Mit Ihren eigenen Kundendaten herausfinden, was Churn vorhersagt

Jedes Abo-Geschäft hat eine Theorie dazu, warum Kunden gehen. „Kunden aus bezahlter Werbung kündigen öfter.” „Teams, die keinen zweiten Nutzer einladen, bleiben nie.” Manche dieser Theorien stimmen. Viele nicht, und herausfinden lässt sich das nur, indem Sie sie an Ihren eigenen Daten prüfen.

Dieser Ratgeber zeigt, was Sie sammeln, wie Sie Gruppen mit Kohorten- und Relative-Risk-Analyse vergleichen, wie Sie die statistischen Fallen vermeiden, die zufälliges Rauschen wie eine Erkenntnis aussehen lassen, und wie Sie KI nutzen, um die Ergebnisse zu erklären, ohne dass sie Zahlen erfindet.

Schritt 1: festlegen, was „Churn” bedeutet

Schreiben Sie vor jeder Analyse eine Definition auf. Zum Beispiel:

• Gekündigt (churned): Abo gekündigt oder unbezahlt beendet und nicht innerhalb von 30 Tagen reaktiviert.
• Beobachtungsfenster: die ersten 90 Tage des Kunden oder ein Kalenderzeitraum.
• Wer zählt: nur zahlende Kunden oder auch Testkunden (analysieren Sie sie getrennt; die Umwandlung aus dem Test ist eine andere Frage).

Trennen Sie freiwilligen Churn (der Kunde hat gekündigt) von unfreiwilligem Churn (eine Zahlung ist fehlgeschlagen und wurde nie zurückgeholt). Sie haben unterschiedliche Ursachen. Eine Prepaid-Karte und ein enttäuschter Nutzer sind nicht dasselbe Problem. Unser Artikel zu unfreiwilligem Churn behandelt die Zahlungsseite.

Schritt 2: die richtigen Attribute und Events sammeln

Sie wollen Daten, die existierten, bevor der Kunde gekündigt hat, und auf die Sie reagieren können. Ein guter Startsatz:

Feld	Typ	Beispielwerte	Warum es zählt
signup_date	Attribut	2026-06-12	Kohorten; Saisonalität
signup_source	Attribut	google_ads, facebook_ads, organic, referral	Qualität des Kanals, nicht nur Volumen
plan	Attribut	starter, team	Passung zwischen Plan und Bedarf
seats	Attribut	1, 5, 20	Accounts mit einer Lizenz verhalten sich oft anders
company_size / country / industry	Attribut	11-50, DE, agency	Passung des Segments
trial_length_days	Attribut	7, 14	Ob längere Tests helfen
coupon_at_signup	Attribut	LAUNCH50, keiner	Über Rabatte gewonnene Kunden
payment_method	Attribut	card_credit, card_prepaid, sepa, link	Risiko für unfreiwilligen Churn
activated_at	Event / Datum	2026-06-14	Haben sie den ersten Moment des Nutzens erreicht?
last_active_at	Attribut	2026-09-30	Wie kürzlich genutzt
key_feature_used	Event-Zähler	reports_created: 4	Nutzungstiefe
support_tickets	Zähler	0, 3	Reibung
nps_score	Attribut	0 bis 10	Angegebene Zufriedenheit

Einige Hinweise, damit es klappt:

• Aktivierung konkret definieren. „Ein erstes Projekt erstellt und ein Teammitglied innerhalb von 7 Tagen eingeladen” ist messbar. „Hatte einen Nutzen” nicht.
• Werte zu einem festen Zeitpunkt erfassen. Vergleichen Sie last_active_at gekündigter Kunden mit dem aktiver Kunden, wirkt die gekündigte Gruppe inaktiv, weil sie gekündigt hat. Das sagt Ihnen nichts. Nutzen Sie einen festen Punkt, etwa die Aktivität in den ersten 14 Tagen.
• Kategorien grob halten. Zwanzig Anmeldequellen mit je drei Kunden lassen sich nicht analysieren. Gruppieren Sie sie (bezahlte Suche, bezahlte Social Media, organisch, Empfehlung, Sonstiges).
• Daten zur Zahlungsmethode aus Stripe. Kartenobjekte in Stripe enthalten ein Feld funding (credit, debit, prepaid oder unknown) (Stripe-API-Referenz), das Sie nutzen können, ohne mit Kartennummern umzugehen.
• Auf Datenschutz achten. Sammeln Sie, was Sie brauchen, dokumentieren Sie, warum, und halten Sie sich an Ihre Datenschutzerklärung und das lokale Recht.

Schritt 3: Kohorten bilden und Churn-Raten vergleichen

Die einfachste nützliche Analyse vergleicht die Churn-Raten von Gruppen, die sich in einem Attribut unterscheiden.

Nehmen Sie alle, die sich in einem Zeitraum angemeldet haben, der lang genug ist, damit Churn sichtbar wird (zum Beispiel Anmeldung im Q1, 90 Tage beobachtet). Zählen Sie für jeden Wert eines Attributs die Kunden und die gekündigten Kunden.

