KI-basierte Kundensegmentierung und Churn-Prävention

Das echte Ausmaß des Problems

Der deutsche Energiemarkt ist seit 1998 liberalisiert — und die Wechselquote steigt seitdem kontinuierlich. Laut Statista-Daten wechselten 2023 rund 12 Prozent aller Haushaltskunden ihren Stromversorger, die kumulative Wechselquote seit der Liberalisierung liegt bei fast 50 Prozent. Für einen mittelgroßen Energieversorger mit 100.000 Verträgen bedeutet das bis zu 12.000 Abgänge pro Jahr — die mit Neukundenkampagnen ersetzt werden müssen, die pro Haushalt oft das Dreifache der Retention-Kosten verschlingen.

Was viele Vertriebsverantwortliche unterschätzt: 41 Prozent der Kündigungen sind laut Branchenanalysen nicht primär preisgetrieben, sondern auf vermeidbare Faktoren zurückzuführen — schlechte Kommunikation bei Preiserhöhungen, ungelöste Serviceprobleme, fehlende Reaktion auf Tarifwechselwunsch. Diese Kunden hätten gehalten werden können. Das setzt voraus, dass man weiß, wer sie sind, bevor sie die Kündigung schicken.

Das klassische Problem: Kundendaten liegen verteilt in Abrechnungssystem, CRM, Callcenter-Protokollen und Smart-Meter-Aggregaten — ohne gemeinsamen Blick auf den Kunden. Wer erhöhten Stromverbrauch im letzten Quartal hatte, bei der Jahresrechnung angerufen und die letzte Preismitteilung nicht geöffnet hat, sendet klare Signale. Ohne ein Modell, das diese Signale systematisch auswertet, landen sie im Rauschen.

Erschwerend kommt hinzu: Reaktive Retention ist teuer und oft wirkungslos. Wer sich bei der Kündigung meldet, hat den Kunden im besten Fall für sechs Monate gebunden — zu einem Sonderkonditionen-Preis, der die Marge kostet. Präventive Retention, die drei bis sechs Monate vor der wahrscheinlichen Kündigung einsetzt, ist deutlich günstiger und effektiver. Dafür braucht man ein Modell.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswert aus Retention-Kampagnen mit Machine-Learning-Segmentierung; variiert je nach Angebotsqualität und Kanal. ² Datasolut/Green Planet Energy Projekt 2023: XGBoost-Modell auf Azure Databricks, 9,1-facher Lift in der Top-1-%-Gruppe.

Der entscheidende Unterschied liegt nicht im Retention-Budget selbst — das bleibt gleich. Der Unterschied liegt darin, wohin es fließt. Ein Massenmail an alle Kunden mit ungeöffneten Rechnungen spricht viele an, die gar nicht wechseln wollten. Ein Modell identifiziert die Kunden, die tatsächlich im Begriff sind zu gehen, und erlaubt personalisierte Ansprache: der Stammkunde bekommt einen Treueloyalitäts-Anreiz, der Preissensitive einen günstigeren Tarif, der Serviceverdrußte einen proaktiven Anruf.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Das Modell automatisiert die tägliche Entscheidung, welche Kunden in Retention-Flows kommen — das spart dem Vertriebsteam manuelle Auswertungsarbeit. Aber das ist nicht der primäre Wert. Der liegt in den Kosteneinsparungen, nicht in Zeitersparnis. Anders als bei Meeting-Protokollen oder Textverarbeitung gibt es hier keine tägliche manuelle Aufgabe, die wegfällt. Das Vertriebsteam bearbeitet dieselben Retention-Kontakte — nur treffsicherer. Deshalb niedrig.

Kosteneinsparung — hoch (5/5) Das ist der stärkste Hebel im gesamten Portfolio. Ein verhindeter Anbieterwechsel rettet 150–400 Euro Customer Lifetime Value — und spart die Neukundenakquisitionskosten, die drei- bis viermal so hoch sind wie die Retention. Bei 100.000 Kunden und einer Churnreduktion um 15 Prozent entspricht das 1.800 gesicherten Verträgen pro Jahr, multipliziert mit dem Durchschnitts-CLV. Kein anderer Use Case in dieser Kategorie erzeugt bei gleicher Systemkomplexität so direkten Umsatzschutz.

