Kundenabwanderung vorhersagen (Churn)

Die meisten Unternehmen bemerken Abwanderung erst, wenn die Kündigung eintrifft. Ein Churn-Modell bewertet jeden aktiven Kunden nach der Wahrscheinlichkeit, innerhalb eines definierten Fensters (zum Beispiel in den nächsten 90 Tagen) zu gehen, zeigt, welche Signale das Risiko treiben, und gibt priorisierte Listen an Bindungsteams, Customer Success oder Marketing-Automation weiter. Ausgereifte Programme gehen einen Schritt weiter: Sie sagen nicht nur voraus, wer geht, sondern wer durch welche Maßnahme gehalten werden kann (Uplift-Modellierung). So wird das Bindungsbudget nicht für Kunden verschwendet, die ohnehin geblieben wären oder die nicht zu halten sind.

Problem & Nutzen

• Wer: jedes Unternehmen mit wiederkehrenden Umsätzen oder Wiederholungskäufen. Dazu gehören Telekommunikations- und Energieverträge, SaaS, Streaming, Verlage, Banken, Versicherer, Fitnessstudios, B2B-Großhändler und Onlinehändler.
• Heute: Kündigungen werden nachträglich in BI-Berichten gezählt. Die Kundenbindung stützt sich auf Faustregeln („Vertrag endet in 60 Tagen“, „seit 3 Monaten keine Bestellung“) oder auf Rückhalteangebote in letzter Minute im Moment der Kündigung.
• KI-Nutzen: frühere Warnung, bessere Rangfolge, wen man kontaktiert, Erklärungen, die auf behebbare Ursachen verweisen (schlechtes Onboarding, Abrechnungsfehler, Serviceausfälle, Preisschocks), und messbare zusätzliche Kundenbindung statt pauschaler Rabatte.
• Wirtschaftlichkeit: Die HBR fasst Studien zusammen, wonach die Gewinnung eines Neukunden 5–25-mal teurer ist als die Bindung eines Bestandskunden. Dort zitierte Bain-Forschung kommt zu dem Ergebnis, dass eine um 5 % höhere Kundenbindung den Gewinn um 25–95 % steigert [1]. Verstehen Sie dies als Richtwerte, nicht als Business Case für Ihr Unternehmen.
• Zentrale Erkenntnis aus der Forschung: Die Kunden mit dem höchsten Abwanderungsrisiko sind oft nicht diejenigen, die am besten auf Bindungsangebote reagieren. Feldbefunde zeigen, dass eine Ansprache nach vorhergesagter Empfänglichkeit für die Maßnahme besser abschneidet als eine nach Abwanderungsrisiko [2]. Deshalb kombinieren moderne Programme Churn- und Uplift-Modelle.

