Mit Daten-Analyse Kündigungsrisiken vorhersagen und den Customer Lifetime Value steigern

Unser Auftraggeber gehört zu den führenden Medien- und Entertainment-Unternehmen Europas und bietet Millionen Kundinnen und Kunden in Großbritannien und darüber hinaus Satellitenfernsehen, Breitband, Mobilfunk und Streaming-Dienste. Bekannt für erstklassigen Content und ein starkes Kundenerlebnis, baut das Unternehmen seinen Vorsprung immer weiter aus – mit persönlicheren, packenderen Kundeninteraktionen. 

Unser Auftraggeber wollte seine Marktführerschaft mit einem mutigen Ansatz festigen: die Wohnzimmer der Nutzerinnen und Nutzer zu erobern. 

Der Wettbewerb mit Giganten wie Netflix und Disney+ schuf eine gewisse Dringlichkeit – und eröffnete zugleich Chancen. Die Führungsspitze nahm die Herausforderung an: Sie förderte Innovation, ließ Teams agil zusammenarbeiten und sie auf allen Ebenen frei experimentieren. 

Um die richtigen Anwendungsfälle zu finden und ihre Wirkung zu belegen, brauchte es strategische Abstimmung ebenso wie technische Validierung. Valtech half dabei, den geschäftlichen Nutzen dieser Ziele nachzuweisen und sie in die Tat umzusetzen. 

Gemeinsam mit dem Auftraggeber haben wir ein Vorhersagemodell eingeführt: Es erkennt, wer am ehesten kündigen könnte, und macht diesen Nutzerinnen und Nutzern passende Rabattangebote. 

Das Modell bringt Personalisierung und Wirtschaftlichkeit in Einklang. Es passt die Höhe der Angebote an – hoch genug, um Kundinnen und Kunden mit hohem Kündigungsrisiko zu halten, aber nicht so hoch, dass bei denen, die ohnehin bleiben würden, unnötig Geld ausgegeben wird. Die Lösung zahlt sich langfristig aus und wird gemeinsam mit den internen Teams des Auftraggebers stetig weiterentwickelt. 

Wir haben mitgeholfen, ein Machine-Learning-gestütztes Empfehlungssystem einzuführen, das Content-Promotions direkt im laufenden Programm auf Set-Top-Boxen ausspielt. 

Ziel ist es, mehr Sehdauer und letztlich einen höheren Customer Lifetime Value zu erreichen: Die richtige Promotion soll zur richtigen Zeit bei genau der Person landen, die sie sehen soll. 

Dafür teilt das System die Nutzerinnen und Nutzer in Mikro-Zielgruppen auf und spielt jeweils die passendsten Promotions aus. Das Ergebnis: 113 % mehr Kundenbindung in den anvisierten Gruppen. Inzwischen ist das Modell auf zusätzlichen Umsatz optimiert und fest in die Infrastruktur des Auftraggebers eingebunden. 

Der Auftraggeber wollte besser darin werden, kündigungswillige Kundinnen und Kunden doch noch umzustimmen. 

Es gab dafür bereits ein Modell, doch wir sahen noch Luft nach oben. Wir empfahlen ein sogenanntes Large Action Model – basierend auf der Architektur großer Sprachmodelle. 

Statt auf eine starre Logik zu setzen, sagt dieses Modell voraus, was jemand wahrscheinlich als Nächstes tun wird. So lässt sich einschätzen, wie wahrscheinlich eine Kündigung in einer bestimmten Situation ist. Wird ein festgelegter Schwellenwert überschritten, spielt das Modell maßgeschneiderte Angebote aus. 

Dieses Large Action Model ist 20 % effektiver als das bisherige Modell, denn es entscheidet in Echtzeit, wenn es kritisch wird. 

• Personalisierte Bindungsmodelle sparen messbar und dauerhaft Kosten.  

   

• Das Empfehlungssystem steigert Kundenbindung und Umsatz. 

   

• Handlungsbasierte Modelle überzeugen Kundinnen und Kunden auch noch während der Kündigung stärker. 

   

• KI-Lösungen laufen inzwischen nicht mehr nur als Proof of Concept, sondern komplett produktiv. 

Wir arbeiten seit fast einem Jahrzehnt mit unserem Auftraggeber zusammen. Weil wir über all die Jahre gute Ergebnisse geliefert haben, wussten die Verantwortlichen: Bei skalierbaren, erprobten KI-Systemen kann er sich auf uns verlassen. Wir brachten die technische Expertise, Erfahrung im Bereich Retail Media und eine nachweislich starke Umsetzungskompetenz mit. 

Das Large Action Model ist weiterhin aktiv und lernt laufend dazu, sobald neue Daten einfließen. Wir wollen die Personalisierung auf weitere Kanäle ausweiten und mit KI-Agenten den Kundensupport vereinfachen sowie Produktempfehlungen schärfen. Wir suchen weiterhin nach klugen, praxisnahen Möglichkeiten, um Künstliche Intelligenz auch in anderen Geschäftsbereichen gewinnbringend zu nutzen.