Kundenabwanderung mit KI vorhersagen: Leitfaden für KMU

Mit einem KI-Modell können Sie Kundenabwanderung vorhersagen: Es wertet Ihre Bestell-, Vertrags- und Kontaktdaten aus und gibt jedem Kunden einen Risikowert. So sehen Sie Wochen oder Monate im Voraus, wer wahrscheinlich nicht mehr bestellt, kündigt oder zum Wettbewerber geht. Für ein mittelständisches Unternehmen ist das kein Großprojekt. Meist reichen ein sauberer Datenexport aus ERP oder CRM, ein gut gewähltes Modell und vor allem ein klarer Ablauf dafür, wer welchen gefährdeten Kunden wann anruft. Dieser Leitfaden zeigt, welche Daten Sie brauchen, welche Verfahren sich bewährt haben, wie Sie in sechs Schritten einen Pilot aufsetzen und worauf Sie bei DSGVO und KI-Verordnung achten müssen.

TL;DR

• Churn Prediction (auf Deutsch: Abwanderungsprognose) gibt jedem Kunden eine Wahrscheinlichkeit zwischen 0 und 1, dass er in einem festgelegten Zeitraum abwandert.
• Die größte Hürde im Mittelstand ist nicht die Rechenleistung, sondern die Datenqualität: Bestell-, Leistungs- und Kontaktdaten müssen zusammenpassen.
• Für den Start reicht oft ein regelmäßiger CSV-Export in ein vorhandenes BI-Tool. Eine Echtzeit-Architektur brauchen Sie dafür nicht.
• Die Prognose allein hält keinen Kunden. Erst eine feste Reaktion, etwa ein Anruf aus dem Vertrieb oder ein Angebot, macht daraus Umsatz.
• Entscheidet der Score automatisch über Konditionen oder Verträge, greift Art. 22 DSGVO. Lassen Sie deshalb immer einen Menschen entscheiden.

Inhaltsverzeichnis

• Was eine Abwanderungsprognose leistet und was nicht
• Welche Daten im Mittelstand dafür reichen
• Die passenden Modelle: von der Regel bis zur Überlebenszeitanalyse
• In sechs Schritten zum ersten Churn-Modell
• Vom Risikowert zur Maßnahme
• Datenschutz und KI-Verordnung: was rechtlich zählt
• Unsere Sicht: Klein anfangen, schnell Wirkung zeigen
• So unterstützen wir Sie
• Häufige Fragen zur Abwanderungsprognose
• Quellen

Was eine Abwanderungsprognose leistet und was nicht

Technisch ist Churn Prediction eine Klassifikationsaufgabe. Ein Machine-Learning-Modell lernt aus der Vergangenheit, welche Muster Kunden zeigten, die später gegangen sind, und überträgt diese Muster auf Ihren heutigen Kundenstamm. Am Ende steht für jeden Kunden ein Wert: 0,08 heißt geringes Risiko, 0,74 heißt, dass Sie sich diesen Kunden diese Woche ansehen sollten.

Eine gute Prognose beantwortet fünf Fragen:

1. Wer ist gefährdet?
2. Warum droht er zu gehen?
3. Welche Segmente sind besonders anfällig, etwa bestimmte Branchen, Regionen oder Kunden einer bestimmten Produktlinie?
4. Welche Maßnahme wirkt bei welchem Segment?
5. Wie gut wirken diese Maßnahmen im Zeitverlauf?

Die ersten drei Fragen beantwortet das Modell. Die letzten beiden beantworten Sie: mit Vertrieb, Service und Marketing und mit sauberer Erfolgsmessung.

Was ein Modell nicht kann: in die Zukunft sehen. Es rechnet mit Wahrscheinlichkeiten auf Basis Ihrer Daten. Ändert sich der Markt plötzlich, zum Beispiel durch einen neuen Wettbewerber mit Kampfpreisen, lernt das Modell das erst, wenn diese Abwanderungen in den Daten stehen. Deshalb gehört ein regelmäßiges Nachtrainieren zum Betrieb dazu.

Was zählt bei Ihnen als Abwanderung?

