Kundenbindung im Energiemarkt

Das echte Ausmaß des Problems

Der deutsche Energiemarkt ist seit der Liberalisierung 1998 theoretisch ein Wettbewerbsmarkt. In der Praxis wechselten die meisten Kunden trotzdem selten, bis Vergleichsportale wie Verivox und Check24 die Wechselhürde massiv gesenkt haben. Über 4 Millionen Haushaltskunden wechseln jährlich ihren Energieversorger, Tendenz weiter steigend. Laut Kreutzer-Consulting-Energiemarktreport 2026 verlagert sich der strategische Fokus der Anbieter hin zur systematischen Kundenpflege, nachdem bis Ende 2025 hohe Wechselprämien über Vergleichsportale ausgeschüttet wurden, die viele Kunden temporär anzogen und dann wieder abwanderten.

Die Akquisitionskosten für einen Neukunden setzen wir auf dieser Seite mit 80 bis 150 Euro an, Vergleichsportal-Provision, Aktivierungsaufwand, Erstabrechnung; eine veröffentlichte Branchenzahl haben wir nicht gefunden, dein Vertriebscontrolling kennt deine. Wichtig für jede Rechnung: Der Wert eines Kunden ist sein Deckungsbeitrag, nicht sein Umsatz. Von 1.200 Euro Jahresrechnung eines Haushalts gehen Netzentgelte, Steuern, Umlagen und Beschaffung ab, dem Stadtwerk bleibt ein kleiner Bruchteil. Wer nach zwei Jahren wechselt, hat die Akquisekosten oft noch nicht eingespielt.

Das eigentliche Problem: Energieversorger erkennen drohende Wechsel meist zu spät. KI-basierte Churn-Prediction analysiert Frühwarnsignale, die 60 bis 90 Tage vor dem Wechsel sichtbar sind: sinkendes Verbrauchsvolumen, fehlende Reaktion auf Maßnahmen, vorherige Wechsel bei Umzug, Aufrufe von Tarifvergleichsseiten im Self-Service-Portal, lange Nicht-Kontaktierung, ungelöste Beschwerden. Diese Muster sind in den Daten, sie müssen nur ausgewertet werden.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Retention-Teams sparen reale Arbeitszeit: Kein manuelles Kundensegment-Screening mehr, automatisierte E-Mail-Sequenzen, priorisierte Call-Listen statt Bauchgefühl. Das macht die Arbeit fokussierter, aber das Kundengespräch selbst kann die KI nicht ersetzen.

Kosteneinsparung, niedrig (2/5) Jeder verhinderte Wechsel spart 80 bis 150 Euro Neukundenakquise. Aber: Bei 5.000 Wechslern im Jahr erkennt das Modell 1.000–1.750, und davon bleiben 20–35 Prozent, also 200–610 Kunden, nicht 1.000, wie eine frühere Fassung rechnete. Das sind 16.000 bis 90.000 Euro gespartes Akquise-Budget im Jahr, vor Kontaktkosten und Systemkosten. Den Deckungsbeitrag zusätzlich zu zählen wäre doppelt: Entweder du ersetzt den Kunden (dann sparst du die Akquise) oder nicht (dann behältst du den Deckungsbeitrag).

Schnelle Umsetzung, langsam (2/5) Die Datenaufbereitung ist der kritische Schritt: Wechseldaten historisieren, Kundenmerkmale bereinigen, Modell trainieren, in CRM integrieren, Workflows konfigurieren. Das dauert realistisch 4 bis 6 Monate bis zum ersten verlässlichen Scoring. Verglichen mit dem EV-Ladeinfrastruktur-Use-Case oder der Gebäudeenergie-Optimierung ist der Einstieg hier anspruchsvoller.

