KI-Churn-Prognose: wie sie funktioniert und wie Sie sie nutzen
Wie Machine Learning vorhersagt, welche Kunden kündigen: Daten, Modelle, Bewertung eines Modells, typische Fallen und wie aus Scores Aktionen werden.
Von Florian
KI-Churn-Prognose nutzt Machine Learning, um für jeden Kunden zu schätzen, wie wahrscheinlich er innerhalb eines festgelegten Zeitraums kündigt, nicht verlängert oder nicht mehr zahlt. Das Ergebnis ist ein Risiko-Score. Der Score lohnt sich erst, wenn er eine konkrete Aktion auslöst: ein Halteangebot, einen erneuten Versuch einer fehlgeschlagenen Zahlung, eine Nachricht vom Customer Success. Dieser Ratgeber zeigt, wie die Modelle funktionieren, welche Daten sie speisen, wie Sie beurteilen, ob sie etwas taugen, und wie aus Scores gehaltener Umsatz wird.
Kurz gesagt
- Churn-Prognose beantwortet eine Frage: Wie wahrscheinlich ist es, nach allem, was wir heute über diesen Kunden wissen, dass er in einem festgelegten künftigen Zeitfenster geht?
- Definieren Sie Churn zuerst genau. Freiwillige Kündigung, fehlgeschlagene Zahlungen und Downgrades verhalten sich unterschiedlich und werden am besten getrennt modelliert.
- Abrechnungs-, Nutzungs- und Supportdaten zusammen sagen besser voraus als jede einzelne Quelle. Baumbasierte Modelle wie Gradient Boosting sind ein starker Standard.
- Bewerten Sie ein Modell mit Präzision (precision), Trefferquote (recall) und AUC, nicht mit der Genauigkeit, denn Kündiger sind nur ein kleiner Teil der Kunden.
- Ein Score hat nur dann Wert, wenn jede Risikostufe mit einer festgelegten Aktion verknüpft ist.
Was bedeutet KI-Churn-Prognose?
Churn bedeutet, dass ein Kunde die Beziehung beendet: Er kündigt ein Abo, lässt einen Vertrag auslaufen oder zahlt nicht mehr. Churn-Prognose heißt, diese Kunden zu erkennen, bevor sie gehen.
Die Begriffe „KI” und „Machine Learning” werden hier fast gleichbedeutend verwendet. In der Praxis ist das System ein überwachtes Modell, trainiert mit früheren Kunden, deren Ausgang bekannt ist (geblieben oder gegangen). Es lernt, welche Verhaltensmuster dem Weggang vorausgingen, wendet diese Muster dann auf aktuelle Kunden an und liefert für jeden eine Wahrscheinlichkeit.
Für ein Abo-Geschäft hat die nützliche Variante drei Teile: eine klare Definition von Churn, ein Modell, das aktive Kunden regelmäßig bewertet, und eine Reihe von Aktionen, die diese Scores auslösen.
- 01 Churn definieren Das Ereignis, die sichtbare Historie, wie früh gewarnt wird
- 02 Jeden Kunden bewerten Ein Modell, trainiert mit früheren Kunden, regelmäßig ausgeführt
- 03 Je Stufe handeln Neuer Versuch, Angebot, Kontakt oder Win-back, je nach Risiko
Wenn Sie noch nicht bereit für ein Modell sind, nutzen zwei einfachere Methoden dieselben Daten: mit Kohorten und relativem Risiko herausfinden, was Churn vorhersagt, und ein Customer Health Score, der einige Signale zu einer Zahl zusammenfasst.
Wie sollten Sie Churn definieren, bevor Sie etwas bauen?
Viele Churn-Projekte scheitern an der Definition, nicht am Algorithmus. Was als Churn zählt, hängt vom Geschäft ab: ein gekündigtes Abo im SaaS, eine Nichtverlängerung in einem Vertragsgeschäft, sinkende Ausgaben in einem nutzungsbasierten Modell. Ist die Definition schlecht, kann das Modell mathematisch korrekt und geschäftlich nutzlos sein.
Bevor Sie Modellcode schreiben, legen Sie drei Dinge fest:
- Das Ereignis. Was genau macht einen Kunden zum Kündiger: eine Kündigungsanfrage, das Ende des bezahlten Zeitraums oder der letzte fehlgeschlagene Retry?
- Das Beobachtungsfenster. Wie viel Historie das Modell für jeden Kunden betrachten darf.
