In der Literatur gibt es viele Begriffe, die synonym zu dem Begriff der Kundenrückgewinnung verwendet werden. Im Folgenden soll deshalb eine Klärung der Begriffe Kundenrückgewinnung und Kundenabwanderung im Rahmen des Churn Managements erfolgen.

Es lässt sich eine Fülle von Begriffen aufzählen, die den Effekt der Kundenabwanderung zu beschreiben versuchen. Es wird dabei meist aus der Perspektive der Kunden und unter Verwendung der folgenden Begriffe argumentiert: „customer dissolution“, „customer defection“, „customer switching“, „customer ending“, „customer exit“.

Churn Winback Definition

Die von den Autoren Hocut, Reichheld / Sasser, Keaveney und Stewart dargestellten Definitionen deuten die Kundenabwanderung zuerst als implizites Verhalten von Kunden wie die Kündigung oder das Nicht-wieder-Zurückkommen des Kunden. (z.B. Kundenrückgewinnung Vodafone, Kundenrückgewinnung Telekom, Kundenrückgewinnung O2 etc.)

Der dahin führende Entscheidungsprozess wie die Abwägung der Entscheidung wird bei den vorliegenden Definitionen verkannt. Dementsprechend geht der wirklichen Abwanderung die Evolution einer Abwanderungsabsicht voraus. Der Ablauf eines Prozesses bis zur tatsächlichen Abwanderung muss deshalb betont werden. Die Prozesse der verschidenen Anbieter  (Kundenrückgewinnung Vodafone, Kundenrückgewinnung Telekom) sind dementsprechend optimiert.

Churn Definition 

Kundenabwanderung umfasst sämtliche Prozesse, die darauf abzielen, bisherige oder zukünftige Geschäftsbeziehungen eines Kunden gegenüber einem Anbieter oder dessen Leistungen zu beenden.

In Bezug auf die Unternehmenssicht wird meist die Begrifflichkeit des „Rückgewinnungsmanagements“ bzw. das Ziel der Kundenrückgewinnung herangezogen. Es gibt bisher keine einheitliche Sprachregelung, um diese Aufgabe näher zu beschreiben. Aktuell gibt es zwei Interpretationen zu dem Begriff.

Die Begriffsinterpretation, die sich auf den Kundenstatus bezieht, sieht den Ausdruck der Kundenrückgewinnung ausschließlich auf die Gruppe der ehemaligen Kunden bezogen. Eine eindeutige Abgrenzung der Aufgaben des Kundenmanagements ist durch das Merkmal Kundenstatus (potenzielle, aktuelle sowie ehemalige) gegeben.[5] Die Begriffe „Kundenrückgewinnung“ und sinngleich „Customer Recovery“ werden bisher als Fachausdrücke dafür verwendet.

Die Eindeutigkeit dieser Interpretation sowie die klare Abgrenzung der Aufgaben des Kundenmanagements ist ihre Stärke.[7] Die große Schwäche dieser Begriffsinterpretation ist darin zu sehen, dass sie die in der Unternehmenspraxis übliche Vorgehensweise der Kundenbindung nicht erfasst.

In der Unternehmenspraxis findet häufig eine Schwerpunktbearbeitung der tendenziell zufriedenen Kundenbeziehungen statt, die dann mit dem klassischen Marketing bearbeitet werden. Problembehaftete Kundenbeziehungen werden, wenn überhaupt, einem separaten Unternehmensbereich, dem Beschwerdemanagement, zugeordnet. Diese Zuordnung greift jedoch nur dann, wenn der Kunde seine Unzufriedenheit aktiv in Form einer Beschwerde ausdrückt. Diejenigen Kunden, die zwar unzufrieden sind, sich jedoch nicht beschweren (unvoiced complaints), oder zufrieden sind, jedoch abwandern, werden weder durch das Kundenbindungs- noch durch das Beschwerdemanagement erreicht.