ROI-Sicherheit, mittel (3/5) Der ROI ist messbar, aber mit einer wichtigen Einschränkung: Es ist schwer zu isolieren, ob ein Kunde wirklich wegen der Retention-Maßnahme geblieben ist, oder ob er sowieso geblieben wäre. Kontrollgruppen-Tests (Random Hold-out bei der Intervention) sind der Goldstandard, aber in der Praxis oft schwer durchzusetzen.

Skalierbarkeit, hoch (4/5) Das Modell skaliert gut: Mehr Kunden bedeuten mehr Trainingsdaten und bessere Vorhersagequalität. Automatisierte Workflows bedeuten, dass der Personalaufwand für Retention nicht proportional mit der Kundenzahl wächst. Ein gut konfiguriertes System mit 50.000 Kunden funktioniert mit kaum mehr Aufwand als mit 10.000.

Richtwerte, stark abhängig von Kundenstamm-Größe, vorhandenen Wechselhistorie-Daten und Churn-Rate.

Was das System konkret macht

Der Kern ist ein Machine Learning-Modell, das auf historischen Kundendaten trainiert: Welche Kunden haben im letzten Jahr gewechselt? Welche Merkmale hatten sie in den 60 bis 90 Tagen vor dem Wechsel gemeinsam?

Churn-Scoring: Täglich berechnet das Modell für jeden Kunden einen Churn-Score zwischen 0 und 100. Score über 70: hohes Risiko. Score zwischen 40 und 70: mittleres Risiko. Score unter 40: unauffällig. Die wichtigsten Prädiktoren aus Praxiserfahrungen: Vertragslaufzeitende in 60 bis 90 Tagen, ungelöste Beschwerden, keine Interaktion in 6+ Monaten, sinkender Verbrauch, vorheriger Wechsel bei letztem Umzug.

Segmentierung nach Intervention: Nicht jeder gefährdete Kunde verdient dieselbe Intervention. Hochwertige Kunden mit jahrelanger Bindung bekommen einen persönlichen Rückruf, sofern eine Einwilligung in telefonische Werbung vorliegt (siehe Datenschutz). Mittlere Segmente bekommen proaktive E-Mails mit individualisierten Angeboten. Niedrigwertige Kunden mit kurzer Vertragslaufzeit bekommen standardisierte Aktions-E-Mails. Das System segmentiert automatisch nach Kundenwert × Churn-Wahrscheinlichkeit.

Automatisierte Retention-Workflows: Wenn ein Kunde einen Schwellenwert-Churn-Score überschreitet, löst das System automatisch Aktionen aus, E-Mail mit Tarifinformation, Terminvorschlag für persönliche Beratung, Gutschein-Angebot im Kundenportal. Erst bei weiter steigendem Score wird der Kunde an den Retention-Spezialisten eskaliert.

Wirksamkeitsmessung: Das System verfolgt, welche Kunden nach der Intervention geblieben sind. Diese Rückmeldung verbessert das Modell und die Interventions-Timing-Entscheidung quartalsweise.

Datenschutz und Datenhaltung

Churn-Prediction-Modelle verarbeiten personenbezogene Daten: Kundenidentität, Verbrauchshistorie, Zahlungsverhalten, Kontakthistorie. Das ist klassisches CRM-Daten-Gebiet, die DSGVO gilt vollumfänglich. Ein Auftragsverarbeitungsvertrag mit jedem Tool-Anbieter, der diese Daten verarbeitet, ist Pflicht.

Besonders relevant: Automatisierte Entscheidungen auf Basis von Scoring-Modellen können unter Art. 22 DSGVO fallen, wenn sie erhebliche Auswirkungen auf Personen haben. Eine automatisierte E-Mail auf Basis eines Churn-Scores fällt nicht darunter, ein automatisierter Vertrags-Downgrade ohne Kenntnis des Betroffenen schon. Aber die E-Mail ist Werbung: Gegen Profiling zu Werbezwecken können Kunden nach Art. 21 Abs. 2 DSGVO jederzeit widersprechen, und Bestandskunden darfst du per E-Mail nur unter den Bedingungen des § 7 Abs. 3 UWG anschreiben.