Anschauliches Beispiel (keine echten Daten):

Anmeldequelle	Kunden	Gekündigt in 90 Tagen	Churn-Rate
Organisch	400	60	15 %
Bezahlte Social Media	200	50	25 %
Empfehlung	100	10	10 %

Relatives Risiko

Das relative Risiko (RR) vergleicht die Churn-Rate jeder Gruppe mit einer Basis. Mit organisch als Basis:

• Bezahlte Social Media: 25 % / 15 % = RR 1,67. Kunden aus bezahlter Social Media haben etwa 1,7-mal so oft gekündigt.
• Empfehlung: 10 % / 15 % = RR 0,67. Kunden aus Empfehlungen haben etwa ein Drittel seltener gekündigt.

Das relative Risiko lässt sich jedem im Unternehmen leicht erklären, das ist sein Hauptvorteil gegenüber komplexeren Modellen. Siehe relatives Risiko für die formale Definition.

Schritt 4: prüfen, ob der Unterschied echt ist

Ein Unterschied in einer Tabelle ist nicht automatisch ein Befund. Bei kleinen Gruppen erzeugt der Zufall allein große Unterschiede.

Stichprobengröße

Schauen Sie auf die Anzahlen, nicht nur auf die Prozentwerte. Hätte bezahlte Social Media 20 Kunden und 5 Kündigungen, könnte die Rate von 25 % mit einem weiteren Monat an Anmeldungen leicht 10 % oder 45 % sein. Eine praktische Regel: Seien Sie skeptisch bei jeder Gruppe mit weniger als ein paar Dutzend Kunden oder weniger als etwa zehn Kündigungen, und sagen Sie es im Bericht.

Konfidenzintervalle

Berichten Sie eine Spanne, nicht nur eine Zahl. Ein 95-%-Konfidenzintervall für ein relatives Risiko gibt Ihnen die Spanne der Werte, die mit Ihren Daten vereinbar sind. Mit der anschaulichen Tabelle oben liegt das Intervall für bezahlte Social Media bei etwa 1,2 bis 2,3, das höhere Risiko ist also recht klar. Liegt es bei 0,8 bis 3,4, wissen Sie nicht, ob bezahlte Social Media überhaupt schlechter ist. Die Standardmethode nutzt den Logarithmus des relativen Risikos; die meisten Statistikbibliotheken berechnen es für Sie.

Eine schnelle Version in Python, für einen Vergleich:

import math

def relative_risk(a_churn, a_total, b_churn, b_total, z=1.96):
    rr = (a_churn / a_total) / (b_churn / b_total)
    se = math.sqrt(1/a_churn - 1/a_total + 1/b_churn - 1/b_total)
    low = math.exp(math.log(rr) - z * se)
    high = math.exp(math.log(rr) + z * se)
    return rr, low, high

# Paid social vs organic, illustrative numbers from the table above
print(relative_risk(50, 200, 60, 400))  # about (1.67, 1.19, 2.33)

Mehrfachvergleiche

In diese Falle tappen die meisten Dashboards. Testen Sie 40 Attribute bei einem Signifikanzniveau von 5 %, sollten Sie erwarten, dass etwa 2 davon rein zufällig „signifikant” aussehen, selbst wenn keines davon zählt. Je mehr Sie aufschlüsseln, desto mehr falsche Befunde erhalten Sie.

Wege, damit umzugehen:

• Zuerst eine kurze Liste von Hypothesen festlegen und alles andere als Erkundung behandeln.
• Für die Anzahl der Tests korrigieren. Die Bonferroni-Korrektur (Signifikanzschwelle durch die Anzahl der Tests teilen) ist einfach und streng. Das Benjamini-Hochberg-Verfahren kontrolliert die False Discovery Rate und ist weniger konservativ.
• An neuen Daten bestätigen. Finden Sie ein Muster bei den Anmeldungen aus Q1 und prüfen Sie, ob es für Q2 gilt. Ein Befund, der sich wiederholt, ist es wert, danach zu handeln.

Schritt 5: Korrelation, nicht Kausalität

Selbst ein solides, wiederholtes relatives Risiko sagt Ihnen nur, dass ein Attribut mit Churn einhergeht. Es sagt Ihnen nicht, dass das Attribut Churn verursacht.

Typische Arten, wie das schiefgeht:

• Confounding. Kunden aus bezahlter Social Media kündigen vielleicht öfter, weil sie meist Solo-Freelancer sind, und Solo-Freelancer kündigen unabhängig vom Kanal öfter. Prüfen Sie den Zusammenhang innerhalb von Segmenten (bezahlte Social Media vs. organisch, nur unter Accounts mit einer Lizenz).
• Umgekehrte Kausalität. Kunden mit vielen Support-Tickets kündigen vielleicht öfter, oder Kunden, die schon keinen Nutzen finden, schreiben mehr Tickets.
• Selektion. Kunden, die den Jahresplan gewählt haben, sind bereits stärker gebunden. Jährliche Abrechnung verursacht vielleicht keine Retention; gebundene Kunden wählen vielleicht die jährliche Abrechnung.