Schnelle Umsetzung — niedrig (2/5) 6–12 Monate ist realistisch — nicht wegen der Algorithmen, sondern wegen der Datenvorbereitung. Abrechnungssystem, CRM und Callcenter-Protokolle müssen zusammengeführt werden, historische Abgangsdaten als Trainingsgrundlage bereinigt, und die CRM-Integration für automatisierte Kampagnensteuerung gebaut werden. Das ist handwerklich solide Arbeit, aber nicht schnell. Energieversorger, die noch kein zentrales CRM betreiben, brauchen eher 12–18 Monate. Damit liegt dieser Use Case am unteren Ende der Branche für Schnelligkeit.

ROI-Sicherheit — hoch (4/5) Wer A/B-Tests einsetzt — Hochrisiko-Gruppe mit Retention-Maßnahme vs. Kontrollgruppe ohne —, hat binnen zwei Quartalen ein klares Bild. Die Abwanderungsrate beider Gruppen ist direkt vergleichbar; die Differenz multipliziert mit dem CLV ergibt den Retention-Wert. Das macht diesen Use Case messbar wie kaum einen anderen in der Branche. Einen Punkt Abzug, weil das Modell bei plötzlichen Marktveränderungen (Strompreisschock, neuer Günstiganbieter) schnell an Vorhersagequalität verliert — dazu mehr im Abschnitt unten.

Skalierbarkeit — hoch (5/5) Das ist der andere strukturelle Vorteil: Einmal implementiert, läuft das Modell für 10.000 oder 1.000.000 Kunden ohne proportional steigende Betriebskosten. Die Compute-Kosten für tägliche Batch-Scoring-Runs sind vernachlässigbar verglichen mit dem Personalaufwand einer manuellen Selektion. Kleine Stadtwerke und große Regionalversorger profitieren vom gleichen System — nur mit unterschiedlichen Kundenzahlen als Input.

Richtwerte — stark abhängig von Unternehmensgröße, CRM-Reifegrad und Datenbasis.

Was das System konkret macht

Die technische Grundlage sind Machine Learning-Klassifikatoren — in der Praxis meist Gradient-Boosting-Modelle wie XGBoost oder LightGBM. Das Prinzip: Das System lernt aus historischen Daten, welche Kombination von Merkmalen bei Kunden, die in der Vergangenheit gewechselt haben, typischerweise kurz vor der Kündigung vorlagen. Diese Muster werden dann täglich auf alle aktiven Kunden angewendet.

Was in das Modell einfließt — typische Features:

• Abrechnungsdaten: Zahlungsverzögerungen in den letzten 12 Monaten, Mahnungen, Rücklastschriften
• Verbrauchsdaten: Abweichung vom Vorjahresverbrauch, Sprünge im Profil
• Tarifhistorie: Laufzeit des aktuellen Tarifs, Anzahl der Tarifwechsel
• Kontakthistorie: Eingehende Anrufe im Callcenter, Themen und Eskalationsstufen
• Digitales Verhalten: Öffnungsraten der E-Mails, App-Login-Frequenz, Selbstservice-Nutzung
• Externe Signale: Wettbewerbs-Preisindex für die PLZ, Marktdurchdringung von Vergleichsportalen

Ein gut trainiertes Modell berechnet täglich für jeden Kunden einen Churn-Score zwischen 0 und 1. Kunden über einem konfigurierten Schwellenwert — etwa 0,65 — werden automatisch in Retention-Workflows eingesteuert: personalisierte E-Mail-Kampagne, Callcenter-Priorisierung oder Aussteuerung eines Tarif-Upgrade-Angebots per Post.

Was das System nicht macht: Es trifft keine autonomen Kundenkommunikations-Entscheidungen und sendet keine Angebote ohne menschliche Freigabe, wenn das von euch so konfiguriert wird. Das Modell ist ein Frühwarnsystem, das die Entscheidung, wie auf das Signal zu reagieren ist, beim Vertriebsteam lässt. Bei größeren Energieversorgern mit vollständiger CRM-Automatisierung können Retention-Flows auch vollautomatisch ablaufen — aber das ist eine bewusste Gestaltungsentscheidung, keine Voraussetzung.