- Der Prognosehorizont. Wie weit im Voraus Sie eine Warnung wollen, zum Beispiel 30 oder 60 Tage.
Entscheiden Sie dann, ob Sie freiwillige Kündigung, unfreiwilliges Fehlschlagen der Zahlung und Downgrades getrennt modellieren. Sie verlangen unterschiedliche Reaktionen. Ein Kunde, der sich zum Gehen entschieden hat, braucht ein Gespräch oder ein Angebot. Ein Kunde, dessen Karte abgelaufen ist, braucht einen sauberen Retry und eine Erinnerung, die Karte zu aktualisieren. Wer beides in einem Label vermischt, verwischt beide Signale.
Welche Daten sagen Churn im SaaS voraus?
Es gibt keine universelle Feature-Liste, aber ein SaaS-Churn-Modell stützt sich meist auf drei Datenfamilien:
| Datenfamilie | Beispiele | Was sie Ihnen sagt |
|---|---|---|
| Abrechnung | Fehlgeschlagene Zahlungen, Kartenablauf, Downgrade-Anfragen, Rechnungsstreitigkeiten, Rabatte, Tarif und Abrechnungsintervall | Reibung bei der Zahlung und Grad der Bindung |
| Produktnutzung | Login-Häufigkeit, Nutzung von Funktionen, aktivierte Lizenzen, Sitzungstiefe, Entwicklung über die Zeit | Ob der Kunde einen Nutzen hat |
| Customer Success und Support | Ticketvolumen und Stimmung, NPS- und CSAT-Werte, Health Scores, Kontonotizen | Wie sich der Kunde fühlt |
Nachlassendes Engagement zeigt sich oft in Support- oder Abrechnungsdaten, bevor es in der Produktnutzung sichtbar wird. Deshalb schlägt die Kombination von Quellen meist die Nutzung allein.
Zwei praktische Punkte zu Features:
- Bevorzugen Sie Trends gegenüber Momentaufnahmen. Ein Kunde, der sich diesen Monat 12-mal angemeldet hat, sagt wenig. Ein Kunde, dessen Logins sich über drei Monate halbiert haben, sagt viel.
- Behandeln Sie fehlgeschlagene Zahlungen als echtes Signal. Lagos technischer Leitfaden zu Churn-Prognosemodellen berichtet, dass Kunden mit zwei oder mehr fehlgeschlagenen Zahlungsversuchen in einem Abrechnungszyklus eine Wahrscheinlichkeit von 45 % zeigen, innerhalb von 60 Tagen zu kündigen. Sehen Sie das als einen berichteten Richtwert, nicht als Regel für jedes Geschäft, aber die Richtung lohnt einen Test an Ihren eigenen Daten.
Wenn Ihr Helpdesk oder CRM nützliche Signale enthält, haben wir beschrieben, wie Sie sie herausholen: Churn-Signale in HubSpot-Tickets, in Gorgias-Tickets, in Crisp-Chats und HubSpot-NPS- und CSAT-Umfragen im Vergleich mit echten Kündigungen.
Wie funktioniert die Machine-Learning-Pipeline?
Ein Churn-Modell ist mehr als ein Trainingsskript. Clouderas E-Book Accelerating customer churn prediction geht den ganzen Weg durch, vom Zusammenführen und Labeln der Daten bis zum Training und Betrieb des Modells in Produktion, und weist darauf hin, dass gewöhnliche Tutorials gerade die Produktionsschritte auslassen.
Eine einfache Version hat sechs Schritte:
- Daten sammeln und verknüpfen aus Abrechnungs-, Produkt- und Supportsystemen über eine gemeinsame Kunden-ID.
- Das Label bilden. Wählen Sie einen Stichtag, nehmen Sie jeden Kunden, der an diesem Tag aktiv war, und markieren Sie ihn anhand eines künftigen Beobachtungsfensters als gekündigt oder gehalten. Das Churn-Tutorial von PyCaret beschreibt diesen Ansatz und warnt, dass Informationen von nach dem Stichtag dem Modell die Antwort verraten.
- Features bilden aus dem Zeitraum vor dem Stichtag.
- Modelle trainieren und vergleichen mit sauberer Validierung.
- Den aktiven Kundenstamm bewerten nach Zeitplan, etwa täglich oder monatlich.
- Scores in die Tools Ihres Teams übertragen, damit sie Aktionen auslösen können.