Noch strenger ist das Telefon: Ein Anruf mit Tarifangebot bei Verbrauchern ist Telefonwerbung und braucht nach § 7 Abs. 2 UWG deren vorherige ausdrückliche Einwilligung, die du dokumentieren musst. Ein Anruf, der nur eine offene Beschwerde löst, ist Service. Vermisch beides nicht: Beschwerde am Telefon lösen, Angebot schriftlich, es sei denn, die Einwilligung liegt vor.

Empfehlung: Transparenz in der Kundenkommunikation, keine versteckten Scoring-Systeme. Der Kunde muss das Recht haben, eine menschliche Überprüfung zu verlangen (Art. 22 Abs. 3 DSGVO). Bei reaktiven Angeboten ist das datenschutzrechtlich unkompliziert, aber vor dem Rollout sollte der Datenschutzbeauftragte einbezogen werden.

EU-Hosting für Kundendaten ist keine gesetzliche Pflicht, aber Standard-Erwartung in der deutschen Energiebranche. Tools wie Brevo (EU) und CRM-Systeme mit EU-Rechenzentrum sind die sichere Wahl.

Konkrete Werkzeuge, was wann passt

Salesforce Energy & Utilities Cloud , Branchen-CRM für Versorger, kombiniert Kundendaten, Verbrauchshistorie und Interaktionsdaten in einem System. Preise der Industry Cloud nur auf Anfrage; die Standard-Editionen liegen laut unserer Toolseite bei 25–550 Euro je Nutzer und Monat, Hosting laut Toolseite in den USA, EU-Region vertraglich klären. Gut für Versorger mit 500.000+ Kunden.

HubSpot , Für kleinere Stadtwerke ohne Enterprise-CRM: HubSpot ermöglicht Lifecycle-Marketing-Automatisierung auf Basis von Kundensegmenten. Churn-Scoring über externe ML-Integration oder einfache regelbasierte Scores. Volle Workflow-Automatisierung erst im Professional-Plan: laut unserer Toolseite 90 Euro je Lizenz und Monat bei Jahreszahlung plus Pflicht-Onboarding, dessen Betrag HubSpot erst im Angebot nennt. Gut für 10.000 bis 100.000 Kunden.

Tableau , Für die Visualisierung von Churn-Risikosegmenten und Retention-KPIs: Interaktive Dashboards für den Kundenservice, die gefährdete Kunden nach Priorität zeigen. Laut unserer Toolseite ab 15 USD je Viewer und Monat, Creator-Lizenzen für den Dashboard-Bau nur auf Anfrage.

Azure ML + Python , Für Stadtwerke mit eigenem Data-Science-Team: Churn-Modell auf historischen Wechseldaten trainiert, tages-aktuell scoring, Ergebnisse in CRM übertragen. Entwicklungsaufwand: 2 bis 4 Monate. Höchste Kontrolle über Modell und Daten.

Brevo , Als Kampagnen-Plattform für automatisierte Retention-E-Mails: Segmentierte E-Mail-Sequenzen basierend auf CRM-Segmenten, EU-Datenhosting. Marketing-Automatisierung ohne Kontaktlimit laut unserer Toolseite ab dem Standard-Plan: 15 Euro/Monat gelten für 5.000 E-Mails und 500 Kontakte, für Sequenzen an mehrere tausend Kunden braucht es mindestens das Paket mit 20.000 E-Mails für 55 Euro/Monat.

Make.com , Als Automatisierungsschicht: Churn-Scores aus dem ML-Modell in CRM schreiben, Retention-Workflows auslösen, Eskalations-Alerts an Kundenberater senden.

