Customer Churn Radar

Daten & Prozesse • Arbeitsprobe

Live: churn.bastian-brand.com

Worum es geht

Ein Werkzeug zur Abwanderungsprognose, das aus einer Bewertung eine Handlung macht. Die meisten Modelle liefern eine Wahrscheinlichkeit aus einer Blackbox; der Wert liegt aber im Warum und im Und-nun. Dieses hier lernt anhand historischer Kundendaten, bewertet den gesamten Bestand und erzeugt die Anrufliste für diese Woche — sortiert nicht nach der Abwanderungswahrscheinlichkeit allein, sondern nach gefährdetem Umsatz (Risiko × Monatsumsatz), denn dort zahlt sich ein Rückgewinnungsanruf tatsächlich aus. Für jeden Kunden erklärt es Treiber für Treiber, warum er gefährdet ist.

Läuft auf Beispieldaten eines erfundenen B2B-SaaS-Unternehmens, kein echter Kunde.

Wie ich es gebaut habe

Ein Gradient-Boosting-Klassifikator (scikit-learn) wird an 70 Prozent der Kunden trainiert und an den zurückgehaltenen 30 Prozent geprüft — der ausgewiesene ROC-AUC ist der ehrliche Testwert, keine Zahl aus den Trainingsdaten. Jede Vorhersage wird über SHAP erklärt: exakte, additive Beiträge zu den Log-Odds des Modells, sodass jedes „Warum” nachprüfbar ist statt einer Faustregel zu folgen. Das ist der Unterschied zwischen „dieser Kunde hat den Wert 0,87” und „ruf ihn an — er zahlt monatlich, seine Nutzung fällt, und er hat dieses Quartal neun Tickets aufgemacht”. Eine Gewinnkurve zeigt, wie stark sich der Aufwand bündelt, wenn man die riskantesten zuerst angeht.

Besonderheiten

• Sortiert nach gefährdetem Umsatz statt nach der Abwanderungswahrscheinlichkeit allein — die Größe, auf die ein Customer-Success-Leiter tatsächlich optimiert
• SHAP-Erklärung je Kunde: nachprüfbare Gründe statt Blackbox
• Ehrliche Bewertung: ROC-AUC auf zurückgehaltenen Daten, dazu die Gewinnkurve

Stack

Python · scikit-learn · SHAP · Streamlit · Plotly