Die wichtigste Entscheidung fällt vor jeder Zeile Code: die Definition von Churn. Bei Abo- und Wartungsverträgen ist sie einfach, gemeint ist die Kündigung. Im Großhandel, in der Industrie oder im Handwerk kündigt aber niemand. Der Kunde bestellt einfach nicht mehr. Hier brauchen Sie eine Regel wie „keine Bestellung in den letzten 9 Monaten, obwohl der Kunde vorher im Schnitt alle 6 Wochen bestellt hat“. Dazu kommt der schleichende Churn: Der Kunde bleibt, kauft aber nur noch die Hälfte. Legen Sie die Definition mit dem Vertrieb fest, nicht im Datenteam allein.

Welche Daten im Mittelstand dafür reichen

Die meisten KMU haben mehr verwertbare Daten, als sie denken. Eine Arbeit der Hochschule Düsseldorf, die ein Machine-Learning-Modell zur Abwanderungsprognose für einen mittelständischen Werbeartikelhändler entwickelt hat, zeigt das Muster: Die Daten liegen vor, werden aber kaum zum Lernen genutzt. Der eigentliche Aufwand steckt in der Bereinigung und darin, aus Rohdaten aussagekräftige Merkmale zu bauen (Feature Engineering). Den größten Mehrwert bringt die Kombination dreier Datenarten:

Zwei bis drei Jahre Historie sind ein guter Ausgangspunkt, damit das Modell genug Abwanderungen sieht, aus denen es lernen kann. Bei sehr kleinen Kundenstämmen mit wenigen hundert Kunden stößt Machine Learning an Grenzen. Dann bringt ein gut gepflegtes Regelwerk oft mehr als ein komplexes Modell.

Bevor Sie ein Modell trainieren, prüfen Sie die Grundlagen: Gibt es Dubletten bei Kundennummern? Sind Firmen nach einer Umfirmierung doppelt angelegt? Stimmen die Branchenzuordnungen? Einen praxisnahen Ablauf dafür beschreiben wir in unserem Fahrplan, wie Sie Datenqualität im KMU verbessern. Liegen Ihre Kontaktdaten verstreut in Postfächern und Excel-Listen, lohnt vorher ein Blick auf KI-gestützte CRM-Anwendungen und einen Pilot-Fahrplan.

Die passenden Modelle: von der Regel bis zur Überlebenszeitanalyse

Sie müssen keinen Algorithmus selbst erfinden. Entscheidend ist, das Verfahren zu wählen, das zu Ihren Daten und zu Ihrer Frage passt.

Gerade die letzte Zeile lohnt einen genaueren Blick. Eine Studie im Journal of Marketing Analytics von 2025 wendet Überlebenszeitmodelle auf Kündigungen bei Versorgungsverträgen an. Der Vorteil gegenüber klassischen Klassifikatoren: Sie erfahren nicht nur, ob ein Kunde gefährdet ist, sondern auch, wann das Risiko seinen Höhepunkt erreicht. Für einen Maschinenbauer mit Wartungsverträgen heißt das: Der Außendienst ruft nicht irgendwann an, sondern drei Monate vor dem Zeitpunkt, an dem die Kündigung typischerweise eingeht.

Wer bereits mit vorausschauender Wartung durch KI arbeitet, kennt das Prinzip übrigens: Auch dort wird die Zeit bis zum Ausfall geschätzt. Bei der Abwanderungsprognose fällt eben eine Kundenbeziehung aus statt einer Maschine.

Warum Erklärbarkeit Pflicht ist

Ein Vertriebsmitarbeiter, der nur „Risiko 0,81“ sieht, weiß nicht, was er sagen soll. Ergänzen Sie den Score deshalb um die drei stärksten Gründe, zum Beispiel „Bestellabstand verdoppelt, zwei Reklamationen im Quartal, Ansprechpartner gewechselt“. Werkzeuge wie SHAP-Werte liefern diese Begründung je Kunde. Sie brauchen sie auch für den Datenschutz, dazu weiter unten mehr.