Schritt 5 ist wichtiger, als er aussieht. Im PyCaret-Workflow wird der aktive Kundenstamm jeden Monat an das Modell übergeben, um die Churn-Wahrscheinlichkeit jedes Kunden zu erhalten. Sortiert man diese Liste, kann ein Retention-Team die riskantesten Kunden zuerst bearbeiten und die mit sehr niedrigem Risiko in Ruhe lassen.
Welche Modelle funktionieren am besten?
Für den Anfang brauchen Sie kein tiefes neuronales Netz. Forschung mit SaaS-Daten weist auf baumbasierte Methoden hin:
- Ein Benchmark von 17 Machine-Learning-Modellen für SaaS-Churn aus dem Jahr 2025, veröffentlicht in Future Internet, ergab, dass XGBoost und LightGBM ein gutes Gleichgewicht boten zwischen Vorhersageleistung, Trainings- und Vorhersagezeit sowie Emissionen.
- Eine Übersicht über 212 Artikel von 2015 bis 2023, veröffentlicht in IEEE Access, empfiehlt Ensembles, Deep Learning und erklärbare Methoden und fordert eine Bewertung nach Rentabilität statt nur nach Genauigkeit.
Es gibt tiefere Architekturen. Ein technischer Beitrag von Microsoft beschreibt ein hybrides Modell, das ein bidirektionales LSTM für Nutzungszeitreihen mit einem 1D-CNN für den Text von Support-Vorfällen kombiniert. Solche Designs sind sinnvoll, wenn Sie lange Ereignisverläufe und Freitextdaten in großem Umfang haben. Für die meisten SaaS-Teams ist ein Gradient-Boosting-Modell auf gut gebauten Features die praktische Wahl, mit logistischer Regression als Basislinie, die Sie jedem erklären können.
Woran erkennen Sie, ob Vorhersagen gut sind?
Churn ist meist ein Minderheitsergebnis. Wenn 3 von 100 Kunden in einem Zeitraum kündigen, ist ein Modell, das „niemand kündigt” vorhersagt, zu 97 % genau und völlig nutzlos.
Modell, das „niemand kündigt“ vorhersagt97 %Genauigkeit
Gefundene Kündiger0 / 3Recall 0 %
bleibtkündigt
Der Leitfaden von Statsig zum Vergleich von Modellen macht denselben Punkt: Schiefe Labels lassen die Genauigkeit besser aussehen, als sie ist. Für ein Churn-Label mit 3 % positiven Fällen empfiehlt er eine stratifizierte k-fache Kreuzvalidierung, damit jeder Fold dasselbe Churn-Verhältnis behält.
Nutzen Sie stattdessen diese Maße:
- Präzision (precision): Von den als hochriskant markierten Kunden, wie viele sind wirklich gegangen? Niedrige Präzision bedeutet, dass Ihr Team Aufwand verschwendet und vielleicht Rabatte an Menschen gibt, die geblieben wären.
- Trefferquote (recall): Von den Kunden, die gegangen sind, wie viele hat das Modell markiert? Eine niedrige Trefferquote bedeutet, dass Ihnen vermeidbarer Umsatz entgeht.
- ROC AUC und PR AUC: wie gut das Modell riskante Kunden über alle Schwellenwerte hinweg vor sicheren einordnet. PR AUC ist besonders aussagekräftig, wenn Churn selten ist.
- Log Loss: ob die Wahrscheinlichkeiten selbst gut kalibriert sind. Das ist wichtig, wenn Sie Schwellenwerte nach Risikostufe festlegen.
Die Kosten jeder Fehlerart sind die geschäftliche Frage. Kostet Sie ein Halteangebot einen Monat Rabatt, ist ein Fehlalarm billig. Ist die Maßnahme eine Stunde eines erfahrenen Account Managers, ist er es nicht. Legen Sie Ihren Schwellenwert mit diesen Kosten im Blick fest.
Welche Fallen machen Vorhersagen irreführend?
Data Leakage. Das passiert, wenn Informationen, die zum Zeitpunkt der Vorhersage nicht verfügbar sind, ins Training gelangen. Es liefert nahezu perfekte Offline-Ergebnisse, die in Produktion zusammenbrechen. Ein klassisches Beispiel: einen „Kündigungsgrund” oder eine „Downgrade-Anfrage”, die nach dem Stichtag erfasst wurden, als Feature zu verwenden. Prüfen Sie jedes Feature mit der Frage: „Hätte ich das am Stichtag gewusst?”