Um eine Ursache festzustellen, braucht es ein Experiment: Ändern Sie eine Sache für eine zufällige Gruppe und vergleichen Sie. Sieht es zum Beispiel so aus, als sage die Aktivierung die Retention voraus, testen Sie eine Onboarding-Änderung, die die Aktivierung für eine zufällige Hälfte der Neuanmeldungen erhöht, und sehen Sie, ob die Retention folgt. Unser Ratgeber zum Testen von Halteangeboten behandelt dieselbe Holdout-Logik für Angebote im Kündigungsflow.

Schritt 6: Befunde in Maßnahmen umsetzen

Befund (Beispiel)	Mögliche Maßnahme	Wie Sie es prüfen
Anmeldungen aus bezahlter Social Media kündigen öfter	Targeting oder Landingpage ändern; Kohorten vergleichen	Die Kohorte aus bezahlter Social Media im nächsten Quartal
Accounts mit einer Lizenz kündigen öfter	Im Onboarding zum Einladen eines Teammitglieds auffordern	Die Aufforderung per A/B-Test prüfen
Wer bis Tag 7 nicht aktiviert ist, kündigt öfter	Anstöße an Tag 3 und 5, Hilfe bei der Einrichtung	Die Anstöße per A/B-Test prüfen
Prepaid-Karten scheitern öfter bei Verlängerungen	Nach einer Ersatz-Zahlungsmethode fragen, frühere Erinnerungen	Fehlerquote bei Verlängerungen vergleichen
Niedriger NPS geht einer Kündigung voraus	Niedrige Werte innerhalb einer Woche nachfassen	Churn bei nachgefassten vs. nicht nachgefassten vergleichen

KI sicher nutzen, um Ergebnisse zu erklären

Sprachmodelle sind gut darin, eine Tabelle von Ergebnissen in eine klare Zusammenfassung und eine Ideenliste zu verwandeln. Sie sind schlecht im Rechnen und erzeugen plausibel aussehende Zahlen, die falsch sind. Die sichere Aufteilung ist:

1. Jede Zahl im Code berechnen. Churn-Raten, relative Risiken, Intervalle, Stichprobengrößen und korrigierte p-Werte kommen aus einem deterministischen Skript oder einer SQL-Abfrage.
2. Dem Modell nur die berechneten Ergebnisse geben, als strukturierte Daten, und es bitten, sie zu erklären.
3. Neue Zahlen verbieten. Weisen Sie das Modell an, nur Zahlen aus der Eingabe zu verwenden, und prüfen Sie die Ausgabe: Jede Zahl in der Zusammenfassung sollte einer Zahl in den Ergebnissen entsprechen.
4. Vorbehalte verlangen. Bitten Sie es, auf kleine Stichproben, breite Intervalle und darauf hinzuweisen, dass die Befunde Korrelationen sind.
5. Einen Menschen einbeziehen bei allem, was Preise, Targeting oder Produkt ändert.

Eine kurze Prompt-Struktur, die funktioniert:

You are given churn analysis results as JSON. Each row has an attribute,
a value, customers, churned, relative_risk, ci_low, ci_high and
adjusted_p. Explain the three strongest findings for a non-technical
founder. Use only numbers that appear in the JSON. Mention sample size
for each finding. Say these are correlations, not causes. Suggest one
experiment per finding.

Checkliste

• Churn schriftlich definiert, freiwillig und unfreiwillig getrennt.
• Attribute zu einem festen Zeitpunkt erfasst.
• Kategorien so gruppiert, dass jede genug Kunden hat.
• Relatives Risiko mit Konfidenzintervallen für jeden Vergleich.
• Stichprobengrößen neben jedem Ergebnis gezeigt.
• Korrektur für Mehrfachvergleiche oder Ergebnisse an neuen Daten bestätigt.
• Confounder innerhalb von Segmenten geprüft.
• KI-Zusammenfassungen nutzen nur berechnete Zahlen.
• Wichtigste Befunde in Experimente umgesetzt.

Wie NoChurn hilft

Mit den eigenen Daten von NoChurn senden Sie jedes Kundenattribut oder Nutzungs-Event über die API, in Batches, per CSV oder mit dem SDK. NoChurn berechnet die Statistik im Code (relatives Risiko, Stichprobengröße und Konfidenz), um herauszufinden, welche Attribute mit Churn einhergehen, und nutzt dann KI, um die Ergebnisse zu erklären und Maßnahmen vorzuschlagen, gekennzeichnet als Korrelation, nicht Ursache. Dieselben Daten fließen zusammen mit Zahlungsmethode und Anmeldequelle in den Churn-Score, den jeder Kunde bei der Anmeldung erhält. Siehe die API-Referenz und die Preise.