An diesem Problem setzt die Auslegung des Begriffs „verlorene Kunden“ an und integriert diese Kundengruppe in das Aufgabengebiet des Kundenrückgewinnungsmanagement. Die Fachbegriffe „Customer Recovery“, „Regain-Management“ und „Rückgewinnungsmanagement“ werden hier verwendet. Der Tatsache, dass der Prozess der Entscheidung über die Kundenabwanderung häufig bereits im Vorfeld einer Kündigung abgeschlossen ist, wird hier Rechnung getragen. Der Ausdruck „verloren“ wird zu einem Abgrenzungsmerkmal zwischen Kundenbindungs- und Kundenrückgewinnungsmanagement. Dem Vorteil der Nähe zur Unternehmenspraxis steht der Nachteil einer nicht eindeutigen Abgrenzung gegenüber.

Um zu einer klaren Definitionsabgrenzung zu kommen, wird im Folgenden eine Definition verwendet, die sich ausschließlich auf die ehemaligen Kunden bezieht:

Die Art und Weise, wie das Ziel der Kundenrückgewinnung erreicht werden soll, wird in dem Begriff des Kundenrückgewinnungsmanagements zusammengefasst. Aufbauend auf einem prozessorientierten Vorgehen wird das Rückgewinnungsmanagement wie folgt definiert.

Das Ziel der Kundenrückgewinnung ist es, einen grundlegenden Prozess zu erstellen, mit Hilfe dessen die Aufgaben des KRM effizient und effektiv bearbeitet werden können.

Die bisher in der Forschung vorliegenden Konzepte der Kundenrückgewinnung stützen sich auf das 5-Phasen-Modell, bei dem Zielsetzung, Abwan­de­­rungs­analyse, Kundenrückgewinnungs-Aktivität, Kundenrückgewinnungs-Controlling, Kundenrückgewinnungs-Aufgaben/Prozesse im Zentrum stehen. Durch praktische Erfahrungen, Gespräche mit Kundenrückgewinnungsexperten und die empirischen Ergebnisse zur Kundenrückgewinnung wurde offengelegt, dass in der Kundenrückgewinnungs-Praxis noch mehr prozessorientiert gedacht werden muss.

Beispielsweise wird in der Unternehmenspraxis die Analyse der Kundenabwanderungsgründe kaum durchgeführt, da sie nur dann bekannt sind, wenn der Kunde dies dem Unternehmen aktiv mitteilt. Bevor jedoch solche Befragungen durchgeführt werden können, müssen verschiedene Prozesse vorgelagert sein. In der Praxis wird somit nicht mit der Analyse der Gründe begonnen, die zur Abwanderung führen, sondern mit der Identifikation der Kunden. Aufgrund dieser Problematik wird im Folgenden ein praxistauglicher Prozess vorgestellt.

Grundsätzlich wird der Gesamtprozess in die folgenden Unterprozesse eingeteilt:

• Identifikation (Fokus: Kündigungsinformation, Maßnahme: Start des Informationsprozesses)

• Segmentierung (Fokus: Kundenprofitabilität und Erfolgswahrscheinlichkeit, Maßnahmen: Kundenwertanalyse und Rückgewinnungsportfolio)

• Dialoginitiierung (Fokus: Kontaktaufnahme und Erfolgschancen, Maßnahmen: Kündigungsgrundanalyse und Rückgewinnungsangebot)

• Kundenrückgewinnung (Fokus: Reaktivierung und Fehlervermeidung, Maßnahmen: Rückgewinnungsgespräch und interne Kommunikation)

• Erfolgskontrolle (Fokus: Effektivität und Effizienz, Maßnahmen: Erfolgsanalyse und Kosten-Nutzen-Analyse)

Ein Schwerpunkt in diesem Kundenrückgewinnungs-Prozess sollte aufgrund der Wichtigkeit auf die Rückkopplung der gewonnenen Informationen (z.B. Kündigungsgründe) gelegt werden (Closed-Loop als Kundenrückgewinnungs-Ansatz).