In sechs Schritten zum ersten Churn-Modell

So gehen wir bei einem Pilot vor. Rechnen Sie für die Schritte 1 bis 5 mit einigen Wochen, nicht mit Monaten.

1. Ziel und Definition festlegen. Welche Kunden betrachten Sie (zum Beispiel nur A- und B-Kunden)? Was gilt als Abwanderung? Welchen Zeitraum soll die Prognose abdecken, etwa die nächsten 90 Tage? Schreiben Sie auch auf, welchen Umsatz Sie heute jährlich durch Abwanderung verlieren. Das ist später Ihre Basis für die ROI-Rechnung.

2. Daten zusammenführen. Exportieren Sie Bestellungen, Reklamationen und Kontakte, verknüpft über die Kundennummer. Ein Praxisbeispiel aus einer Masterarbeit der Hochschule Offenburg zeigt, wie sich Churn-Analysen in ein vorhandenes BI-Werkzeug einbinden lassen. Unsere Erfahrung deckt sich damit: Ein regelmäßiger Dateiexport, etwa als CSV, ist für den Start meist der direkteste Weg und belastet Ihre IT nicht.

3. Merkmale bauen. Aus Rohdaten werden Signale: Umsatztrend, Bestellabstand im Vergleich zum eigenen Durchschnitt des Kunden, Reklamationsquote, Kontaktpausen. In dieser Phase entscheidet sich die Qualität des Modells. Binden Sie Vertrieb und Service ein, denn sie kennen die Warnzeichen aus dem Alltag.

4. Modell trainieren und ehrlich testen. Trainieren Sie auf älteren Daten und testen Sie auf einem späteren Zeitraum, den das Modell nicht kennt. Achten Sie nicht nur auf die Gesamttrefferquote. Wenn nur 5 % Ihrer Kunden pro Jahr gehen, erreicht ein Modell, das „niemand geht“ sagt, 95 % Genauigkeit und ist trotzdem wertlos. Aussagekräftiger sind Precision, Recall und der F1-Wert, also: Wie viele der markierten Kunden gehen wirklich, und wie viele der Abwanderer erkennt das Modell?

5. Score in den Arbeitsalltag bringen. Der Risikowert erscheint dort, wo Ihr Team arbeitet: im CRM, in einer wöchentlichen Liste für den Außendienst oder im BI-Dashboard. Legen Sie fest, ab welchem Wert wer handelt.

6. Wirkung messen und nachtrainieren. Vergleichen Sie gefährdete Kunden, die kontaktiert wurden, mit einer kleinen Kontrollgruppe, die nicht kontaktiert wurde. Nur so sehen Sie, ob die Maßnahme wirkt oder ob die Kunden ohnehin geblieben wären. Trainieren Sie das Modell mindestens quartalsweise mit neuen Daten nach.

Ein Rechenbeispiel

Nehmen Sie einen Großhändler mit 1.200 aktiven Geschäftskunden, einem durchschnittlichen Jahresumsatz von 15.000 € pro Kunde und 8 % Abwanderung pro Jahr. Das sind 96 Kunden und 1,44 Mio. € Umsatz, die jedes Jahr wegfallen. Erkennt das Modell rechtzeitig die Hälfte dieser Kunden und hält der Vertrieb davon jeden vierten, bleiben 12 Kunden mit 180.000 € Jahresumsatz. Die Zahlen sind ein vereinfachtes Beispiel, keine Zusage. Die Logik dahinter sollten Sie aber vor jedem Projekt mit Ihren eigenen Werten durchrechnen.

Vom Risikowert zur Maßnahme

Hier scheitern die meisten Projekte. Die Prognose steht, aber niemand handelt danach. Ordnen Sie deshalb jedem Risikosegment eine konkrete Reaktion zu:

• Hohes Risiko, hoher Kundenwert: persönlicher Anruf oder Besuch durch die Geschäftsführung oder den Key Account, innerhalb einer Woche.
• Hohes Risiko, mittlerer Kundenwert: Anruf aus dem Innendienst, gezieltes Angebot zu genau der Produktgruppe, die weggefallen ist.
• Mittleres Risiko: automatisierte, aber persönlich formulierte E-Mail, Einladung zu einem Service-Check oder eine Feedback-Anfrage.
• Ursache Reklamation: Kontakt durch den Service, nicht durch den Vertrieb. Wer gerade verärgert ist, will keine Verkaufsgespräche, sondern eine Lösung.