Wann welcher Ansatz:

• Kleines Stadtwerk (< 50.000 Kunden), kein Enterprise-CRM → HubSpot + regelbasiertes Scoring + Brevo
• Mittelgroßer Versorger mit Data-Science-Kapazität → Azure ML + CRM-Integration + Make.com
• Großer Versorger mit Salesforce-Backbone → Salesforce Energy & Utilities Cloud
• Visualisierung und Reporting → Tableau als Ergänzung zu jedem Ansatz

Was es kostet, realistisch gerechnet

Einstieg (regelbasiertes Churn-Scoring + HubSpot, kleines Stadtwerk)

• HubSpot Professional: 90 Euro je Lizenz und Monat bei Jahreszahlung, drei Lizenzen also 270 Euro, plus Pflicht-Onboarding mit Betrag nur im Angebot (laut unserer Toolseite); wer nur einfache Sequenzen braucht, kommt mit Brevo Standard deutlich günstiger hin, mit 20.000 E-Mails im Monat für 55 Euro/Monat
• Einfaches Scoring auf Vertragslaufzeit + Verbrauchsänderung: 2 bis 4 Wochen Einrichtung
• Ergebnis: Erste priorisierte Retention-Aktionen; wie viel Churn sie verhindern, zeigt nur eine Kontrollgruppe

Skaliert (ML-Churn-Modell + Salesforce, mittelgroßer Versorger)

• Entwicklung ML-Modell: 80.000 bis 200.000 Euro einmalig
• Salesforce-Lizenz: Industry Cloud auf Anfrage, Standard-Editionen 25–550 Euro/Nutzer/Monat
• Ergebnis: Tages-aktuelles Churn-Scoring für alle Kunden, automatisierte Retention-Workflows

ROI-Beispiel: Stadtwerk mit 100.000 Haushaltskunden, jährliche Churn-Rate 5 Prozent (5.000 Kunden). Eine frühere Fassung rechnete: 1.000 Kunden gehalten × 1.200 Euro Umsatz = 1,2 Millionen Euro, gegen 150.000 Euro Systemkosten, ROI 8:1. Darin steckten zwei Fehler: Erkannt ist nicht gehalten, und Umsatz ist nicht Marge.

Nachgerechnet mit den Zahlen dieser Seite:

• Erkannt: 20–35 % von 5.000 = 1.000–1.750 spätere Wechsler.
• Gehalten: davon 20–35 % = 200–610 Kunden.
• Wert je gehaltenem Kunden: eingesparte Neukundenakquise, 80–150 Euro, zusammen 16.000–90.000 Euro im Jahr.
• Kontaktkosten: Die Liste enthält auch Kunden, die gar nicht gewechselt hätten. Angenommen, jeder zweite Kontaktierte wäre gewechselt: 2.000–3.500 Kontakte × 5–20 Euro = 10.000–70.000 Euro, dazu Gutschriften für die Gebliebenen.
• Systemkosten: 80.000–200.000 Euro Einrichtung, laufend 1.000–3.000 Euro im Monat, also 12.000–36.000 Euro im Jahr.
• Ergebnis: Im günstigsten Fall bleiben rund 60.000 Euro im Jahr, die Einrichtung ist nach gut einem Jahr bezahlt. Im ungünstigen Fall kostet das Programm mehr, als es spart. Für 100.000 Kunden ist deshalb der regelbasierte Einstieg mit wenigen tausend Euro Kosten die sicherere Wette; ein eigenes ML-Modell lohnt sich erst, wenn eine Kontrollgruppe gezeigt hat, dass die Haltequote am oberen Ende liegt.

Wie du den ROI tatsächlich misst: Kontrollgruppen-Methode: Von den identifizierten High-Risk-Kunden werden 80 Prozent mit Retention-Maßnahmen kontaktiert, 20 Prozent als Kontrollgruppe nicht. Die Churn-Differenz zwischen den Gruppen misst den tatsächlichen Kausaleffekt. Ohne Kontrollgruppe misst du nur, dass viele Kunden im High-Risk-Segment geblieben sind, nicht ob deine Maßnahme dafür verantwortlich war.

