Im Handel und in der Gastronomie kündigt niemand. Kundschaft kommt einfach seltener. Erst Monate später fällt der Umsatz auf. Genau hier setzt Predictive Analytics an: Statt zurückzuschauen, rechnet sie nach vorne. Sie schätzt, wie wahrscheinlich jemand in den nächsten Wochen wegbleibt. Und dein Treueprogramm liefert dafür die besten Daten, die du überhaupt haben kannst.
Dieser Guide zeigt dir, wie das praktisch funktioniert. Du erfährst, wie du Abwanderung ohne Vertrag überhaupt definierst, welche Signale du schon heute hast und welche Ausbaustufe zu deinem Betrieb passt. Dazu kommen verständliche Kennzahlen, ein Fünf-Schritte-Plan und die wichtigsten Leitplanken zur DSGVO.
Was Predictive Analytics von klassischen Auswertungen unterscheidet
Die meisten Betriebe messen bereits sauber. Sie kennen ihren Umsatz, ihre Bonhöhe und oft auch ihre Churn Rate, also den Anteil verlorener Kundschaft in einem Zeitraum. Diese Zahlen beschreiben, was passiert ist. Sie sind ein Rückspiegel. Predictive Analytics ist die Vorausschau: Sie sagt dir, wer wahrscheinlich als Nächstes geht. Beides gehört zusammen, denn ohne saubere Rückschau gibt es keine belastbare Prognose.
| Frage | Klassische Auswertung | Predictive Analytics |
|---|---|---|
| Zeitrichtung | Rückblick auf abgeschlossene Zeiträume | Vorausschau auf die nächsten Wochen |
| Typische Kennzahl | Churn Rate, Wiederkaufrate, Bonhöhe | Abwanderungswahrscheinlichkeit je Person |
| Ergebnis | Ein Prozentwert für den Gesamtbestand | Eine Rangliste einzelner Personen |
| Nutzen | Du erkennst, dass ein Problem besteht | Du kannst eingreifen, bevor es entsteht |
| Voraussetzung | Ein saubere Datenbasis | Eine saubere Datenbasis plus Verhaltenshistorie |
Der Unterschied klingt technisch, hat aber sehr praktische Folgen. Eine Churn Rate von 20 Prozent sagt dir nicht, wen du anrufen sollst. Eine Rangliste mit den 300 gefährdetsten Mitgliedern sagt es dir sehr genau.
Wann gilt Kundschaft ohne Vertrag als abgewandert?
Das ist die Frage, an der die meisten Projekte hängen bleiben. Ein Fitnessstudio erkennt Abwanderung an der Kündigung. Eine Bäckerei bekommt nie ein Signal. Deshalb brauchst du eine eigene Definition, und die leitet sich am besten aus dem individuellen Rhythmus ab.
Wichtig ist die individuelle Betrachtung. Ein starrer Wert für alle bestraft die selteneren Käufer:innen und übersieht die täglichen Gäste. Als Startpunkt hilft dir eine grobe Einordnung nach Branche. Die folgenden Werte sind Faustregeln aus der Praxis, keine Studienergebnisse. Prüfe sie unbedingt an deinen eigenen Daten.
| Branche | Typischer Kaufabstand | Sinnvolles Abwanderungsfenster | Was zusätzlich zählt |
|---|---|---|---|
| Bäckerei, Kaffee, Imbiss | 1 bis 3 Tage | ab 14 Tagen ohne Kauf | Urlaubszeiten, Ferien, Homeoffice |
| Gastronomie | 2 bis 6 Wochen | ab 10 bis 12 Wochen | Saison, Wetter, Anlässe |
| Modehandel | 6 bis 12 Wochen | ab 6 Monaten | Kollektionswechsel, Größenwechsel |
| Beauty und Friseur | 4 bis 8 Wochen | ab 14 Wochen | Termintreue, No-Shows |
| Apotheke | 4 bis 8 Wochen | ab 4 Monaten | Dauermedikation, Jahreszeit |
| Getränke- und Fachhandel | 3 bis 8 Wochen | ab 4 Monaten | Vorratskäufe, Aktionen |
Welche Signale dein Treueprogramm bereits liefert
Der große Vorteil eines digitalen Treueprogramms: Es sammelt genau die Daten, die eine Prognose braucht. Nicht mehr, sondern gezielt die richtigen. Eine Papierkarte weiß nichts über dich. Eine App weiß, wann jemand zuletzt da war, was er gesammelt hat und ob er auf Nachrichten reagiert. Aus diesen Spuren entstehen die sogenannten Merkmale, im Fachjargon Features. Jedes Merkmal ist eine Spalte in deiner Datentabelle.