Varianten

• Vertragliche / Abo-Abwanderung (Telekommunikation, Energie, SaaS, Versicherung, Streaming): Die Kündigung ist ein ausdrückliches Ereignis. Überlebenszeitmodelle (Zeit bis zur Kündigung) und Vertragsendefenster sind wichtig. In Deutschland begrenzt §56 TKG die Laufzeit von Verbraucher-Telekommunikationsverträgen auf 24 Monate und erlaubt nach der Erstlaufzeit eine monatliche Kündigung [3]. Seit §312k BGB müssen Online-Verträge eine Kündigungsschaltfläche bieten [4]. Beides verkürzt die Reaktionszeit, sodass die frühe Vorhersage wertvoller wird.
• Nicht vertragliche / transaktionale Abwanderung (Handel, E-Commerce, B2B-Großhandel, Gastronomie): Es gibt kein Kündigungsereignis, deshalb muss Abwanderung als Inaktivität definiert werden (z. B. kein Kauf in N Tagen). Eng verknüpft mit CLV-Modellen (PRED-004). Microsofts Customer Insights unterscheidet genau diese beiden Modelltypen [5].
• B2B-SaaS / Customer Success: Kontogesundheits-Scores aus Produktnutzung, Support-Tickets, Ansprechpartnerwechseln und Verlängerungsterminen (Kategorie Gainsight, Planhat, ChurnZero) [6].
• Banken & Versicherungen: Vorhersage von Kontoschließung, Wechsel des Hauptkontos, Vertragsablauf und Nichtverlängerung. Aus regulatorischen Gründen von der Bonitätsbewertung (PRED-009) und der Preisgestaltung in Lebens-/Krankenversicherung (PRED-010) getrennt zu halten.
• Mobile Apps & Spiele: Abwanderung in der frühen Lebensphase („kommt der Nutzer nach Tag 1 wieder?“) aus In-App-Ereignissen, etwa nach dem Muster GA4 → BigQuery ML [7].
• Verlage / digitale Abonnements: Kündigungsrisiko von Abonnenten kombiniert mit Neigung zu Bezahlschranke und Angebot. Dynamische Bezahlschranken werden als Variante von REC-003 behandelt.
• Öffentlicher Sektor & Versorger: Stadtwerke erleben Wechsel nach Preisänderungen. Öffentliche Dienste wie Bibliotheken, ÖPNV-Abonnements und Volkshochschul-Angebote nutzen dieselbe Methode zur Vorhersage von Abbrüchen. Studienabbruch fällt unter Bildungsregeln und kann hochriskant sein, siehe unten.
• Hier nicht abgedeckt: Mitarbeiterfluktuation (PRED-012) und E-Commerce-Retouren (PRED-020).

So funktioniert es

1. Datenquellen (CRM, Abrechnung, Nutzungsereignisse, Tickets, Verträge)
2. Kunden-Snapshot je Stichtag (zeitpunktbezogene Features, keine Datenleckage)
3. Label: innerhalb des Vorhersagefensters abgewandert (oder Zeit bis zur Abwanderung bei Überlebenszeitmodellen)
4. Modell: Gradient Boosting / tabellarisches Foundation-Modell / Überlebenszeitmodell
5. Kalibrierung + Erklärungen (SHAP) je Kunde
6. Uplift-Modell auf früheren Bindungskampagnen (Behandlung vs. Kontrolle)
7. Entscheidungsregel: kontaktieren, wenn erwartete gerettete Marge > Kosten der Maßnahme
8. Aktivierung: CRM-Aufgabe, Anrufliste, E-Mail-/App-Journey, Customer-Success-Playbook
9. Messung mit Hold-out-Kontrollgruppe
10. monatlich neu trainieren

• Kernmodell: Gradient-Boosted Trees (LightGBM, XGBoost, CatBoost) auf konstruierten Features (Aktualität, Häufigkeit, Laufzeit, Nutzungstrend, Ticketzahlen, Preisänderung, Vertragsende). Tabellarische Foundation-Modelle wie TabPFN können abgestimmte Bäume bei kleinen bis mittleren Datensätzen ohne Abstimmung erreichen. Der laufend aktualisierte TabArena-Benchmark zeigt, dass Boosted Trees bei praxisnahen Tabellen stark bleiben, während Foundation-Modelle bei kleineren Datensätzen vorn liegen [8][9].
• Textsignale: LLMs oder Klassifikatoren machen aus Tickets, Beschwerden, Gesprächsmitschriften und NPS-Kommentaren Features (Thema, Stimmung, Kündigungsabsicht). Siehe LANG-013 und SPEECH-002.
• Uplift- / Kausalebene: Meta-Learner (T-, X-, R-Learner), Uplift-Bäume oder doppelt robuste Schätzer (CausalML, scikit-uplift, EconML). Diese brauchen randomisierte Kontrollgruppen aus früheren Kampagnen [10].
• Mensch-in-der-Schleife (Human-in-the-Loop): Bindungsmitarbeitende oder Kundenbetreuer entscheiden über die Maßnahme. Rabatte über einem Schwellenwert brauchen eine Freigabe. Die Modellverantwortlichen prüfen Drift und Fairness monatlich.