Typische Einstiegsfehler

1. Wechseldaten werden nicht historisiert. Das häufigste Problem beim Einstieg: Das Abrechnungssystem speichert aktuelle Verträge, aber gelöschte Wechseldaten aus den Vorjahren sind nicht mehr abrufbar. Ohne historische Wechseldaten kann kein ML-Modell trainiert werden, das Modell braucht gelerntes „Wer hat wann gewechselt, und was hat dieser Kunde vorher getan?”. Lösung: Sofort damit anfangen, Wechseldaten zu archivieren, auch wenn das Modell erst in einem Jahr trainiert wird.

2. Zu viele Kunden gleichzeitig kontaktieren. Der Impuls ist: Alle Kunden mit Churn-Score über 50 bekommen sofort eine E-Mail. In der Praxis führt das dazu, dass Kunden, die eigentlich gar nicht wechselwollten, durch zu häufige Kontaktaufnahme irritiert werden und sich erst recht umschauen. Kontaktfrequenz-Caps einführen: Nicht mehr als ein proaktives Retention-Kontakt pro Quartal pro Kunde.

3. Schlechte Prädiktoren nutzen. Viele Modelle werden primär auf Preissensitivität trainiert, weil das der offensichtlichste Wechselgrund ist. Dabei werden andere Prädiktoren übersehen: Ungelöste Beschwerden (stärkster Prädiktor in vielen Studien), Vertragsende ohne proaktiven Kontakt, keine Interaktion mit Self-Service-Portal. Wie viele Wechsler ein reines Preismodell übersieht, zeigt der Vergleich mit deinen historischen Wechseldaten: Wie viele hatten eine offene Beschwerde, aber keine Preiserhöhung?

4. Modell wird trainiert, aber nicht gepflegt. Das Modell lernt aus historischen Daten. Aber der Energiemarkt verändert sich: Neue Wettbewerber, veränderte Preisniveaus, neue Tarifprodukte. Ein Modell, das 2022 auf der Energiekrise-Wechselwelle trainiert wurde, hat andere Muster als ein Modell von 2025. Quartalsweises Retraining auf aktuellen Daten ist Pflicht, nicht optionaler Aufwand.

Was mit der Einführung wirklich passiert, und was nicht

Das Churn-Modell ist nach 3 Monaten Entwicklung fertig. Es liefert Scores. Und dann passiert oft: nichts.

Das Modell ist ein Datenstrom, es produziert täglich Tausende von Scores. Der Kundenservice hat aber keinen klaren Prozess, wie damit umzugehen ist. Wer ruft bei einem Score von 75 an? Wer ist zuständig, wenn der Score von 75 auf 85 steigt und der Kunde immer noch nicht kontaktiert wurde?

Was wirklich hilft:

• Vor dem Go-Live Retention-Prozesse definieren: Was passiert bei Schwellenwert X? Welche Person ist verantwortlich? Welches CRM-Feld zeigt das an?
• Pilot mit einer kleinen Kundengruppe (500 bis 1.000 High-Risk-Kunden), Qualität des Prozesses testen, bevor skaliert wird
• Kundenberater schulen: Was bedeutet ein Churn-Score? Welche Gesprächseinstiege funktionieren? Was ist das Angebot?

Das Modell ist das Einfache. Der Prozess ist das Schwierige.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wenn wir jeden gefährdeten Kunden ansprechen, fühlen die sich überwacht.” Das Gegenteil ist richtig: Kunden, die ein passendes Angebot zum richtigen Zeitpunkt bekommen, erleben das als guten Service. Entscheidend ist die Formulierung, „Wir wollen sicherstellen, dass du den besten Tarif für dich hast” wirkt als Fürsorge, nicht als Überwachung. Was als aufdringlich wahrgenommen wird, ist zu häufiger undifferenzierter Kontakt, nicht der eine gezielte proaktive Anruf.