Churn Winback / Kundenrückgewinnung rechtliche Aspekte 

Die Rechtssprechung in dem Bereich des Customer Relationship Managements und speziell im Bereich der Kundenrückgewinnung ist von stetigen Änderungen geprägt. Dieser Umstand macht es notwendig, die bestehenden Kundenrückgewinnungs-Konzepte auf die jeweils neueste Rechtslage abzustimmen.

Vor dem Hintergrund der Verarbeitung der von Personen bezogenen Daten sind diverse Vorgaben vom Gesetzgeber zu beachten. Im Folgenden wird deshalb insbesondere auf das Datenschutzrecht und das Wettbewerbsrecht eingegangen. Die Kundenrückgewinnung kommt hierbei vor allem mit der Speicherung von Daten und der Kontaktierung von Kunden in Berührung. Hier sind bei der Verarbeitung von personenbezogenen Daten, z.B. bei der Integration der Daten in einer Datenbank, die Vorgaben des Bundesdatenschutzgesetzes (BDSG) von größter Wichtigkeit. Im Zusammenhang mit dem Kundenkontakt per E-Mail oder telefonisch kommt das Gesetz gegen unlauteren Wettbewerb (UWG) zur Anwendung.

Wann ein Unternehmen seine Kunden ansprechen darf:

Im Rahmen des Kundenrückgewinnung sind den Unternehmen hinsichtlich der Kontaktierung enge rechtliche Grenzen gesetzt. Als Rechtsgrundlage ist hier das Gesetz gegen den unlauteren Wettbewerb zu sehen. Mit dem UWG werden alle Markteilnehmer vor nicht zulässigen geschäftlichen Handlungen geschützt.

Folgend werden für die Kundenrückgewinnung nicht zulässige geschäftliche Handlungen näher untersucht. Mit dem Nachtragsgesetz aus dem Jahr 2008 kam es zu grundlegenden Änderungen.[2] Der Schwerpunkt der Änderungen bezog sich auf die Werbeansprache per SMS, MMS, automatische Anrufdialer und Faxwerbung.

Diese Formen der Kundenansprache sind grundsätzlich so lange unzulässig, wie keine ausdrückliche Einwilligung des Kunden vorliegt. Die (rechtlichen) Rahmenbedingungen werden in der folgenden Darstellung abgebildet.

Zu welchem Zweck personenbezogene Daten gespeichert werden dürfen:

Die Frage, auf welcher Grundlage man Kundendaten speichern darf, soll hier analysiert werden. Es gibt hierbei enge Grenzen, in deren Rahmen sich Unternehmen bewegen müssen. Die Kundenrechte zu beschützen, ist die Grundlage des Kundendatenschutzes, deshalb sollen die Kunden auch selbst über die Freigabe und Nutzung persönlicher Daten bestimmen. Die grundlegende Idee der Kundenselbstbestimmung ist, dass jeder Kunde eigenverantwortlich entscheidet, innerhalb welcher Grenzen und wann individuelle datenrelevante Sachverhalte offenbart werden.[5]

Grundsätzlich werden Regelungen im Zusammenhang mit personenbezogenen Kundendaten im Bundesdatenschutzgesetz definiert. Es gilt jedoch, weitere Regelungen insbesondere im Telekommunikationsgesetz und dem Telemediengesetz zu beachten. Wichtig ist hierbei, dass diese Sondergesetze einen Vorrang vor den Regelungen des Bundesdatenschutzgesetzes genießen. Folgend werden das Bundesdatenschutzgesetz und das Telemediengesetz näher bezüglich der Auswirkungen auf die Kundenrückgewinnung untersucht.