Verdecktes Leakage zwischen Folds. Taucht derselbe Nutzer oder dasselbe Konto sowohl in den Trainings- als auch in den Testdaten auf, sehen die Ergebnisse besser aus als die Realität. Statsig empfiehlt Group k-Fold für Daten, die nach Nutzer oder Konto gruppiert sind, und zu prüfen, dass keine Einheit in Training und Test zugleich vorkommt.
Unausgewogene Klassen. Oben behandelt: Nutzen Sie passende Metriken und erwägen Sie Klassengewichte oder Resampling.
Eine vage Churn-Definition. Weiter oben behandelt. Ein Modell, das auf „inaktiv” trainiert ist, sagt Ihnen nicht, wer kündigt.
Keine Aktion am Score. Ein Dashboard voller Wahrscheinlichkeiten ändert nichts. Der nächste Abschnitt ist der, aus dem die Ergebnisse kommen.
Wie werden aus Risiko-Scores Maßnahmen zur Kundenbindung?
Ordnen Sie jeder Vorhersage eine Stufe zu und jeder Stufe eine Maßnahme. Zeigen Sie den Menschen, die auf einen Score reagieren, die wichtigsten Faktoren dahinter, damit sie wissen, warum der Kunde gefährdet ist und was sie sagen sollen.
Ein praktikabler Aufbau der Stufen:
| Risikostufe | Typisches Signal | Aktion |
|---|---|---|
| Zahlungsrisiko | Abgelaufene Karte, wiederholte Ablehnungen | Smart Retries, Erinnerungen zur Kartenaktualisierung, klare Abrechnungsmails |
| Hohes Risiko, freiwillig | Sinkende Nutzung, negative Umfrage, Besuch der Kündigungsseite | Persönliche Ansprache, passendes Angebot, Pause oder Downgrade als Option |
| Gekündigt | Abo beendet | Zeitlich abgestimmte Win-back-Nachricht mit einem relevanten Grund zur Rückkehr |
| Niedriges Risiko | Gesunde Nutzung, pünktliche Zahlungen | Keine Aktion; Upsell erwägen |
Drei Hinweise zur Umsetzung:
- Trennen Sie freiwilligen und unfreiwilligen Churn. Fehlgeschlagene Zahlungen sind oft mechanische Probleme mit einer mechanischen Lösung, deshalb verdienen sie einen eigenen Flow. Siehe fehlgeschlagene Zahlungen.
- Greifen Sie im Kündigungsflow ein. Der Moment, in dem jemand auf Kündigen klickt, ist die Chance mit der höchsten Absicht, nach dem Grund zu fragen und eine Pause, ein Downgrade oder einen anderen Tarif anzubieten.
- Bleiben Sie nach der Kündigung in Kontakt. Win-back-Nachrichten wirken am besten, wenn sie den Grund aufgreifen, aus dem der Kunde gegangen ist. Siehe Win-back-Kampagnen, Win-back-Mails in HubSpot und gekündigte Kunden mit Chargebee zurückgewinnen.
Auch das Abrechnungsintervall prägt das Risiko. Die Mischung aus Monats- und Jahreskunden verändert, wie oft Sie eine Chance zum Eingreifen haben. Das behandeln wir in Jahres- vs. Monatstarife und Churn.
Unsere Sicht
Die meisten kleinen und mittelgroßen SaaS-Teams brauchen kein Data-Science-Team, um von Churn-Prognose zu profitieren. Sie brauchen drei Dinge: Abrechnungsdaten, denen sie vertrauen können, ein Risikosignal, das sich selbst erklärt, und automatische Aktionen, die laufen, ohne dass jemand jeden Morgen ein Dashboard prüft.
Wir finden außerdem, dass der Preis Sie nicht dafür bestrafen sollte, Umsatz zurückzuholen. NoChurn nimmt keinen Anteil an zurückgeholten Beträgen: Der Preis richtet sich nach Ihrem MRR, sodass Ihre Kosten beim Wachsen planbar bleiben.
Wie sagt NoChurn Churn voraus?
NoChurn verbindet sich mit einem Klick mit Stripe sowie mit Chargebee, Paddle, Recurly und anderen Abrechnungstools oder über die API mit jeder Abrechnung. Die Prognose arbeitet in zwei Ebenen:
- Ein Churn-Score von 0 bis 100 für jeden Kunden, ab der Anmeldung. Er liest die Art des Zahlungsmittels, das Kartenland, die Anmeldequelle und alle Attribute, die Sie senden, und zeigt die Faktoren hinter jedem Score mit ihrem Gewicht. Die ersten Scores nutzen Standardwerte; sobald Ihr Konto genug Historie hat, werden die Gewichte aus Ihren eigenen Kunden gelernt und mit der Zahl der Kunden angezeigt, auf denen sie beruhen. Eine Karte, die wenige Tage vor der Verlängerung entfernt wird, löst eine Frühwarnung aus. Siehe Churn-Score.