| Signalgruppe | Konkrete Merkmale | Was sie verraten |
|---|---|---|
| Kaufverhalten | Letztkauf, Kaufabstand, Bonhöhe, Warenkorb | Der wichtigste Block. Sinkende Frequenz ist das früheste Signal. |
| Trend gegen sich selbst | Käufe der letzten 30 Tage gegen den eigenen Vorjahreszeitraum | Erkennt Rückgang auch bei ohnehin seltenen Kundinnen und Kunden. |
| Programmnutzung | Punktestand, Zeit seit letzter Einlösung, offene Prämien | Wer sammelt, aber nie einlöst, verliert das Interesse am Programm. |
| Kommunikation | Öffnungen, Klicks, Coupon-Einlösungen, Push-Zustimmung | Reaktionslosigkeit über mehrere Kampagnen ist ein starkes Warnzeichen. |
| App-Nutzung | Letzte Anmeldung, Sitzungen pro Monat, deinstalliert oder aktiv | Zeigt Abwanderung oft früher als das Kaufverhalten. |
| Service | Beschwerden, Rücksendungen, No-Shows bei Terminen | Wenige Fälle, aber sehr aussagekräftig. |
| Stammdaten | Filiale, Region, Eintrittsdatum, Statusstufe | Erklärt Unterschiede zwischen Standorten und Kohorten. |
Du brauchst nicht alle Gruppen von Anfang an. Kaufverhalten und Programmnutzung tragen erfahrungsgemäß den größten Teil der Aussagekraft. Alles andere ist Feinschliff.
Drei Ausbaustufen: Von der Regel zum Modell
Predictive Analytics klingt nach Datenteam und großem Projekt. Das muss es nicht sein. In der Praxis gibt es drei Stufen, und die erste kannst du in wenigen Stunden umsetzen. Wichtig ist, dass du auf der Stufe startest, die zu deiner Datenmenge und deinem Team passt.
| Stufe | Wie sie funktioniert | Passt, wenn | Aufwand | Grenze |
|---|---|---|---|---|
| 1. RFM-Regeln | Du bewertest Letztkauf (Recency), Häufigkeit (Frequency) und Umsatz (Monetary) mit Punkten und bildest Gruppen. | Du hast unter 5.000 aktive Mitglieder oder willst schnell starten. | Stunden bis Tage, direkt im Dashboard | Erkennt keine feinen Muster und keine Wechselwirkungen. |
| 2. Regelmodell mit Trendwerten | Du ergänzt RFM um Vergleiche gegen die eigene Vorperiode und um Programmsignale. | Du hast 5.000 bis 30.000 Mitglieder und eine gepflegte Historie. | Tage, teils mit Unterstützung | Die Gewichtung bleibt geschätzt, nicht gelernt. |
| 3. Lernendes Modell | Ein Verfahren lernt aus historischen Fällen selbst, welche Merkmale zählen. Üblich sind logistische Regression, Entscheidungsbäume oder Gradient Boosting. | Du hast über 30.000 Mitglieder und mindestens ein Jahr Historie. | Wochen, mit Datenkompetenz | Braucht Pflege, Überwachung und Nachtraining. |
So baust du die erste Prognose in fünf Schritten
Der Ablauf ist auf jeder Stufe gleich. Nur die Werkzeuge unterscheiden sich. Halte dich an diese Reihenfolge, dann vermeidest du die typischen Denkfehler.