Datenaufbereitung

Die Kündigungsprognose braucht eine Tabelle auf Kundenebene, die Verträge, Bestellungen, Abrechnung, Nutzung und Supportkontakte verbindet, sowie eine klare Definition, was als Abwanderung zählt. In einem KMU liegen diese Daten im ERP- oder Abrechnungssystem, im CRM, in einem Ticketsystem, in Excel-Listen und in Postfächern.

Typische Lücken: - Keine vereinbarte Definition von Abwanderung (Kündigung vs. Inaktivität). - Kunden in mehreren Systemen doppelt vorhanden, ohne gemeinsame ID. - Fehlende Historie, weil Statuswerte überschrieben wurden. - Tickets und Beschwerden als Freitext oder in Postfächern. - Unklare Rechtsgrundlage für die Weiterverwendung der Daten.

Aufbereitungsschritte: 1. Die Definition von Abwanderung und das Vorhersagefenster mit dem Fachbereich festlegen (PREP-019). 2. Daten aus Abrechnungs-, CRM- und Ticketsystemen ziehen (PREP-005) und über einen gemeinsamen Kundenschlüssel zusammenführen. 3. Abwanderungs-Labels aus Kündigungsdaten und Vertragsenddaten gewinnen (PREP-020). 4. Zeitpunktbezogene Snapshots führen, um Datenleckage zu vermeiden. 5. Frühere Bindungskampagnen mit Kontrollgruppen dokumentieren. 6. Zweckbindung prüfen (PREP-025) und pseudonymisieren (PREP-022).

Das ist der größte Teil des Projekts, oft 50–60 % des Aufwands. Beginnen Sie mit GUIDE-003 und PREP-001. Werkzeuge: SQL oder DuckDB, dbt, Python, Paperless-ngx für eingescannte Verträge.

Umsetzungswege

Welcher Weg für wen

• KMU (C): Die Kündigungsprognose braucht die eigenen Abrechnungs-, Nutzungs- und Ticketdaten, die im Haus bleiben; LightGBM oder scikit-learn laufen auf HW1, und derselbe Stack bedient auch CLV (PRED-004) und weitere tabellarische Anwendungsfälle.
• Großunternehmen (B): Kundenbindung ist strategisch und die Daten liegen in einer CDP oder einem Data Warehouse; deshalb passen Pipelines mit Cloud-ML-Diensten und enger CRM-Aktivierung besser als Lizenzen pro Nutzer.
• Entwickler (C): Open-Source-Bibliotheken für Boosting, Überlebenszeitanalyse und Uplift geben volle Kontrolle und Reproduzierbarkeit.
• Öffentlicher Sektor (C): Versorger und öffentliche Stellen verarbeiten Bürger- und Kundendaten; deshalb sind Selbstbetrieb oder eine souveräne EU-Cloud gegenüber SaaS von Drittanbietern vorzuziehen.

Weg A — Kaufen (Standardsoftware)