- Ihre eigenen Daten, analysiert. Senden Sie Attribute wie Tarif, Anmeldequelle oder zentrale Nutzung über die API. Statistik findet heraus, welche mit Churn einhergehen, mit relativem Risiko, einem 95-%-Konfidenzintervall und der Stichprobengröße, und KI erklärt die Ergebnisse in einfachen Worten: Korrelation, nicht Kausalität. Siehe eigene Daten und KI.
Der Score kann dann das Angebot im Kündigungsflow wählen, den Ton der Mails zu fehlgeschlagenen Zahlungen oder den Zeitpunkt der Win-back-Mails, und Sie können ihn über die API abrufen oder per Webhook empfangen.
Jede Funktion ist in jedem Tarif enthalten. Bis 300 $ MRR ist es kostenlos, danach ab 9 $ im Monat, und der Preis hängt nur von Ihrem MRR ab, ohne Provision. Für den Versand von Ihrer eigenen E-Mail-Domain ist ein bezahlter Tarif nötig. Siehe Preise.
FAQ
Was ist KI-gestützte Churn-Prognose für Kunden?
Es ist der Einsatz von Machine Learning, um zu schätzen, wie wahrscheinlich jeder Kunde innerhalb eines gewählten Zeitfensters kündigt oder nicht mehr zahlt. Das Modell lernt aus früheren Kunden, deren Ausgang bekannt ist, und bewertet dann die aktuellen. Das Ergebnis ist meist eine Wahrscheinlichkeit, mit der Teams die Arbeit an der Kundenbindung priorisieren.
Was ist Churn-Prognose im Machine Learning?
Es ist ein Problem der überwachten Klassifikation. Jeder frühere Kunde wird anhand eines festgelegten Fensters nach einem Stichtag als gekündigt oder gehalten gelabelt, und das Modell lernt, welche Features, etwa Nutzungstrends, Supportaktivität und fehlgeschlagene Zahlungen, dem Churn vorausgingen. Dann liefert es eine Churn-Wahrscheinlichkeit für aktive Kunden.
Welcher Algorithmus ist für Churn-Prognose am besten?
Es gibt keinen einzelnen Sieger, aber baumbasierte Ensembles sind ein starker Standard für tabellarische SaaS-Daten. Ein Benchmark von 17 Modellen zu SaaS-Churn aus dem Jahr 2025 ergab, dass XGBoost und LightGBM Leistung und Effizienz ausbalancieren. Behalten Sie logistische Regression als einfache Basislinie.
Wie viele Daten brauche ich, bevor sich ein Modell lohnt?
Sie brauchen genug frühere Kunden und genug Churn-Ereignisse, damit das Modell Muster lernen kann, und die richtige Menge hängt von Ihrem Produkt und Ihrer Churn-Rate ab. Haben Sie wenige Churn-Ereignisse, beginnen Sie mit einfachen Regeln und einem Health Score, etwa wiederholten fehlgeschlagenen Zahlungen oder sinkenden Logins, und wechseln Sie zu einem Modell, wenn Ihre Historie wächst.
Sollten fehlgeschlagene Zahlungen Teil des Churn-Modells sein?
Ja, aber labeln Sie sie getrennt von der freiwilligen Kündigung. Fehlgeschlagene Zahlungen sind ein nützliches Signal: Lago berichtet von einer Kündigungswahrscheinlichkeit von 45 % innerhalb von 60 Tagen nach zwei oder mehr fehlgeschlagenen Versuchen in einem Zyklus. Sie haben auch ihre eigene Lösung: Retries und Erinnerungen zur Kartenaktualisierung.
Quellen
Alle abgerufen im November 2026.
- Lago: Churn prediction models, a technical guide for SaaS
- Cloudera: Accelerating customer churn prediction (E-Book)
- PyCaret: Predict customer churn using PyCaret
- Mavridou et al., Beyond accuracy: benchmarking machine learning models for SaaS decision support, Future Internet, 2025
- Manzoor et al., A review on machine learning methods for customer churn prediction, IEEE Access, 2024
- Microsoft ISE: A hybrid multi-input churn prediction model with Azure Machine Learning
- Statsig: Cross-model evaluation, fair comparison methods