- Ziel und Zeitfenster festlegen. Bestimme, für welchen Zeitraum du vorhersagen willst, etwa die nächsten 60 Tage. Und definiere, was Abwanderung in deinem Betrieb genau bedeutet.
- Datenbasis prüfen. Ohne verknüpfte Kaufhistorie geht nichts. Prüfe, ob Kassendaten, App-Daten und Programmdaten wirklich auf dieselbe Person zeigen und wie weit deine Historie zurückreicht.
- Merkmale und Fälle bilden. Nimm einen abgeschlossenen Zeitraum aus der Vergangenheit für die Merkmale. Den Zeitraum danach nutzt du, um zu markieren, wer tatsächlich weggeblieben ist. Diese Trennung ist entscheidend, sonst prüfst du dich selbst.
- Bewerten und Schwelle wählen. Teste an Daten, die das Modell nicht kennt. Wähle die Schwelle nicht nach dem schönsten Prozentwert, sondern nach dem wirtschaftlichen Nutzen.
- Maßnahmen anschließen und beobachten. Hinterlege je Risikostufe eine Aktion, halte eine Vergleichsgruppe ohne Maßnahme zurück und prüfe monatlich, ob die Prognose noch trifft.
Wie gut ist gut? Treffsicherheit verständlich erklärt
Bei Prognosen fallen schnell englische Fachbegriffe. Zwei musst du kennen, weil sie darüber entscheiden, wie viel dich eine Kampagne kostet und wie viele Fälle du übersiehst.
| Begriff | Bedeutung im Alltag | Wenn er hoch ist | Wenn er niedrig ist |
|---|---|---|---|
| Genauigkeit der Treffer (Precision) | Von allen als gefährdet markierten Personen: Wie viele gehen wirklich? | Du verschwendest kaum Prämien an Leute, die sowieso geblieben wären. | Du gibst Rabatte an Stammkundschaft, die gar nicht wackelt. |
| Trefferabdeckung (Recall) | Von allen tatsächlich Abwandernden: Wie viele hat das Modell erkannt? | Du erwischst fast alle Gefährdeten. | Ein großer Teil rutscht unbemerkt weg. |
| Schwellenwert | Ab welcher Wahrscheinlichkeit du eingreifst. | Hohe Schwelle: wenige, aber sichere Fälle. | Niedrige Schwelle: viele Fälle, mehr Streuverlust. |
Beide Werte gegeneinander abzuwägen ist keine Mathematikaufgabe, sondern eine Rechnung. Ein Beispiel mit frei gewählten Annahmen zeigt, warum: Angenommen, deine Rückholaktion kostet 4 Euro pro Person, und eine zurückgewonnene Person bringt dir 90 Euro Jahresumsatz. Dann darfst du ruhig neun Personen umsonst ansprechen, um eine zu retten. In diesem Fall ist eine hohe Trefferabdeckung wichtiger als saubere Treffer. Bei einer teuren Maßnahme, etwa einem persönlichen Anruf, kippt die Rechnung ins Gegenteil.
Von der Prognose zur Maßnahme
Der häufigste Fehler in Predictive-Projekten ist der Bericht, der niemandem hilft. Ein Score entfaltet erst Wirkung, wenn für jede Stufe klar ist, was passiert, wer es auslöst und wie oft. Diese vier Stufen haben sich als handhabbare Aufteilung bewährt.
Stufe 1: stabil
Der Rhythmus stimmt, die Person kommt wie gewohnt. Hier gilt: nicht stören.
- Reguläre Programmkommunikation
- Keine Rabatte, kein Sonderbudget
- Ziel: Gewohnheit erhalten
Stufe 2: erste Delle
Der Abstand seit dem letzten Kauf wächst leicht. Ein kleiner Anstoß genügt meist.
- Erinnerung an den Punktestand
- Hinweis auf eine erreichbare Prämie
- Kein Preisnachlass nötig
Stufe 3: klar gefährdet
Der eigene Kaufabstand ist deutlich überschritten. Jetzt lohnt sich ein echter Anreiz.