• In CRM-/CDP-Suiten: Microsoft Dynamics 365 Customer Insights enthält fertige Churn-Modelle für Transaktionen und Abonnements. Sie brauchen mindestens 500 (besser >1.000) Kundenprofile und eine Transaktionshistorie, die mindestens das Doppelte des Vorhersagefensters abdeckt [5]. Salesforce Data Cloud / Einstein, HubSpot und SAP Emarsys (Ursprung: Österreich) bieten ähnliche prädiktive Scores.
• Customer-Success-Plattformen (B2B-SaaS): Gainsight CS / Staircase AI (Risikobewertung aus Interaktionssignalen) [6], Planhat (gegründet in Schweden), ChurnZero, Totango.
• No-Code-ML: AWS SageMaker Canvas nennt Churn als Kernanwendungsfall und läuft in Frankfurt, Irland, Paris und Stockholm [11]. KNIME (Deutschland/Schweiz, auch selbst betreibbar), Dataiku (Ursprung Frankreich) und Altair RapidMiner bieten Churn-Vorlagen.
• Wählen Sie A, wenn: die Kundendaten bereits in einem CRM/einer CDP liegen, Sie eine einheitliche Definition von Abwanderung haben und kein Data-Science-Team. Prüfen Sie EU-Hosting, Erklärbarkeit je Kunde und ob Kontrollgruppen konfiguriert werden können.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltetes ML in EU-Regionen: BigQuery ML (logistische Regression, Boosted Trees, AutoML) direkt auf Warehouse-Daten [7], Vertex AI, Azure Machine Learning AutoML, SageMaker Autopilot, Databricks AutoML oder Snowflake ML, jeweils in EU-Regionen.
• Gehostetes tabellarisches Foundation-Modell: Prior Labs (Prior Labs GmbH, ein deutsches Unternehmen) bietet TabPFN-3.5 über eine API und als VPC-Bereitstellung an [12].
• LLM-Ebene: ein in der EU gehostetes LLM (Mistral oder Claude/Gemini/GPT in EU-Regionen) extrahiert Abwanderungsgründe aus Tickets und schreibt die Erklärung, die ein Mitarbeitender sieht („Preiserhöhung im letzten Monat + 3 ungelöste Tickets“). Die Vorhersage selbst sollte ein tabellarisches Modell bleiben, weil LLMs auf Tabellen keine kalibrierten Wahrscheinlichkeitsschätzer sind.
• Aktivierung: Reverse-ETL (Hightouch, Census) oder n8n / Power Automate schreibt Scores ins CRM und in die Marketing-Automation.

Weg C — Selbst betreiben (Open Source; hier für KMU empfohlen)

• Modellierung: LightGBM / XGBoost / CatBoost, scikit-learn, AutoGluon (Apache 2.0, Ensembles einschließlich tabellarischer Foundation-Modelle) [13]. Nutzen Sie lifelines oder scikit-survival für die Zeit bis zur Abwanderung und CausalML für Uplift [10].
• TabPFN: Der Code ist offen (Apache 2.0). Die Gewichte ab v2.5 sind nicht kommerziell; für die kommerzielle Nutzung ist die Enterprise-Lizenz von Prior Labs erforderlich. Die TabPFN-2-Gewichte haben eine freizügige Lizenz [8].
• MLOps: dbt für Features, Feast als Feature Store, MLflow für Tracking und Modellverwaltung, Evidently für Drift-Überwachung, Airflow/Dagster für die Zeitsteuerung.
• Hardware: HW1. Gradient Boosting auf einigen Millionen Kunden trainiert auf einem CPU-Server. Eine GPU mit 16 GB ist nur für Modelle der TabPFN-Klasse oder ein On-Premises-LLM für Textfeatures relevant (dann HW2).

Weg D — Eigenes Training

Eigene Modelle sind bei großen Telekommunikationsunternehmen, Banken und Versicherern die Regel. „Eigen“ bedeutet hier eigene Features und Modelle, nicht das Training eines Foundation-Modells. Es lohnt sich bei >100.000 Kunden, mehreren Abwanderungstypen und Bindungsbudgets in Millionenhöhe. Voraussetzungen: 2–3 Jahre zeitpunktbezogene Historie, saubere Abwanderungs-Labels und idealerweise randomisierte Bindungsexperimente für Uplift-Modelle. Sequenzmodelle (Transformer über Ereignisströme) oder Graph-Features (Anrufgraphen, Haushaltsverknüpfungen) bringen nur im Maßstab von Telekommunikations-/Plattformunternehmen einen Mehrwert. Vergleichen Sie sie zuerst mit Boosted Trees.

