewal in weniger als 90 Tagen und Risiko 4 bis 5

1. Tag 0: einen Rettungsplan öffnen und den Executive Sponsor benennen.
2. Innerhalb von 7 Tagen: das Renewal aus der gesamten Account-Historie vorbereiten: Ziele, Nutzung, Ergebnisse, offene Themen.
3. Innerhalb von 14 Tagen: ein Renewal-Gespräch mit einem Entscheidungsdatum, das Sie mit dem Kunden vereinbaren.
4. Jede Woche bis zur Entscheidung: den Fortschritt im Team-Meeting prüfen.

Niedriges Risiko (1 bis 2)

Keine Aufgabe für den CSM. Pflegen Sie den Account weiter und achten Sie auf Upsell-Signale: Seat-Limit erreicht, erweiterte Funktionen genutzt, neue Teams kommen dazu.

Freiwilliger vs. unfreiwilliger Churn

Nicht jeder verlorene Kunde hat sich entschieden zu gehen. Unfreiwilliger Churn passiert, wenn eine Zahlung fehlschlägt und das Abo endet. Zum Beispiel ist eine Karte abgelaufen, eine Belastung wurde abgelehnt oder es war nicht genug Geld da. Er braucht ein anderes Playbook als freiwilliger Churn. Meist lässt er sich am leichtesten zurückholen.

Unser Leitfaden zu Dunning und Churn erklärt Zeitpläne für neue Versuche und die Wiederherstellung im Detail. Erfassen Sie unfreiwilligen Churn getrennt. Sonst sehen fehlgeschlagene Zahlungen in Ihren Reports wie Unzufriedenheit mit dem Produkt aus.

Warum Projekte zur Churn-Prognose scheitern

Keine klare Definition von Churn. Ist Churn das Kündigungsdatum, das Datum ohne Renewal oder der letzte aktive Tag? Wenn Abrechnung, Produktanalyse und CS verschiedene Definitionen nutzen, lernt die Prognose aus Daten, die nicht zusammenpassen. Einigen Sie sich zuerst auf eine Definition.

Die Markierung erreicht niemanden. Scores in einem BI-Tool, das jemand einmal pro Woche öffnet, sind ein Reporting-Projekt. Jede Markierung braucht einen Verantwortlichen und einen nächsten Schritt. Dafür gibt es Playbooks.

Zu spät handeln. Eine Markierung eine Woche vor dem Renewal nützt nichts. Sie brauchen mindestens 30 Tage Vorlaufzeit. Sie brauchen also schnelle Signale (Nutzung, Abrechnung, Renewal), keine langsamen wie vierteljährliche Umfragen.

Jeden Churn gleich behandeln. Zwei Beispiele: Ein Kunde geht in Monat 3, weil er nie richtig gestartet ist. Ein anderer Kunde geht in Monat 18, weil er keinen Nutzen mehr sieht. Sie brauchen unterschiedliche Playbooks. Markieren Sie die Art des Risikos und leiten Sie sie weiter.

Wie Customerscore.io Churn vorhersagt und was dann passiert

Sie können all das selbst bauen: Regeln in einer Tabelle, ein Kohortenmodell oder ein eigenes Machine-Learning-Modell mit einem Data Scientist, der es betreibt. Das Problem sind die Kosten, die nötige Historie und die Arbeit, es genau zu halten.

Customerscore.io gibt jedem Account einen Churn Risk Score und einen Upsell Score von 1 bis 5. Beide werden täglich aktualisiert. Das Modell ist mit Zehntausenden SaaS-Nutzern vortrainiert und wird an Ihre Daten angepasst. Jeder Account wird nach seiner eigenen Historie bewertet, darum werden saisonale Rückgänge nicht markiert. Jeder Score zeigt in einfacher Sprache die Gründe und Bremsen dahinter.

Wenn ein Account markiert wird, erstellt ein Playbook die Folge von Aufgaben und weist sie dem CS-Manager des Accounts zu. Der Account erscheint mit dem Grund in My Day dieses CSM. Die KI behält die Signale im Blick. Ihr Team führt die Gespräche. Das Team hinter der Scoring-Engine richtet alles mit Ihnen ein. Die meisten Teams sind in 1 bis 3 Wochen live.

