Churn-Warnsystem

Frühere Studien haben einen Konsens über den wirtschaftlichen Wert der Kundenbindung erzielt: (1) die Kosten für die Gewinnung eines neuen Kunden sind viel höher, als die Kosten für den Erhalt des Kunden (Dawes und Swailes.1999); (2) langfristige Kunden kaufen mehr, und wenn sie zufrieden sind, können sie neue Kunden für das Unternehmen gewinnen (Ganesh et al.2000); (3) der Verlust von Kunden führt nicht nur zu Umsatzeinbußen, sondern erhöht auch die Kosten für die Gewinnung neuer Kunden (Athanassopoulos.2000, Colgate und Danaher.20000). Daher ist die Churn-Prediction wichtig um Kundenabwanderung vorherzusagen und den Umsatzverlust zu minimieren. Sie ist eine bekannte Anwendung des maschinellen Lernens und Data Mining im Customer Relationship Management (CRM). Die Schwierigkeit der Churn-Prediction besteht darin, präzise und zeitnah Vorhersagen zu treffen, so dass das Unternehmen ausreichend Zeit hat, seine Kunden zu halten.

Frühere Studien haben Kundenabwanderung hauptsächlich in B2C-Kontexten untersucht, aber nur wenige Vorhersagemodelle wurden im B2B-Kontext entwickelt. Die Forschung im B2B-Kontext konzentriert sich hauptsächlich auf nicht-vertragliche Einstellungen in Bereichen wie Einzelhandel, E-Commerce, Logistik und selten auf Vertragsbedingungen wie Software-Wartungsverträge. Unter ihnen liegt die höchste Genauigkeit bezogen auf die Fläche unterhalb der Receiver-Operating-Characteristics-Kurve (AUC) bei 92% (Tamaddoni Jahromi et al, 2014). Typische Kundenabwanderung-Vorhersagemodelle berücksichtigen normalerweise nur die Variablen, die das Kundenverhalten widerspiegeln. Die Einbeziehung makroökonomischer Daten wurde bislang nur im B2C-Kontext von wenigen Studien untersucht (Gür Ali et al., 2014; Van den PoelE et al., 2004). Diese Studien berücksichtigen jedoch nicht die Entwicklung von Kundenverhalten und makroökonomischen Variablen im Zeitverlauf. Mit anderen Worten, den Modellen fehlt der dynamische Aspekt.

Das Ziel dieser Arbeit ist, ein Kundenabwanderung-Vorhersagemodell zu erstellen, durch den Einsatz anderer maschineller Lernalgorithmen wie Random Forest und Neuronalen Netzwerke. Darüber hinaus wird untersucht, ob ein Kundenabwanderung-Vorhersagemodell durch die Einbeziehung makroökonomischer Faktoren und die Berücksichtigung von Schwankungen der Kundendaten im Zeitverlauf zu einer verbesserten Vorhersage führt.