Grundsätzlich muss zu allererst entschieden werden, ob es sich um personenbezogene Daten handelt. Unter „Einzelangaben“ fallen Informationen wie beispielsweise die Adresse, der Name, die Telefonnummer, das Geburtsdatum, die Staatsangehörigkeit, der Familienstand etc. Da diese Informationen insbesondere im KRM von großer Bedeutung sind, sollten die Datenschutzregelungen unbedingt beachtet werden. Erlaubt sind dabei die Verarbeitung, Nutzung und Erhebung nur, wenn die Einwilligung des Kunden vorliegt oder eine andere Rechtsvorschrift dies erlaubt. Nachfolgend werden ebensolche gesetzlichen Erlaubnistatbe­stände aufgeführt.

Einen wesentlichen Vorteil im Wettbewerb mit anderen Unternehmen stellt hierbei das Kundenvertrauen im Umgang mit Daten dar. Optimalerweise sollte dieses Vertrauen durch eine anschauliche und einfache Kundenrückgewinnungs-Informationspolitik des Unternehmens gegenüber seinen Kunden gewonnen werden.

Hohe Fluktuationsraten haben einen weitreichenden, negativen Einfluss auf die ökonomische Stabilität eines Unternehmens. Wenn darüber hinaus noch die ertragreichsten Kunden das Unternehmen verlassen, kann dies existenzgefährdend für das Unternehmen sein. Eine kostengünstige Quelle, zusätzliche Erträge zu generieren, ist demgegenüber das Wiedergewinnen ehemaliger Kunden. Diese Reaktivierung der richtigen Kunden birgt eine Reihe von Vorteilen:

Loyalitätsvorteile der Kundenrückgewinnung

Bei einer noch vorhandenen „Restloyalität“ aus der bisherigen Kundenbeziehung kann diese genutzt werden, um eine „zweite Loyalität“ in der Geschäftsbeziehung aufzubauen. Eine Beseitigung von Unzulänglichkeiten und Mängeln kann durch eine höhere emotionale Bindung einen höheren Kundenwert als vor der Kündigung nach sich ziehen.

Ertragsvorteile der Kundenrückgewinnung

Im Rahmen einer branchenübergreifenden Studie wurde festgestellt, dass die Kosten für die Neukundengewinnung bei über 90% der Unternehmen mehr als doppelt so hoch sind wie bei der Kundenrückgewinnung. Bei rund 70% der Unternehmen sind die Kosten der Neukundengewinnung drei Mal so hoch wie die der Neukundenakquisition.

Durch diese günstigere Reaktivierung können Marketingbudgets geschont werden. Des Weiteren steigt in vielen Fällen der Umsatz der zurückgewonnenen Kunden und er bleibt dem Unternehmen länger treu als „normale“ nicht zurückgewonnene Kunden (vgl. Profitabilität zurückgewonnener und permanent treuer Kunden). Damit verbessert sich automatisch die Zusammensetzung des Kundenstammes und somit der gesamte Unternehmenswert.

Reichheld / Sasser zeigen z.B. für den Dienstleistungsbereich, dass eine Reduzierung der Abwanderungsrate von 10% auf 5% über die gesamte durchschnittliche Kundenbindungsdauer hinweg zu einer 75-prozentigen Erhöhung des Kundenwertes und damit auch des langfristigen Unternehmensertrages führen kann.

Wissensvorteile durch des Churn Winback

Probleme, die im Rahmen der Kundenrückgewinnung aufgedeckt werden, sind gute Anhaltspunkte, um Unternehmensprozesse zu optimieren. Die Wechselmotive der Kunden können mit geringem Aufwand von den Firmen analysiert werden. Professionell gemachte Kündigerbefragungen helfen somit die Ursachen für die Beendigung der Geschäftsbeziehung zu erforschen. Die Leistungen des Unternehmens können damit für alle Kunden optimiert und die Kosten von Fehlern (Kundenabwanderung und unzufriedene Kunden) minimiert werden. Dies ist aber nur unter der Voraussetzung gegeben, dass die gewonnenen Informationen unternehmensübergreifend bereitgestellt werden, um somit zu einer Optimierung der Kundenrückgewinnungs Prozesse beizutragen.