Das Hamburger Ökostromanbieter-Projekt mit Datasolut (2023) zeigt, was in der Praxis erreichbar ist: Ein auf 10-Jahres-Daten trainiertes XGBoost-Modell auf Azure Databricks, das die Kündigungswahrscheinlichkeit für die nächsten zwei Monate berechnet. In der vom Modell ermittelten Top-1-%-Gruppe befanden sich mehr als neunmal so viele tatsächliche Kündiger wie in einer zufälligen Stichprobe — der ROC-Wert lag bei 0,7. Das Projekt wurde in sechs Wochen lieferbar und im Budget abgeschlossen.

Konkrete Werkzeuge — was wann passt

Es gibt keinen einheitlichen Tech-Stack für Churn-Prävention. Die richtige Auswahl hängt davon ab, wo die Kundendaten heute liegen und wie viel ML-Kompetenz intern vorhanden ist.

Azure Machine Learning mit AutoML — Für Energieversorger, die bereits in der Microsoft-Welt leben (SAP + Azure, oder M365 im Einsatz), ist das der naheliegendste Einstieg. Azure ML AutoML probiert mehrere Algorithmen automatisch durch und liefert ein Baseline-Modell ohne tiefes Data-Science-Know-how. EU-Datenhaltung ist in der Region Germany West Central verfügbar. Kosten: variabel nach Compute-Verbrauch, typisch 500–2.000 Euro/Monat für produktive Batch-Scoring-Pipelines.

Databricks mit MLflow — Der Stack, den Datasolut für das Green Planet Energy Projekt eingesetzt hat. Databricks bietet über Lakehouse Federation eine einheitliche Sicht auf verteilte Datenquellen (SQL-Datenbanken, CRM-Exports, Smart-Meter-Aggregate). MLflow übernimmt das Experiment-Tracking und die Model Registry — wichtig für Governance und Reproduzierbarkeit. Geeignet für Energieversorger ab etwa 50.000 Verträgen mit eigenem Data-Engineering-Team. EU-Region in Frankfurt verfügbar.

HubSpot als CRM-Kampagnensteuerung — Für kleinere bis mittlere Energieversorger (bis ca. 50.000 Kunden), die noch kein dediziertes CRM-System haben, ist HubSpot eine pragmatische Wahl für den Retention-Workflow. Das ML-Modell kann die Churn-Scores via API in HubSpot-Kontakte zurückschreiben, woraufhin automatisierte Sequenzen auslösen. HubSpot bietet deutschsprachige Oberfläche und deutschen Support. Marketing Hub Professional ab 890 USD/Monat (Jahresplan) — nicht günstig, aber integriert Kampagnensteuerung und CRM in einem System.

Salesforce Energy & Utilities Cloud mit Einstein AI — Für Energieversorger, die Salesforce bereits als CRM nutzen, ist Einstein AI das natürliche Upgrade. Einstein liefert propensity-basierte Scores direkt im CRM-UI, die Vertriebsmitarbeitenden zeigen, mit welchen Kunden Kontakt aufgenommen werden sollte. Die Energy & Utilities Cloud bietet Energieversorger-spezifische Datenmodelle. Enterprise-Pricing auf Anfrage — typisch für mittelgroße Versorger (50.000–200.000 Kunden) ab 80.000–150.000 Euro/Jahr inklusive Implementierung.

Wann welcher Ansatz:

• Keine eigene Data-Science-Kompetenz, Microsoft-Umfeld → Azure Machine Learning AutoML
• Eigenes Data-Engineering-Team, skalierungsorientiert → Databricks + MLflow
• Kleiner Versorger, kein CRM vorhanden → HubSpot als All-in-one-Einstieg
• Salesforce bereits im Einsatz → Einstein AI nachrüsten

Die wichtigste Entscheidung ist nicht die des ML-Tools, sondern die des CRM-Kanals: Wo laufen die Retention-Maßnahmen automatisch an? Ohne diese Downstream-Verbindung ist das Modell ein Dashboard ohne Wirkung.

Datenschutz und Datenhaltung

Churn-Scoring ist Profiling im Sinne der DSGVO — konkret: du erstellst automatisiert individuelle Kundenprofile auf Basis von Verhaltensmerkmalen, um Vorhersagen über zukünftiges Verhalten zu treffen. Das unterliegt mehreren datenschutzrechtlichen Anforderungen, die vor dem Produktivbetrieb geregelt sein müssen.

