E.ON: Die Retentionskampagne reduzierte Vertragskündigungen um 50%
Unterstützt von fortschrittlichen Analysemodellen, die von Adastra auf Databricks entwickelt wurden.
weniger Vertragskündigungen mit Churn Prediction
höhere Erfolgsquote bei der Identifikation gefährdeter Kunden
höhere Zielgenauigkeit gegenüber dem Zufallsverfahren
Herausforderung
Kundenabwanderung verhindern – durch automatisierte Kundenanalyse
E.ON wandte sich an uns mit dem Ziel, die Kundenabwanderung zur Konkurrenz deutlich zu senken. Bisher wurden Retentionsmaßnahmen auf Basis von Erfahrungswerten geplant. Diese manuelle Methode war zeitaufwendig, wenig skalierbar und lieferte keine konstanten Ergebnisse.
Gemeinsam mit dem CRM-Team von E.ON entwickelten wir einen automatisierten Prozess auf der Microsoft Azure Cloud. Unser Ziel: eine datenbasierte Customer-Retention-Strategie, die auf präziser Churn Prediction und nachvollziehbaren Maßnahmen basiert.
Dazu haben wir:
- einen analytischen Data Mart aufgebaut, der alle relevanten Daten für die automatisierte Kundenanalyse enthielt
- eine automatisierte Transformation und Übernahme der Daten aus dem Data Warehouse eingerichtet
- auf der Databricks-Plattform ein CRM-Machine-Learning-Modell trainiert, bewertet, interpretiert und automatisiert
- Das Modell identifiziert nicht nur potenziell abwandernde Kunden, sondern analysiert auch deren Abwanderungsgründe – etwa Preisempfinden, Vertragsstatus oder Nutzungsmuster. Dadurch kann E.ON gezielt und rechtzeitig reagieren.
Lösung
CRM Machine Learning für präzise Churn Prediction
Wir führten eine umfassende Business-Analyse durch. Dabei definierten wir die wichtigsten Datenanforderungen. Diese gelten nicht nur für das Projekt, sondern auch für zukünftige Anwendungsfälle.
Wir haben zusammen mit E.ON alle wichtigen Daten im Data Warehouse gefunden. Wir haben geplant, wie wir diese Daten umwandeln. Außerdem entwickelten wir das Gesamtkonzept für den Data Mart.
In der nächsten Phase synchronisierten wir den automatisierten Datenfluss zwischen Data Mart und Databricks. Dort extrahierten wir aus rund 300 Basisattributen über 7.500 prädiktive Merkmale. Wir haben ein Churn-Prediction-Modell trainiert. Dafür nutzten wir einen Datensatz mit über 10 Millionen Einträgen und 750 Attributen.
Das Modell berechnet die Kündigungswahrscheinlichkeit für jeden einzelnen Kunden – kontinuierlich aktualisiert und voll automatisiert. Die Ergebnisse werden regelmäßig zurück ins Data Warehouse exportiert und stehen für Kampagnen und Kundenansprache zur Verfügung.
Wirkung
Customer Retention mit messbarem Erfolg
Mit Hilfe unseres Machine-Learning-Modells konnten wir die Customer Retention von E.ON signifikant verbessern.
Die Kampagne, die auf den Modell-Ergebnissen basiert, erreichte:
- 50 % weniger Vertragskündigungen bei den 5 % am stärksten gefährdeten Kunden
- 2x höhere Erfolgsquote im Vergleich zur vorherigen Expertenauswahl
- 21x höhere Zielgenauigkeit im Vergleich zum zufälligen Auswahlverfahren
Diese Ergebnisse zeigen, dass CRM Machine Learning ein gutes Werkzeug ist. Es hilft, Kundenbeziehungen zu stärken und den Erfolg von Kampagnen zu erhöhen.
Fazit
Erfolgreiche Customer Retention durch CRM Machine Learning
Mit unserer Hilfe konnte E.ON die Kundenbindung verbessern. Wir haben dies durch genaue Vorhersagen von Abwanderungen erreicht. Außerdem haben wir skalierbare Prozesse und eine automatisierte Kundenanalyse eingesetzt.
Der Erfolg der Kampagne zeigt, wie stark datenbasierte Ansätze im CRM wirken. Wir freuen uns, E.ON weiterhin auf dem Weg zu einer intelligenten, agilen und kundenorientierten Energieversorgung zu begleiten.