Imagevorteile durch das Churn Winback:

Wer sich um seine abgewanderten Kunden kümmert, wird eine negative Mund-zu-Mund-Propaganda eindämmen. Somit kann das Kundenrückgewinnungs Management negativen Mund-zu–Mund-Kommunikationen seiner gefährdeten bzw. abgewanderten Kunden vorbeugen. Enttäuschte und verärgerte Verbraucher, die abwandern, kommunizieren dies aktiv mit ihrer Umgebung. Im Gegensatz dazu beginnt der gebundene Kunde mit positiver Mund-zu-Mund-Propaganda, welche den Firmen zu einer (kostenlosen) Imageverbesserung verhilft.

Konkurrenzvorteile durch das Churn Management:

Durch das Betreiben eines aktiven Kundenrückgewinnungs Managements kann eine Menge an Informationen über den Wettbewerb generiert werden. Im Fall eines abgewanderten Kunden kann dieser dem bisherigen Anbieter mitteilen, weshalb der neue Anbieter seine Kaufabsicht besser befriedigen kann. Teilbereiche der Geschäftspolitik sowie die Rückgewinnungsaktivitäten können durch die Nutzung dieser Informationen verbessert werden.

Prevention bzw. Churn Prevention d.h. die Früherkennung drohender Kundenabwanderung und deren Verhinderung kann als die höchste Kunst des Kundenrückgewinnungsmanagements bzw. Churn-Managements gesehen werden.

Der Nutzen aus der Kundenabwanderungs Prevention (Churn Prevention) liegt in der Früherkennung der abwanderungsgefährdeten Kunden. Dem Unternehmen bietet sich damit die Chance, die drohende Abwanderung (Churn) rechtzeitig und zu deutlich kostengünstigeren Konditionen als nach der Kündigungsaussprache durch das Churn Prevention (hat nichts zu tun mit fraud prevention) zu verhindern. Die große Problematik im Churn Management liegt derzeit nicht in der Wahl der geeigneten Rückgewinnungs-Maßnahmen, sondern in der frühzeitigen Erkennung und Prevention abwanderungsgefährdeter Kunden. Hier soll deshalb auf die Notwendigkeit der Integration eines Churn Preventions Prozesses im Rahmen des Churn Managements hingewiesen werden. Zur Berechnung von Abwanderungswahrscheinlichkeiten kommen in wissenschaftlichen Studien insbesondere drei verschiedene Verfahren zum Einsatz:

• Traditionelle statistische Verfahren (Markov-Ketten-Ansatz, Hazard-Rate-Modelle)

• Regelbasierte Systeme (Wenn-Dann-Entscheidungsbäume)

• Data-Mining-Verfahren (Logistische Regression, Neuronale Netze, Diskriminanzanalyse)

Churn Prevention - Traditionelle Statistik:

Im Rahmen des KRM sollen bei der (traditionellen) Statistik verschiedene Hypothesen auf ihren Wahrheitsgehalt untersucht und mit Hilfe von Statistiksoftware überprüft werden. Bei diesen klassischen Verfahren ist die Beachtung komplizierter und nichtlinearer Beziehungen nur mit Abstrichen möglich. In der Kundenrückgewinnungstheorie werden der Markow-Ketten-Ansatz und die Hazard-Rate-Modelle genannt.

Im Konsumgüterbereich wird seit 1974 der Markov-Ketten-Ansatz verwendet. Dort wird mit seiner Hilfe die Marken-Wiederkaufwahrscheinlichkeit bestimmt. Auf die Kündigungsprävention angewendet, ist es das Ziel der Markov-Ketten, die Wahrscheinlichkeit eines Statuswechsels (aus einem Kunden wird ein Nicht-Kunde) zu berechnen.