Art. 6 DSGVO — Rechtsgrundlage: Churn-Scoring für interne Retention-Zwecke wird typischerweise auf das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO gestützt. Voraussetzung: eine dokumentierte Interessenabwägung, die zeigt, dass das Unternehmensinteresse an Kundenbindung die Datenschutzinteressen der betroffenen Kunden überwiegt. Das ist in der Regel begründbar — aber nicht automatisch gegeben, wenn die Profiling-Ergebnisse etwa für Zugangsbeschränkungen (Tarif-Sperrung) genutzt werden.

Art. 22 DSGVO — Automatisierte Einzelentscheidungen: Wenn das Modell vollautomatisch entscheidet, welcher Tarif einem Kunden angeboten oder entzogen wird, ohne menschliche Prüfung, kann Art. 22 greifen. Dann braucht ihr entweder ausdrückliche Einwilligung oder eine gesetzliche Grundlage. In der Praxis lösen die meisten Energieversorger das pragmatisch: Das Modell segmentiert, ein Mitarbeitender trifft die finale Entscheidung über das Angebot. Damit bleibt die menschliche Kontrolle erhalten und Art. 22 ist nicht einschlägig.

Art. 13/14 DSGVO — Transparenz: Kunden müssen in der Datenschutzerklärung darüber informiert werden, dass ihre Daten für Profiling-Zwecke genutzt werden, welche Kategorien von Daten das betrifft und zu welchem Zweck. Das ist kein operativer Aufwand, muss aber vor dem Launch aktualisiert sein.

EU-konforme Datenhaltung per Tool:

• Azure Machine Learning (Germany West Central / Frankfurt): EU-Datenhaltung, AVV standardmäßig erhältlich
• Databricks (Frankfurt-Region): EU-konforme Verarbeitung, AVV mit Databricks möglich
• HubSpot: Primär US-Hosting, EU-Option verfügbar auf Anfrage; AVV erhältlich, aber Verarbeitung standardmäßig nicht in der EU
• Salesforce: US-Hosting Standard, EU-Option auf Anfrage, teurer

Für Energieversorger, die unter Kommunalrecht oder strengen behördlichen Datenschutzvorgaben stehen, empfiehlt sich eine eigengehostete Lösung oder explizit EU-zertifizierter Cloud-Betrieb. Klärt das vor der Toolauswahl, nicht danach.

Was es kostet — realistisch gerechnet

Einmalige Implementierungskosten

• Datenprojekt (Quellen zusammenführen, bereinigen, Feature-Engineering): 4–12 Wochen Aufwand, intern oder extern. Bei externer Unterstützung 20.000–60.000 Euro, abhängig von Datenkomplexität und vorhandener Infrastruktur
• CRM-Integration für automatisierte Workflows: 5.000–20.000 Euro, je nach CRM-System und Automatisierungstiefe
• Pilottesting und Kalibrierung (A/B-Test-Design, Schwellenwerte): 2–4 Wochen intern

Laufende Kosten (monatlich)

• Azure Machine Learning Compute für tägliches Batch-Scoring: 200–800 Euro/Monat (je nach Kundenstamm)
• Databricks (wenn genutzt): 500–2.000 Euro/Monat
• HubSpot Marketing Hub Professional: ab 890 USD/Monat (Jahresplan)
• Interner Aufwand für Modell-Monitoring und Pflege: 0,5–1 Tag pro Woche

ROI-Kalkulation — konservatives Szenario

Ein Energieversorger mit 80.000 Haushaltskunden, 10 Prozent jährlicher Churnrate (8.000 Abgänge) und einem durchschnittlichen CLV von 220 Euro pro Haushalt verliert jährlich 1,76 Millionen Euro an abgewanderten Kunden.

Eine Churnreduktion um 20 Prozent bedeutet 1.600 gerettete Verträge pro Jahr — das entspricht 352.000 Euro gesichertem CLV. Die Implementierungskosten von 40.000–80.000 Euro amortisieren sich im ersten Jahr; danach sind die laufenden Kosten (1.500–4.000 Euro/Monat) dem CLV-Schutz gegenüberzustellen.

Das ist eine Orientierungsrechnung. Der tatsächliche Effekt hängt davon ab, wie hoch die Conversion der Retention-Kampagnen ist — in der Praxis oft 15–35 Prozent bei gut segmentierten Hochrisiko-Gruppen.