Feedback-Anfragen sind dabei ein unterschätzter Hebel. Sie liefern Ihnen neue Signale für das Modell und zeigen dem Kunden zugleich, dass seine Meinung zählt. Warum sich die Pflege von Bestandskunden finanziell oft mehr lohnt als die Jagd nach neuen, zeigt dieser Beitrag über Kundenbindung als Umsatzhebel für Dienstleister. Wo genau Kunden im Ablauf vom Angebot bis zur Rechnung abspringen, finden Sie mit einer Customer-Journey-Analyse der echten Bruchstellen heraus. Die Ergebnisse fließen direkt als Merkmale zurück ins Modell.

Datenschutz und KI-Verordnung: was rechtlich zählt

Ein Churn-Score ist Profiling im Sinne der DSGVO, sobald er sich auf natürliche Personen bezieht, etwa auf Privatkunden, Einzelunternehmer oder namentlich erfasste Ansprechpartner. Drei Punkte sollten Sie kennen:

Automatisierte Entscheidungen. Der Europäische Gerichtshof hat im SCHUFA-Urteil vom 7. Dezember 2023 entschieden, dass bereits die automatisierte Berechnung eines Wahrscheinlichkeitswerts eine Entscheidung nach Art. 22 DSGVO sein kann, wenn ein anderer maßgeblich darauf aufbaut. Für Sie heißt das: Ein Score, der nur einen Anruf auslöst, ist etwas anderes als ein Score, der automatisch Konditionen verschlechtert oder Verträge beendet. Lassen Sie die Entscheidung immer bei einem Menschen, der den Score prüfen und übergehen kann.

Auskunft über die Logik. Nach einem weiteren EuGH-Urteil können Betroffene bei automatisierten Entscheidungen verlangen, dass Sie Verfahren und Grundsätze verständlich erklären, die tatsächlich angewendet wurden. Ein erklärbares Modell mit dokumentierten Merkmalen ist deshalb nicht nur für den Vertrieb nützlich, sondern auch rechtlich klug.

Einwilligung und Zweck. Dass Verstöße teuer werden, zeigt ein Fall aus Spanien: Die dortige Datenschutzbehörde verhängte gegen einen Zahlungsdienstleister ein Bußgeld von 3 Mio. € wegen fehlender informierter Einwilligung in Profiling zu Werbezwecken. Klären Sie vor dem Start mit Ihrem Datenschutzbeauftragten, auf welcher Rechtsgrundlage Sie die Daten nutzen, und ergänzen Sie Ihre Datenschutzhinweise.

Dazu kommt die EU-KI-Verordnung. Sie gilt laut Bundesnetzagentur für alle Unternehmen, die ein KI-System in der EU einsetzen, nicht nur für Entwickler. Ein typisches Churn-Modell im B2B-Vertrieb fällt nicht in die Hochrisiko-Kategorien. Ihre Mitarbeitenden sollten aber verstehen, was der Score bedeutet und wo seine Grenzen liegen. Wenn Sie Privatkunden bewerten oder der Score Einfluss auf Zahlungsbedingungen hat, holen Sie sich vor dem Start eine rechtliche Einschätzung ein, am besten von Ihrem Datenschutzbeauftragten oder einer auf IT-Recht spezialisierten Kanzlei.

Unsere Sicht: Klein anfangen, schnell Wirkung zeigen

Wir begleiten kleine und mittelständische Unternehmen bei der Einführung von KI, und bei der Abwanderungsprognose sehen wir immer wieder dasselbe Muster. Die Projekte, die scheitern, scheitern selten am Algorithmus. Sie scheitern daran, dass niemand festgelegt hat, was am Montagmorgen mit der Liste der gefährdeten Kunden passiert.