Mit dem Markov-Ketten-Ansatz ist jedoch die Berechnung der Abwanderungswahrscheinlichkeit des gesamten Unternehmenskundenbestandes nicht durchführbar. Des Weiteren sind mit dem MK-Ansatz viele Bedingungen (z.B. identische Wahrscheinlichkeiten beim Übergang in einen neuen Status bei allen Kunden) verbunden, die einem Einsatz als KRM-Frühwarninstrument entgegenstehen. 

Ein weiterer Ansatz zur Untersuchung des KR-Prozesses ist das Hazard-Rate-Modell.

Bei diesem handelt es sich um eine Analyse, mit deren Hilfe das Eintreten einer bestimmten Begebenheit (die Abwanderung des Kunden) zeitlich genau bestimmt wird.

In den Wirtschaftswissenschaften wurden mit Hilfe der Hazard-Rate-Modelle z.B. Frage­stellungen in Bezug auf die Dauer bis zum Kauf eines neuen Produktes erforscht.

Der Nutzen des Hazard-Rate-Modells ist insbesondere durch den prozessorientierten Erhebungsentwurf gegeben. Damit sind HR-Modelle ausgezeichnet für Analysetätigkeiten geeignet, jedoch als Prevention Werkzeug ( Frühwarnwerkzeug) sind sie nicht geeignet.

Churn Prevention - Regelbasierte Systeme:

Die (regelbasierten) Systeme sind aus der Entscheidungstheorie hervorgegangen. Grundlage sind „Wenn-Dann“-Annahmen, die auf der Grundlage von Expertenwissen verwertbar gemacht werden. Bei regelbasierten Systemen muss ein besonderes Interesse an der Festlegung der wichtigsten Frühwarnindikatoren wie Wechselankündigungen, Verringerung der Produktnutzung oder Beschwerden gelegt werden. Die Richtigkeit der Prognose hängt im starken Maße von den festgelegten „Wenn-Dann“-Beziehungen ab.

Klarer Vorteil von regelbasierten Systemen ist die sehr gute Verständlichkeit und Nachvollziehbarkeit des Churn Prevention Verfahrens. Weiter ist auch eine grundsätzliche Anwendbarkeit des Churn Prevention Verfahrens auf den gesamten Kundenstamm gegeben. Demgegenüber steht das Problem, dass die Qualität des Prevention Mechanismus (Frühwarnmechanismus) sehr stark von den Expertenannahmen abhängt.

Churn Prevention - Data Mining:

Im Rahmen des Data Mining soll mit Hilfe von verschiedenen Datenanalyseverfahren das Frühwarnverfahren komplett automatisiert werden. Diese Automatisierung ist der Kernpunkt, der das Data Mining gegenüber klassischen statistischen Verfahren unterscheidet.

Es geht darum, aus vorhandenen Datenstrukturen zu automatischen Hypothesengenerierungen zu gelangen. Data Mining wird insbesondere bei großen Datenmengen herangezogen und kommt bei der Prognose der Abwanderungswahrscheinlichkeit durch Verwendung von logistischen Regressionen, neuronalen Netzen sowie von Diskriminanz-Analysen zum Einsatz.

Churn Prevention - Diskriminanz-Analyse:

In den Wirtschaftswissenschaften wird die Diskriminanz-Analyse zur Untersuchung von Gruppen- bzw. Klassenunterschieden verwendet. Mit Hilfe der Diskriminanz-Analyse können die Werte einer abhängigen Variable durch die Werte einer oder mehrerer unabhängiger Variablen erklärt werden. So kann damit z.B. beantwortet werden, ob ein Kunde abwanderungsgefährdet ist oder nicht.

Praktisch angewendet wird das Verfahren in der Wirtschaft z.B. bei der Bonitätsüberprüfung des Kunden. Die Vorteile der Diskriminanz-Analyse liegen in der Skalierbarkeit und der Transparenz des Verfahrens. Das Verfahren ist zwar selbstlernend, jedoch an sein Gleichungssystem gebunden und kann sich deshalb nicht an veränderte Umweltbedingungen anpassen. In der Unternehmenspraxis wird jedoch aufgrund fehlender inferenzstatistischer Prüfungen eher auf die logistische Regression zurückgegriffen.

