"Churn Prediction wirkt hier als Leuchtturmprojekt"

Hendrik Arnold über Prognosen des Kundenverhaltens bei RheinEnergie

Im Interview berichtet Hendrik Arnold, Leiter der Abteilung „Data Science und Customer Intelligence“ bei RheinEnergie, wie Churn Prediction dort als fester Bestandteil der Vertriebs- und Marketingsteuerung eingesetzt wird. Zuvor hat er das Thema bereits beim Branchenevent „data & dine – innovate energy“ von taod vorgestellt.

Hendrik, viele Versorger verfügen über viele Daten, entscheiden aber noch oft aus dem Bauch heraus. Warum fällt der Schritt zur operativen Nutzung so schwer?

Aus meiner Sicht lassen sich drei wesentliche Hürden unterscheiden: Datenverfügbarkeit, Kultur und Aktivierung.

Zunächst bleibt es anspruchsvoll, den meist unstrukturierten und über verschiedene Quellsysteme verteilten Datenschatz in eine konsistente, leistungsfähige Architektur zu überführen, die belastbare Modellierungen und Analysen ermöglicht. Dieser Aufbau erfordert viel Disziplin, liefert jedoch kurzfristig oft wenig sichtbare Ergebnisse, sodass die notwendige Modernisierung der Datenlandschaft in der Praxis häufig vernachlässigt wird.

Darüber hinaus ist der organisatorische Wille entscheidend, eine echte Datenzentrierung zuzulassen und aktiv zu fördern. Diesen Schritt sind wir bei RheinEnergie ganz bewusst gegangen. Damit verbunden ist auch ein kultureller Wandel. In den operativen Einheiten muss Akzeptanz für datenbasierte Entscheidungen geschaffen werden, also die Bereitschaft, Erfahrung und Intuition systematisch durch datengetriebene Modelle zu ergänzen und in Teilen sogar zu ersetzen.

‍

‍

Und schließlich geht es um die Aktivierung. Datenmodelle müssen konsequent in operative Prozesse und Systeme integriert werden, beispielsweise in der Kundenansprache. Entscheidend ist daher, nicht von den Daten her zu denken, sondern von klar priorisierten Anwendungsfällen. Die Prognose der Kündigungswahrscheinlichkeit ist ein gutes Beispiel, bei dem wir genau so vorgegangen sind.

Was war bei RheinEnergie der Auslöser zu sagen: „Churn müssen wir systematisch vorhersagen, nicht nur rückblickend analysieren“?

Der steigende Wettbewerbsdruck ist auch für uns spürbar und entsprechend hat das Thema Kundenbindung eine hohe strategische Relevanz. Eine rückblickende Analyse von Ursachen und Performance ist dabei zwar auch wichtig, reicht für eine effektive Steuerung jedoch nicht aus, denn wir betrachten Churn-Management nicht isoliert, sondern immer im Kontext der Wirtschaftlichkeit.

Eine vertriebliche Kundenansprache nach dem Gießkannenprinzip kann vielleicht kurzfristig die Bindung stärken, führt jedoch häufig zu unnötigen Margenverlusten, wenn Kunden ohne Not kontaktiert werden. Hier haben wir mit unserer Churn-Modellierung angesetzt.

Ab wann lohnt sich Churn Prediction deiner Meinung nach? Gibt es eine Mindestgröße oder Datenreife?

Eine feste Mindestgröße gibt es aus meiner Sicht nicht. Entscheidend sind der wirtschaftliche Hebel und der konkrete Anwendungsfall. Neben der Modellgüte betrachten wir vor allem die Business-nahen Metriken, um den tatsächlichen Impact zu bewerten.

Wie verändert der Einsatz von Churn Prediction die Prioritäten im Management?

Was sich spürbar verändert, ist die Wahrnehmung des Potenzials prädiktiver Analytik. Die Einführung von Churn Prediction wirkt hier als Leuchtturmprojekt für die Organisation. Sie macht den Mehrwert datengetriebener Entscheidungen greifbar und steigert die interne Nachfrage nach vergleichbaren Ansätzen. Entsprechend wachsen sowohl die Zahl neuer Anwendungsfälle als auch die Nutzung bestehender Modelle. Der oben beschriebene kulturelle Wandel ist damit bereits spürbar in Gang gesetzt.

Wann fangen Fachbereiche an, einem Modell wie dem Churn-Score wirklich zu vertrauen?

Wir adressieren dieses Thema in drei Dimensionen. Erstens setzen wir konsequent auf Transparenz und Visualisierung. Für die Churn Prediction haben wir beispielsweise ein Dashboard entwickelt, das tagesaktuell die Signifikanz der einzelnen Attribute darstellt.

Zweitens spielt regelmäßiges Backtesting eine zentrale Rolle. Wir machen die aktuelle Prognosegüte fortlaufend transparent und zeigen auch die historische Entwicklung. Das stärkt das Vertrauen in die Stabilität des Modells.

‍

‍

Drittens ermöglichen wir Interaktion. Fachbereiche können selbst Schwellwerte für Churn-Scores definieren und so die Zielschärfe des Targetings an ihren jeweiligen Anwendungsfall anpassen.

Darüber hinaus ist es essenziell, die Fachbereiche frühzeitig einzubinden und nicht isoliert zu entwickeln. Wir setzen daher konsequent auf cross-funktionale Zusammenarbeit, sowohl in der Entwicklung als auch im Rollout.

Welche Entwicklung im Bereich Customer Intelligence erwartest du in den nächsten zwei bis drei Jahren?

Aktuell entwickeln wir uns von Reporting über reine Prognose hin zu echter Entscheidungsunterstützung und perspektivisch auch automatisierter Steuerung.

Bei RheinEnergie weiten wir hierfür gerade unseren Blick im Data-Science-Kontext auf die individuelle Werthaltigkeit der Kunden. Es geht also nicht mehr nur um die Frage, welche Kunden angesprochen werden sollten, sondern auch darum, welches Angebot für welchen Kunden wirtschaftlich optimal ist.

Damit einher geht auch ein Wandel der Rolle von Analysten im Unternehmen: weg vom klassischen Reporting, hin zur Identifikation relevanter Use Cases gemeinsam mit den Fachbereichen sowie zur Bereitstellung der dafür notwendigen Modelle. Die Gestaltung dieses Rollenwandels und der Aufbau entsprechender Fähigkeiten werden entscheidend sein.

Welche Rolle wird AI dabei spielen?

Künstliche Intelligenz wird diese Entwicklung maßgeblich beschleunigen. Bereits heute ermöglicht sie deutlich schnellere Entwicklungszyklen, etwa durch Assisted Coding und vorgefertigte Modellkomponenten. Dieser Trend wird sich weiter verstärken und immer mehr der heutigen Aufgaben abdecken können.

Dadurch verlieren operative Datentransformation und Modellierung zunehmend an Relevanz, während Datenqualität, Datenverfügbarkeit und robuste Prozesse zum entscheidenden Erfolgsfaktor werden. Eine hochwertige Datenbasis mit leistungsfähigen Strukturen sowie sauber aufgesetzten DevOps-Prozessen und -Tools bildet eine Grundlage, auf der KI effektiv arbeiten kann.

Damit kommen wir wieder zurück zur Frage nach der Datenverfügbarkeit: Ausgesetzte Architektur-Modernisierung kann hier zum ernsthaften Hindernis für technologische Weiterentwicklung werden.

Es bleibt also herausfordernd und zugleich extrem spannend.

Danke, Hendrik!

‍