- Persönlicher Vorteil mit Ablaufdatum
- Passend zur bisherigen Kaufhistorie
- Ein Kanal, eine Nachricht, kein Dauerfeuer
Stufe 4: inaktiv
Seit Monaten kein Kauf, keine Reaktion. Hier geht es um Rückgewinnung oder um einen sauberen Abschluss.
- Eine klar erkennbare Rückholaktion
- Danach Frequenz senken
- Löschfristen einhalten
DSGVO: Was beim automatisierten Risiko-Score gilt
Ein Abwanderungs-Score ist eine Bewertung von Personen. Damit fällt er unter das, was die Datenschutz-Grundverordnung Profiling nennt: die automatisierte Auswertung persönlicher Daten, um Eigenschaften oder Verhalten vorherzusagen. Das ist nicht verboten, aber es ist geregelt. Diese Punkte solltest du mit deiner Datenschutzbeauftragten oder deinem Anwalt klären, bevor du startest.
- Rechtsgrundlage bestimmen. Meist stützt sich ein interner Score auf das berechtigte Interesse oder auf eine Einwilligung. Halte fest, welche Grundlage du nutzt und warum.
- Transparenz herstellen. In der Datenschutzerklärung sollte stehen, dass du Nutzungsdaten auswertest, um Angebote und Erinnerungen passend auszuspielen.
- Keine folgenschweren Alleinentscheidungen. Artikel 22 der DSGVO schützt Menschen vor rein automatisierten Entscheidungen mit erheblicher Wirkung. Ein Score, der nur steuert, welche Nachricht jemand bekommt, ist davon in der Regel nicht betroffen. Sobald daran Ausschlüsse oder deutliche Nachteile hängen, sieht es anders aus.
- Datenminimierung ernst nehmen. Nimm nur Merkmale auf, die du wirklich brauchst. Gesundheitsdaten und andere besonders geschützte Kategorien gehören nicht in einen Marketing-Score.
- Löschfristen definieren. Lege fest, wann inaktive Profile gelöscht werden, und halte dich daran.
- Score-Logik dokumentieren. Halte schriftlich fest, welche Merkmale einfließen und wie sie gewichtet werden. Das brauchst du für Auskunftsanfragen.
Das ist keine Rechtsberatung, sondern eine Orientierung aus der Projektpraxis. Die konkrete Bewertung hängt immer von deinem Einsatzzweck ab.
Sechs Fehler, die Prognosen unbrauchbar machen
| Fehler | Woran du ihn erkennst | Was du stattdessen tust |
|---|---|---|
| Starre Abwanderungsgrenze für alle | Seltene Käufer:innen landen dauerhaft in der Risikogruppe | Grenze aus dem individuellen Kaufabstand ableiten |
| Zukunftswissen im Modell | Die Trefferquote wirkt zu gut, in der Praxis versagt sie | Merkmale und Zielzeitraum strikt trennen |
| Score ohne Maßnahme | Es entstehen Auswertungen, aber keine Kampagnen | Je Stufe eine feste Aktion hinterlegen |
| Rabatt als Standardreflex | Die Marge sinkt, die Frequenz nicht | Erst Erinnerung und Prämienhinweis, Rabatt nur bei Stufe 3 |
| Keine Vergleichsgruppe | Jede Kampagne gilt als Erfolg | Fünf bis zehn Prozent bewusst nicht ansprechen |
| Modell nie nachtrainiert | Die Prognose wird über Monate schlechter | Quartalsweise prüfen, bei Bedarf neu rechnen |
FAQ: Häufige Fragen zu Predictive Analytics in der Kundenbindung
Wie viele Daten brauche ich für eine Abwanderungsprognose?
Für einen regelbasierten Score aus Letztkauf, Häufigkeit und Umsatz genügen einige hundert aktive Mitglieder und ein paar Monate Historie. Damit kannst du sofort Gruppen bilden und erste Maßnahmen ausspielen. Für ein lernendes Modell brauchst du deutlich mehr: als Orientierung mindestens einige tausend Mitglieder und ein Jahr Verlauf, damit auch saisonale Schwankungen abgebildet sind. Entscheidend ist weniger die reine Menge als die Qualität: Kaufhistorie, App-Nutzung und Programmdaten müssen zuverlässig derselben Person zugeordnet sein.