„Unsere Kunden wechseln wegen des Preises, da hilft keine KI.” Preis ist der häufigste genannte Grund. Aber nicht jeder Wechsler hat sich fest entschieden, manche hätte ein rechtzeitiger Kontakt oder ein geringfügig verbessertes Angebot gehalten. Wie viele, ist nicht belegt; die Rechnung oben geht von 4 bis 12 Prozent aller Wechsler aus, nicht von einem Drittel. Ob sich das für dich rechnet, zeigt eine Kontrollgruppe.

„Wir haben zu wenig Wechsel pro Jahr für ein verlässliches Modell.” Bei einer Churn-Rate von 3 bis 5 Prozent und 50.000 Kunden entstehen 1.500 bis 2.500 Wechsel pro Jahr, genug für ein valides ML-Modell. Kleinere Versorger können mit regelbasierten Ansätzen starten: Kunden im letzten Monat der Mindestlaufzeit + sinkender Verbrauch + keine Interaktion in 6 Monaten = Proaktivkontakt. Das ist kein ML, aber der erste sinnvolle Schritt.

Woran du merkst, dass das zu dir passt

• Deine Churn-Rate liegt über 3 Prozent jährlich und du siehst die Wechsel erst, wenn der Auftrag eingegangen ist
• Du hast 2+ Jahre Wechselhistorie in deinen Systemen, ohne diese Datenbasis ist ML-Training nicht sinnvoll
• Deine Neukundenakquise-Kosten übersteigen 80 Euro, erst dann ist proaktive Retention überhaupt einen Versuch wert, und auch dann nur mit Kontrollgruppe

Wer noch nicht soweit ist:

• Weniger als 10.000 Kunden: ML-Modelle brauchen eine Mindestanzahl historischer Wechselereignisse, unter 10.000 Kunden ist ein regelbasierter Ansatz (Vertragslaufzeit + Beschwerde-Flag) effizienter
• Keine strukturierten historischen Wechseldaten: Ohne Datenbasis kein Modell. Sofort damit anfangen, Wechselereignisse zu archivieren, das kostet nichts außer Disziplin
• Kein funktionierendes CRM: Ein Churn-Modell, das Scores produziert, die nirgendwo sichtbar sind und keinen Workflow auslösen, ist nutzlos. Zuerst CRM-Grundlage schaffen

Das kannst du heute noch tun

Exportiere die Wechselaufträge der letzten 24 Monate aus deinem System. Schau dir die 50 Kunden mit dem höchsten Jahresumsatz an, die gewechselt haben: Gab es eine ungelöste Beschwerde? Wann war der letzte Kontakt? Wann lief der Vertrag aus? Dieses manuelle Muster-Screening für 50 Kunden kostet 2 Stunden, und liefert die ersten Prädiktoren für ein späteres Modell.

Quellen & Methodik

• Kreutzer Consulting / Verivox Energiemarktreport 2026: Strategischer Fokus auf Kundenbindung nach Wechselboni-Phase, kreutzer-consulting.com
• BDEW Statistik (2024): Jährliche Wechselraten im deutschen Energiemarkt (4+ Mio. Haushaltskunden/Jahr)
• KPMG Customer Insights Hub (2025): Energy Service Portfolio 2030, Retention als strategischer Differenziator
• ROI-Berechnung: eigene Rechnung auf den Annahmen dieser Seite (Erkennungs- und Haltequote, Akquisekosten, Kontaktkosten); die Quoten sind nicht unabhängig belegt, eine Kontrollgruppe misst sie für dich.
• Recht: § 7 UWG (Telefon- und E-Mail-Werbung), Art. 21 und 22 DSGVO; 14 Tage Widerrufsfrist bei Fernabsatzverträgen (§ 355 BGB).
• Toolpreise: HubSpot, Tableau, Brevo und Salesforce laut unseren Toolseiten.