Stand der Technik (2026)

• Boosted Trees + gute Features bleiben der Produktivstandard. Das wichtigste Unterscheidungsmerkmal sind leckagefreie, zeitpunktbezogene Features, nicht der Algorithmus [9].
• Tabellarische Foundation-Modelle (TabPFN-3.5, dazu Modelle der Klassen TabICL und Mitra in AutoGluon) liefern ohne Abstimmung starke Ergebnisse. TabPFN-3.5 akzeptiert bis zu 1 Mio. Zeilen und 20.000 Features [8]. Damit sind sie als Ausgangsbasis für Kundenbestände in KMU-Größe praktikabel. Die Lizenzierung muss geprüft werden.
• Von „wer wandert ab“ zu „wen behandeln“: Uplift-Modellierung und gewinnorientierte Zielgruppenauswahl sind in ausgereiften Programmen bewährte Praxis [2][10].
• LLMs und Agenten: Sie extrahieren unstrukturierte Abwanderungsgründe, erzeugen Erklärungen je Kunde und entwerfen Bindungsansprachen. Customer-Success-Plattformen liefern inzwischen KI-Agenten aus, die Konten mit geringem Betreuungsaufwand bearbeiten [6].
• Grenzen: Abwanderungs-Labels sind in nicht vertraglichen Konstellationen willkürlich. Konzeptdrift folgt Preisänderungen und Schritten von Wettbewerbern. Selbsterfüllende Schleifen treten auf, weil die Kontaktaufnahme mit einem ruhenden Kunden die Kündigung auslösen kann. Rückkopplungsverzerrung entsteht, wenn nur behandelte Kunden beobachtet werden. Modelle, die ohne Kontrollgruppe validiert wurden, überschätzen die Wirkung.

Gemeinsame Bausteine & Kombinationen

• Gleicher Tabellen-Stack (Tabellen-ML + Feature Store + MLOps): PRED-004 CLV, PRED-005 Lead-Scoring, PRED-002 Abschlussprognose, PRED-012 Mitarbeiterfluktuation, PRED-021 Zahlungsverhalten, PRED-020 Retouren. Eine Kunden-Feature-Tabelle und ein CPU-basiertes Trainings-/Serving-Setup (HW1) können alle bedienen.
• Entscheidungsebene: REC-003 Next-Best-Action entscheidet, welches Angebot gemacht wird. OPT-004 behandelt Preise und die Höhe von Bindungsrabatten, REC-009 Treueangebote und REC-006 den Zeitpunkt von Kampagnen. REC-004 Segmentierung nutzt Churn-Scores als Eingabe.
• Textsignal-Pipeline (allgemeines LLM): gemeinsam mit LANG-013 Feedback-Analyse, SPEECH-002 Gesprächsanalyse und CONV-001 Service-Bot (Erkennung von Kündigungsabsichten). Ein in der EU gehosteter LLM-Endpunkt oder ein selbst betriebenes HW2-Modell bedient alle.
• Routing: OPT-035 leitet Anrufer mit hohem Risiko an die besten Bindungsmitarbeitenden.
• Datenhygiene: AGENT-011 CRM-Anreicherung und DATA-009 AutoML für Analysten.

Aufwand, Kosten & Kennzahlen

• Weg A: 4–8 Wochen, wenn die Daten bereits im CRM/in der CDP liegen. Die Kosten sind meist Teil der CDP-/CRM-Lizenzstufen.
• Weg B/C: 2–4 Monate für das erste Produktivmodell inkl. Feature-Pipeline, CRM-Aktivierung und Design der Kontrollgruppe. Danach etwa 0,2–0,5 Vollzeitstellen für Überwachung und Neutraining.
• Kostentreiber: Datenintegration (Abrechnung + Nutzung + Tickets), die Kosten der Bindungsanreize (meist weit höher als die ML-Kosten) und der Kampagnenbetrieb.
• Kennzahlen: zusätzliche Kundenbindung gegenüber der Hold-out-Kontrollgruppe (die einzige Kennzahl, die den Nutzen belegt), Abwanderungsquote, Net Revenue Retention, Bindungskosten je gehaltenem Kunden, gerettete Marge, Precision/Recall im obersten Dezil, Kalibrierung, AUC/PR-AUC als technische Leitplanken und Drift-Warnungen.