Churn Prevention - Logistische Regression:

Die logistische Regression beruht darauf, dass nicht die Wahrscheinlichkeit der Abwanderung, sondern die wichtigsten Einflussfaktoren untersucht werden. Es wird dabei geprüft, welcher Bezug zwischen den unabhängigen Variablen wie z.B. „Kundenzufriedenheit“, „Nutzung von Produkten“ oder „Umsatzrückgängen“ und der dichotomen Variable (Kunde abgewandert, ja oder nein?) besteht.

Die logistische Regression kann erstens die unabhängigen Variablen in Bezug auf die Abwanderungsentscheidung bestimmen. Zweitens ist auch die Berechnung der Abwanderungswahrscheinlichkeit möglich (auch wenn sich die Variablen ändern).[9] Die logistische Regression kann zur Erklärung des Abwanderungsverhaltens verschiedenste Kundenmerkmale integrieren und stellt damit nicht unbeträchtliche Anforderungen an die Kundendatenstruktur. Die LR ist in der Anwendung sehr transparent und sehr gut in alle gängigen Statistik-Software-Pakete integriert.

Churn Prevention - Neuronale Netze:

Die mit Abstand am komplexesten der dargestellten Data-Mining-Methoden sind die neuronalen Netze. Deren Ziel ist es, aus den jeweils vorliegenden historischen Daten zu lernen. Ein neuronales Netz soll fähig sein zu erkennen, wann (welche Eigenschaften müssen zutreffen?) ein Kunde ein Unternehmen verlassen wird. Als Ergebnis soll das neuronale Netz die gelernten Eigenschaften auf neue Datensätze anwenden. Prinzipiell orientiert man sich dabei an den Vorgängen in (biologischen) Systemen. Die kleinste Einheit ist dabei das Neuron, es soll Informationen von anderen Neuronen verarbeiten oder weiterleiten.

Bis dahin ist die Vorgehensweise gegenüber der Regressionsanalyse sehr ähnlich, jedoch werden nur bei neuronalen Netzen die gewonnenen Informationen durch eine (nichtlineare) Aktivierungsfunktion berücksichtigt. Ein neuronales Netz liegt erst vor, sobald sämtliche Neuronen auf der Grundlage von Hierarchien miteinander verkettet sind.

Durch den Einsatz von neuronalen Netzen kann eine hohe Vorhersagequalität erreicht werden. Nachteil dieser Methode ist die schlechte Nachvollziehbarkeit. Dementsprechend ist es keine leichte Entscheidung, bezüglich der Erstellung eines Abwanderungsfrühwarnsystems auf neuronale Netze zurückzugreifen oder eine andere Methode zu verwenden. Die Empfehlung des Autors lautet: Der Genauigkeitsgrad des neuronalen Netzes ist entscheidend und überwiegt eine schlechte Nachvollziehbarkeit bei weitem.

Churn Prevention - Zusammenfassende Beurteilung der Abwanderungsfrühwarnsysteme:

Grundsätzlich lassen sich die Präventionsverfahren nach den Bausteinen „Umsetzbarkeit“, „Implementierung (Dauer)“, „Objektivität des Verfahrens“, „Betriebsaufwand (laufend)“, „System-Integrationsaufwand“, „Ganzheitlichkeit“ und „Gesamtbewertung“ (Ergebnis aus der Summe der sechs Einzelkriterien) bewerten.

Die Tendenz geht bei den einzelnen Methoden klar in Richtung Data Mining (insbesondere in Richtung der logistischen Regression), da diese es erlauben, große Kundenbestände zu analysieren. Regelbasierte Systeme sind relativ einfach in die Unternehmenspraxis zu integrieren – jedoch hängt die Qualität sehr von den vorgegebenen Algorithmen, also der Qualität des umsetzenden Experten, ab.