Abo-Churn senken:
Die Kündigung sehen, bevor sie geschrieben wird
Kaum ein Abonnent kündigt spontan - erst wird seltener gelesen, dann gar nicht mehr, dann kommt die Kündigung. Ein Engagement-Score aus Recency, Frequency und Volume erkennt dieses Muster Wochen vorher und macht die Rettung planbar.
Dieses Modul ist Teil einer sechsteiligen Modellrechnung über ein fiktives regionales Medienhaus (55.000 Print- und 25.000 Digital-Abos). Alle Euro-Beträge sind aus den hinterlegten Annahmen des Muster-Verlags hergeleitet; die Hebel orientieren sich an veröffentlichten Branchen-Benchmarks und schöpfen deren Bestwerte bewusst nicht aus. Die gezeigten Werte sind keine Ergebnisse realer Kunden und kein Leistungsversprechen. Welche Werte auf Ihren realen Daten erreichbar sind, zeigt erst ein Pilotprojekt.
01 Das Problem - Der Churn kommt mit Ansage, aber niemand hört hin
Warum die Kündigungs-Mail der falsche Zeitpunkt für die Rettung ist
Wenn die Kündigung eingeht, ist die Entscheidung längst gefallen - Rabattangebote wirken dann schwach und trainieren den Bestand aufs Feilschen. Der wirksame Zeitpunkt liegt Wochen früher: dort, wo das Leseverhalten kippt.
Genau dieses Kippen steht in Ihren Daten: Besuchsabstände werden länger, Sitzungen kürzer, der Newsletter bleibt ungeöffnet. Die Financial Times hat dafür den RFV-Score etabliert - Recency, Frequency, Volume - und steuert damit ihre gesamte Retention. Kein Mensch beobachtet 25.000 Abonnenten einzeln. Ein Modell schon.
Die Rettung kostet einen Bruchteil der Neugewinnung desselben Abonnenten.
02 Das Modell - Ein Risiko-Score je Abonnent, jede Woche neu
Gradient Boosting auf Engagement-Verläufen, kalibriert an den echten Kündigungen der Vergangenheit
Das Modell liefert je Abonnent eine Kündigungswahrscheinlichkeit für die nächsten 90 Tage - und per SHAP-Werten den Grund: eingeschlafene Nutzung, ausgereizter Rabatt, totes Ressort. Daraus wird eine wöchentliche Risiko-Liste mit passender Aktion: Content-Empfehlung für die einen, Vorteilskommunikation für die anderen. Die FT senkt allein über die Engagement-Steuerung entlang ihres RFV-Scores die Kündigungsraten um 10 Prozent.
03 Business Impact - Gerettete Abos statt Kündigungs-Statistik
Der Hebel: 15 Prozent weniger Bestandskündigungen durch frühes, gezieltes Eingreifen
Jede Annahme stammt aus dem Muster-Verlag und ist zentral hinterlegt. Mit Ihren echten Zahlen ändert sich nur die Eingabe, nicht die Methode.
| Position | Wert |
|---|---|
| Digital-Kündigungen / Jahr (4,5 % × 12) | 13.500 |
| davon Bestand ab Monat 4 (60 %) | 8.100 |
| Basis: Erreichbare Bestandskündigungen / Jahr | 8.100 |
| Hebel: Reduktion durch Frühwarnung (15 %) × 8 Monate × ARPU | 1.215 × 8 × 10,50 € |
| Ergebnis: Mehrumsatz / Jahr | €102.060 |
Annahmen eines Muster-Verlags - in einem realen Projekt ersetzen Ihre Daten diese Werte.
Die 15 Prozent liegen bewusst zwischen den veröffentlichten Benchmarks: Die FT dokumentiert −10 Prozent über Engagement-Steuerung, Mather Economics in einem A/B-Test gezielter Interventionen −17 Prozent. Gerechnet wird nur der Spätchurn ab Monat 4 - der Frühchurn gehört zu Modul 05, damit nichts doppelt gezählt wird. Im Quartals-Chart bezieht sich der Rückgang auf alle Kündigungen (rund −9 Prozent), der Kachelwert von −15 Prozent auf den erreichbaren Spätchurn ab Monat 4.
04 Nächste Schritte in Ihrem Verlag
Vom Score zur wöchentlichen Retention-Routine
Wir verbinden Abo-System, Web-Analytics und Newsletter-Daten - read-only, ohne Eingriff in Ihre Systeme.
Das Modell wird an den echten Kündigungen der letzten 24 Monate validiert. Sie sehen, wie treffsicher es rückwirkend gewarnt hätte.
Wöchentliche Risiko-Liste ins CRM: „Diese 150 Abonnenten kippen gerade - je Segment liegt die empfohlene Ansprache bereit."