Menschen & Veränderung

Beteiligen Sie: die Geschäftsleitung (Bindungsbudget), die Leitung von Kundenservice oder Marketing als Prozessverantwortliche, Servicemitarbeitende und Kundenbetreuer, die auf Basis der Listen handeln, die IT für den Datenzugriff, die Dateneigner von Abrechnung und CRM sowie die/den Datenschutzbeauftragte(n) von Anfang an.

Betriebsrat: kommt darauf an. Kunden-Scores richten sich nicht an Beschäftigte. Eine Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG wird ausgelöst, wenn Ergebnisse je Mitarbeitendem oder je Kundenbetreuer verfolgt werden oder wenn Gesprächsanalysen genutzt werden (BAG: objektive Eignung genügt). Informieren Sie den Betriebsrat in jedem Fall nach §90 Abs. 1 Nr. 3, da sich die Arbeitsabläufe der Mitarbeitenden ändern. Gilt nur, wo ein Betriebsrat besteht; öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Dies ist Profiling von Kunden. Prüfen Sie die Rechtsgrundlage (Art. 6 Abs. 1 Buchst. f DSGVO mit dokumentierter Interessenabwägung), führen Sie bei Profiling in großem Umfang eine Datenschutz-Folgenabschätzung (DSFA, Art. 35) durch und schließen Sie mit jedem Auftragsverarbeiter einen Auftragsverarbeitungsvertrag (AVV) (GUIDE-005). Bieten Sie ein Widerspruchsrecht an und informieren Sie die Kunden in der Datenschutzerklärung.

KI-Kompetenz: schulen Sie Mitarbeitende darin, einen Score und seine Treiber zu lesen (GUIDE-006).

Typische Bedenken: „Kunden werden manipuliert“ und „der Score ist eine Black Box“. Zeigen Sie die Treiber je Kunde, untersagen Sie vollautomatisierte Preis- oder Vertragsentscheidungen und lassen Sie Mitarbeitende die Liste überstimmen. Starten Sie einen Pilot mit einem Segment gegen eine Kontrollgruppe (GUIDE-009, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der typischen Form minimales Risiko. Churn-Scoring für Marketing oder Service gehört zu keiner Kategorie des Anhangs III, die Pflicht zur KI-Kompetenz (Art. 4) gilt jedoch. Es wird hochriskant, wenn der Score in die Bonitätsbewertung (Anhang III Nr. 5 Buchst. b) oder in die Risikobewertung/Preisgestaltung bei Lebens- und Krankenversicherungen (Nr. 5 Buchst. c) einfließt [14]. Auch die Bewertung von Lernenden nach Abbruchrisiko in der Bildung kann unter Anhang III Nr. 3 fallen. Die Mitarbeiterfluktuation gehört zu PRED-012 (Anhang III Nr. 4). Ein Bindungs-Chatbot oder -Voicebot muss offenlegen, dass er eine KI ist (Art. 50).
• Grenze nach Art. 5: Bindungsabläufe dürfen keine KI-gestützten manipulativen Techniken einsetzen und keine Schwächen (Alter, Behinderung, wirtschaftliche Notlage) so ausnutzen, dass erheblicher Schaden entsteht [15]. Beispiele sind gezielter Druck auf ältere Kunden oder das Verstecken des Kündigungswegs vor Kunden, die als verletzlich eingestuft wurden. Parallel gelten Dark-Pattern- und Verbraucherrecht (UWG, §312k BGB [4], DSA Art. 25 für Plattformen).
• DSGVO: Kundenprofiling zur Bindung stützt sich meist auf das berechtigte Interesse (Art. 6 Abs. 1 Buchst. f) mit dokumentierter Interessenabwägung. Kunden können dem Profiling zur Direktwerbung jederzeit widersprechen (Art. 21 Abs. 2–3) [16]; deshalb müssen Sperrlisten in das Modell einfließen. Art. 22 ist nur relevant, wenn der Score allein rechtliche oder ähnlich erhebliche Wirkungen erzeugt, etwa bei Leistungsverweigerung. Eine DSFA ist bei Profiling in großem Umfang ratsam. In der Telekommunikation ist die Nutzung von Verkehrs- und Standortdaten durch die ePrivacy-Vorschriften (TDDDG in Deutschland) zusätzlich beschränkt.
• Personalisierte Preise: Werden Bindungsangebote auf Grundlage automatisierter Entscheidungsfindung individuell bepreist, verlangt das EU-Verbraucherrecht (Omnibus-Richtlinie 2019/2161) einen Hinweis an den Verbraucher.
• Fairness & Reputation: Treue Kunden ohne Abwanderungsrisiko zahlen womöglich mehr als „Abwanderer“, die Rabatte erhalten. Machen Sie dies zu einer bewussten, dokumentierten Grundsatzentscheidung.