Um zu sehen, wie es funktioniert: Demo buchen.

Häufige Fragen

Was ist ein Modell zur Churn-Prognose?

Ein System, das schätzt, welche Kunden wahrscheinlich kündigen. Es vergleicht ihr Verhalten mit den Mustern, die früher vor Churn auftraten. Modelle können einfache Regeln, statistische Analysen oder Machine Learning sein. Die Churn-Rate schaut zurück. Ein Prognosemodell schaut nach vorn.

Wie genau ist die Churn-Prognose?

Das hängt von Ihren Daten und Ihrer Definition von Genauigkeit ab. Testen Sie also Ihre eigene Prognose. Testen Sie rückwirkend mit den letzten 6 bis 12 Monaten. Messen Sie, wie viele abgewanderte Accounts mindestens 30 Tage vorher markiert wurden. Prüfen Sie, wie viele markierte Accounts wirklich abgewandert sind.

Welche Daten brauche ich für die Churn-Prognose?

Daten zur Abrechnung (Zahlungsstatus, Änderungen bei Plan und Seats, Renewal-Termine) und zur Produktnutzung (Trend im Vergleich zur Basis jedes Accounts, Kernaktionen, Nutzung von Funktionen). Daten aus Support, CRM und Meetings machen sie genauer. Am wichtigsten: ein Datensatz, in dem jede Quelle demselben Account zugeordnet ist.

Wann sollte ich mit der Churn-Prognose beginnen?

Sobald Sie sehen, wer abgewandert ist und warum. Beginnen Sie mit Regeln oder einer Kohortenanalyse auf den Daten, die Sie haben. Ein vortrainiertes Modell funktioniert mit etwa 2 Monaten Historie. Ein eigenes Machine-Learning-Modell braucht viel mehr Historie und einen Data Scientist.

Was ist ein Churn-Score?

Eine Zahl, die zeigt, wie wahrscheinlich ein Account abwandert. Meist auf einer kurzen Skala. Ein Churn-Risiko-Score von 1 bis 5, wobei 5 das höchste Risiko ist, lässt sich leicht in Maßnahmen umsetzen. Er passt direkt zu Risikostufen und Playbooks. Der Score ist nur nützlich, wenn er auch die Gründe dahinter zeigt.

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

Ein Health Score zeigt, wie es einem Account jetzt geht. Die Churn-Prognose schätzt, ob und wann der Account geht. Ein prädiktiver Health Score verbindet beides. Er wird aus den Mustern berechnet, die vor Churn auftraten. Er zeigt Ihnen, wer gefährdet ist und warum. Siehe unseren Leitfaden zum Aufbau eines Customer Health Scores.

Das Wichtigste in Kürze

• 70 bis 80 % der abwandernden Kunden zeigen mindestens 30 Tage vor der Kündigung Warnsignale, und die meisten melden sich vorher nie beim Support.
• Die stärksten Signale sind Trends im Vergleich zur eigenen Basis des Accounts, die Kernaktion, Änderungen bei der Abrechnung, Renewal-Signale und die Teamgröße.
• Regeln sind der Start. Die Kohortenanalyse ist der nächste Schritt. Machine Learning ist am genauesten. ML selbst zu bauen ist teuer. Ein vortrainiertes Modell braucht viel weniger eigene Historie.
• Achten Sie auf zwei Risikofenster: die ersten 90 Tage und Monat 6 bis 12.
• Eine Markierung hat nur Wert, wenn sie ein Playbook startet: Aufgaben mit Verantwortlichem und Fälligkeitsdatum, zugewiesen an den CS-Manager des Accounts.

Verwandte Artikel: Customer Health Score aufbauen · SaaS-Retention-Statistiken aus 44.000 Nutzern · Was ist Logo-Churn? · Strategien gegen Churn · Dunning und Churn · Beste Customer-Success-Software