Unser Rat deshalb: Starten Sie mit einer Kundengruppe, einer klaren Churn-Definition und einem einfachen Export. Ein gut erklärbares Modell, das der Vertrieb versteht und nutzt, schlägt ein brillantes Modell, dem niemand vertraut. Bauen Sie die Komplexität erst aus, wenn die ersten gehaltenen Kunden belegen, dass sich der Aufwand lohnt.

Genauso wichtig ist für uns der Datenschutz von Anfang an. Ein Score, der dokumentiert, erklärbar und von Menschen geprüft ist, schützt Sie rechtlich und schafft Vertrauen im eigenen Team. Und wir denken immer vom Ergebnis her: Welcher Umsatz geht heute verloren, und welcher Anteil davon ist realistisch zu halten? Wenn diese Rechnung nicht aufgeht, raten wir auch von einem Projekt ab.

— Shaun

So unterstützen wir Sie

Sie wollen wissen, ob sich eine Abwanderungsprognose für Ihr Unternehmen rechnet? In unserer KI-Strategieberatung für KMU prüfen wir Ihre Daten und Prozesse, entwickeln einen individuellen KI-Fahrplan und schulen Ihr Team im Umgang mit den Ergebnissen. Als zertifizierte INQA-Coaches unterstützen wir Sie auch bei der Suche nach passenden Förderungen. Einen kompakten Einstieg mit Fokus auf den Nutzen bietet unser KI-ROI-Tag. Oder Sie vereinbaren direkt ein Erstgespräch.

Häufige Fragen zur Abwanderungsprognose

Ab wie vielen Kunden lohnt sich Churn Prediction mit KI?

Eine feste Grenze gibt es nicht. Entscheidend ist, wie viele Abwanderungen in Ihrer Historie stecken, denn aus ihnen lernt das Modell. Bei wenigen hundert Kunden und nur einer Handvoll Abgängen pro Jahr ist ein Regelwerk auf Basis von Bestellabstand und Umsatztrend oft die bessere Wahl. Bei mehreren tausend Kunden spielt Machine Learning seine Stärken aus.

Brauchen wir dafür eine eigene Data-Science-Abteilung?

Nein. Für den Pilot reichen ein Datenexport aus ERP oder CRM, externe Begleitung beim Modellaufbau und eine Person im Haus, die die Ergebnisse mit Vertrieb und Service umsetzt. Wichtiger als Programmierkenntnisse ist jemand, der die Kunden und die Daten kennt.

Wie genau sind solche Prognosen?

Das hängt von Ihren Daten ab und lässt sich vorher nicht seriös versprechen. Gute Modelle erkennen einen großen Teil der späteren Abwanderer, markieren aber auch Kunden, die ohnehin geblieben wären. Messen Sie die Qualität deshalb an Precision und Recall auf einem Testzeitraum, nicht an der reinen Trefferquote.

Funktioniert das auch im Handwerk ohne Verträge?

Ja, wenn Sie Abwanderung über das Auftragsverhalten definieren, etwa „kein Auftrag seit 18 Monaten bei einem Kunden, der sonst jährlich Wartung bestellt hat“. Gerade Betriebe mit Wartungs- und Servicekunden haben dafür gute Daten in ihrer Branchensoftware. Wie KI im Handwerk konkret hilft, zeigen wir auf unserer Seite zu KI im Handwerk.

Quellen

• Proaktives Kundenbindungsmanagement im Werbeartikelhandel: ML-Modell zur Prognose von Kundenabwanderungen (Hochschule Düsseldorf)
• Einbindungsmöglichkeiten ML-gestützter Churn-Analysen in die BI-Software Qlik (Hochschule Offenburg)
• Predictability & explainability of survival analysis in churn prediction, Journal of Marketing Analytics
• EuGH, Rechtssache C-634/21 (SCHUFA-Scoring)
• EuGH, Rechtssache C-203/22 (Auskunft über die Logik automatisierter Entscheidungen)
• EDPB: Bußgeld der AEPD wegen Profiling ohne informierte Einwilligung
• Bundesnetzagentur: KI-Verordnung, Ziele, Zielgruppen und Zeitplan