Erste Schritte

1. Eine Definition von Abwanderung je Geschäftsbereich (Ereignis oder Inaktivitätsfenster) und den Vorhersagehorizont festhalten, auf den Ihr Bindungsteam reagieren kann (z. B. 60–90 Tage).
2. Eine zeitpunktbezogene Kunden-Snapshot-Tabelle aus CRM, Abrechnung, Nutzung und Tickets aufbauen. Zuerst eine regelbasierte Ausgangsbasis testen („Vertrag endet + Beschwerde“).
3. Ein LightGBM- oder das im CRM eingebaute Modell trainieren und den Lift im obersten Dezil gegen die Ausgangsbasis prüfen.
4. Eine Bindungskampagne mit zufälliger Hold-out-Kontrollgruppe starten. Ohne sie lassen sich weder die Wirkung messen noch später Uplift-Modelle trainieren.
5. Zu Uplift-basierter Zielgruppenauswahl und monatlichem Neutraining mit Drift-Überwachung übergehen, sobald Daten aus 2–3 Kampagnenzyklen vorliegen.

Quellen

1. Harvard Business Review (A. Gallo) — The Value of Keeping the Right Customers — https://hbr.org/2014/10/the-value-of-keeping-the-right-customers
2. Ascarza, E. (2018) — Retention Futility: Targeting High-Risk Customers Might Be Ineffective, Journal of Marketing Research — https://journals.sagepub.com/doi/10.1509/jmr.16.0163
3. Telekommunikationsgesetz (TKG) §56 — Vertragslaufzeit, Kündigung — https://www.gesetze-im-internet.de/tkg_2021/__56.html
4. Bürgerliches Gesetzbuch (BGB) §312k — Kündigung von Verbraucherverträgen im elektronischen Geschäftsverkehr — https://www.gesetze-im-internet.de/bgb/__312k.html
5. Microsoft Learn — Predict transaction churn, Dynamics 365 Customer Insights — https://learn.microsoft.com/en-us/dynamics365/customer-insights/data/predict-transactional-churn
6. Gainsight — Customer Success platform (CS, Staircase AI, Atlas) — https://www.gainsight.com/customer-success/
7. Google Cloud Blog — Churn prediction for game developers using GA4 and BigQuery ML — https://cloud.google.com/blog/topics/developers-practitioners/churn-prediction-game-developers-using-google-analytics-4-ga4-and-bigquery-ml
8. Prior Labs — TabPFN repository (models, limits, licences) — https://github.com/PriorLabs/TabPFN
9. Erickson et al. — TabArena: A Living Benchmark for Machine Learning on Tabular Data (arXiv 2506.16791) — https://arxiv.org/abs/2506.16791
10. Uber — CausalML: uplift modelling and causal inference library — https://github.com/uber/causalml
11. AWS — Amazon SageMaker Canvas documentation — https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html
12. Prior Labs — TabPFN-3.5, API and VPC deployment — https://priorlabs.ai/
13. AutoGluon — AutoML toolkit (Apache 2.0) — https://github.com/autogluon/autogluon
14. EU AI Act — Annex III high-risk use cases — https://artificialintelligenceact.eu/annex/3/
15. EU AI Act — Article 5 prohibited practices — https://artificialintelligenceact.eu/article/5/
16. GDPR Art. 21 — Right to object — https://gdpr-info.eu/art-21-gdpr/