Möglichkeiten des Data Minings zur Ermittlung von Kündigungsprognosen

Abstract

In einem aktuellen Artikel („Working Paper“) des Harvard Business Review (vgl. Lemmens und Gupta, 2013, S. 1 ff.) wird darauf hingewiesen, dass die Vorhersage des Kündigungsverhaltens von Kunden eine aktuelle Herausfor- derung fürUnternehmen undOrganisationen vielerBranchen darstellt.Nicht nur in der angelsächsischen Literatur wird hier von der sogenannten „Churn Rate“ gesprochen (vonChange und Turn) – dieKundschaſt, die abwandern möchte, wird als „Churner“ bezeichnet. Um das Kündigungsverhalten vorhersagen zu können, werden ausgefeil- te Strategien entwickelt, in deren Zusammenhang häufig sogenannteData-Mining-Methoden eingesetzt werden – imVergleich zu herkömmlichenMethoden kann dies bis zu einerVerbesserung derGewinneumbis zu 115 Prozent führen (vgl. Lemmens undGupta 2013, S. 23). DieWichtigkeit dieserUntersuchungen steigt mit der Zunahme der Kosten für die Kundenakquisition in den letzten Jahren. Daher überrascht es nicht, dass viele Führungskräſte die Aktivitäten zur Erhöhung der Kundenretentionsraten zu den wichtigsten Marketingaktivitäten zählen. Nach der Ermittlung der aktuellen Retentionsraten werden gezieltMaßnahmen eingesetzt, um diese signifikant zu erhöhen. Zu diesem Zweck ist es notwendig, neben der Kündigungswahrscheinlichkeit auch dieWichtigkeit der Kunden in Betracht zu ziehen (vgl. Lemmens und Gupta 2013, S. 1 ff.)