Wann gilt Kundschaft ohne Vertrag als abgewandert?
Dann, wenn sie ihren eigenen Rhythmus deutlich verlässt. Berechne für jede Person den mittleren Abstand zwischen zwei Käufen und multipliziere ihn mit zwei bis drei. Wer sonst wöchentlich kommt und drei Wochen fehlt, ist ein Fall für eine Maßnahme. Wer ohnehin nur quartalsweise einkauft, braucht ein viel längeres Fenster. Ein pauschaler Wert für alle produziert dagegen zwei Probleme gleichzeitig: Fehlalarme bei den Selteneren und blinde Flecken bei der täglichen Stammkundschaft.
Brauche ich dafür ein Datenteam oder eine KI?
Für den Einstieg nicht. Die erste Stufe ist ein RFM-Score, den du mit den Bordmitteln eines guten Loyalty-Dashboards abbilden kannst. Er erkennt zwar keine feinen Muster, sortiert deine Kundschaft aber schon deutlich besser als der Bauch. Lernende Modelle lohnen sich, wenn du viele Mitglieder, mehrere Standorte oder saisonale Effekte hast. Dann bringt ein Modell messbar mehr Treffer, verlangt dafür aber Pflege, Überwachung und regelmäßiges Nachtraining.
Ist ein automatischer Abwanderungs-Score nach DSGVO erlaubt?
In der Regel ja, wenn du die Rahmenbedingungen einhältst. Du brauchst eine dokumentierte Rechtsgrundlage, meist berechtigtes Interesse oder Einwilligung, sowie einen transparenten Hinweis in der Datenschutzerklärung. Ein Score, der nur steuert, welche Erinnerung oder welches Angebot jemand erhält, entfaltet normalerweise keine erhebliche Beeinträchtigung im Sinne von Artikel 22. Verwende nur Merkmale, die du wirklich brauchst, lege Löschfristen fest und halte die Score-Logik schriftlich fest. Bewerte den konkreten Einsatz gemeinsam mit deiner Datenschutzberatung.
Welche Kennzahl zeigt mir, ob die Prognose etwas bringt?
Vergleiche die Rückkehrquote in der angesprochenen Gruppe mit der Rückkehrquote in einer nicht angesprochenen Vergleichsgruppe. Nur diese Differenz ist dein Effekt. Zusätzlich lohnt der Blick auf die Kosten je zurückgewonnene Person und auf die Wiederkaufrate der Risikogruppe im Folgequartal. Die reine Trefferquote des Modells ist dagegen eine technische Kennzahl. Sie sagt dir, wie gut die Prognose ist, aber nicht, ob deine Maßnahme wirkt.
Wie oft muss ich das Modell aktualisieren?
Prüfe die Prognosequalität mindestens quartalsweise. Sortiere dazu die Prognosen aus dem letzten Quartal nach Risiko und schau, wie viele der obersten Gruppe tatsächlich weggeblieben sind. Bleibt der Wert stabil, reicht die Prüfung. Sinkt er deutlich, hat sich das Verhalten geändert, etwa durch eine neue Filiale, eine Preisrunde oder eine veränderte Saison. Dann rechnest du das Modell mit aktuellen Daten neu. Regelbasierte Scores brauchen seltener Anpassung, sollten aber jährlich auf ihre Schwellenwerte geprüft werden.
Kann Predictive Analytics auch Positives vorhersagen?
Ja, und das wird oft unterschätzt. Dieselbe Datenbasis lässt sich nutzen, um Kaufbereitschaft, den passenden Zeitpunkt für eine Nachricht oder das nächste sinnvolle Produkt zu schätzen. Auch der Kundenwert über die gesamte Beziehung lässt sich so besser prognostizieren. Für den Anfang ist Abwanderung dennoch das dankbarste Thema: Der Effekt ist messbar, die Maßnahme klar und der wirtschaftliche Nutzen leicht zu rechnen.