Wie du den ROI tatsächlich misst: Nicht über die Schätzrechnung, sondern über den A/B-Test. Teile die Top-20-Prozent deiner Hochrisiko-Kunden zufällig in zwei Gruppen: eine erhält Retention-Maßnahmen, die andere nicht. Nach einem Quartal vergleichst du die Abwanderungsrate. Die Differenz multipliziert mit dem CLV ist dein messbarer Retention-Wert — nicht Theorie, sondern beobachtete Zahl.

Wenn das Modell das Falsche gelernt hat

Das ist der Aspekt, der in Projektberichten regelmäßig unterschätzt wird und später für Frustration sorgt: Churn-Modelle veralten schneller als die meisten ML-Anwendungen — weil der Energiemarkt dynamisch ist.

Ein Gradient-Boosting-Modell, das auf Daten von 2021–2022 trainiert wurde, hat gelernt, dass hoher Gasverbrauch im Winter ein gutes Bindezeichen ist — damals stabile Anbieter, kaum Wechselanreize. Dann kommt die Energiekrise 2022/2023 mit Preisschocks und massiven Wechselwellen: Plötzlich wechseln Kunden, die vorher nie gewechselt hätten, und die Muster, die das Modell gelernt hat, sind nicht mehr gültig. Das nennt sich Concept Drift — der Zusammenhang zwischen den Features und dem Zielverhalten verschiebt sich.

Das Data-Science-Team von Green Planet Energy hat das Modell deshalb so konzipiert, dass es monatlich neu trainiert wird und täglich neue Scores berechnet. Das ist eine bewusste Architekturentscheidung, die laufende Infrastruktur- und Data-Engineering-Ressourcen voraussetzt.

Woran du Concept Drift erkennst:

• Die Precision im A/B-Test sinkt über zwei Quartale kontinuierlich
• Die Kundengruppen, die das Modell als Hochrisiko markiert, wandern seltener ab als erwartet
• Ein neuer Billiganbieter in eurer Region führt zu einem Wechselschub in Kundensegmenten, die das Modell als sicher eingestuft hat

Was dann zu tun ist:

• Modell auf neuen Daten (letzte 12–18 Monate) retrain — mindestens quartalsweise, bei Marktereignissen sofort
• Feature-Set erweitern: externe Preisvergleich-Daten als Signal importieren
• Threshold-Kalibrierung überprüfen: Bei steigender Gesamtchurnrate muss der Entscheidungsschwellenwert angepasst werden

Der schlechteste Zustand ist ein Modell, das keine Updates bekommt und dabei weiterhin selbstbewusst Hochrisiko-Scores ausgibt. Das erzeugt Fehlallokation des Retention-Budgets — und irgendwann verliert das Vertriebsteam das Vertrauen in die Scores und arbeitet wieder nach Bauchgefühl. In einer Nachschau-Analyse aus der Praxis (Prospeo.io, 2025) sank die Precision eines ungewarteten Churn-Modells in der Produktionsumgebung von 85 Prozent auf 18 Prozent — innerhalb von sechs Wochen verließ das Vertriebsteam die KI-Empfehlungen wieder. Nicht wegen eines Modell-Fehlers, sondern wegen fehlender Dateninfrastruktur für Retraining.

Legt deshalb beim Setup fest: Wer verantwortet das monatliche Retraining? Was löst ein außerplanmäßiges Retraining aus? Ohne diese Governance-Entscheidung ist das Modell nach einem Jahr eine stille Kostenstelle.

Typische Einstiegsfehler

1. Mit dem Modell starten, bevor die Datenbasis sauber ist. Das Modell kann nur so gut sein wie die Daten, die es sieht. Wer das Churn-Scoring aufbaut, bevor die Kundendaten aus Abrechnungssystem, CRM und Callcenter in einem konsistenten Format zusammengeführt und bereinigt sind, trainiert ein Modell auf Rauschen. Das Ergebnis: Scores, die nicht besser als Zufall sind, und ein verlorenes Halbjahr. Die Datenaufbereitung — Dubletten zusammenführen, fehlende Werte behandeln, historische Abgangsinformationen korrekt labeln — ist der langwierigste Teil des Projekts und muss vor dem ersten Modelltraining stehen.

2. Kein A/B-Test — stattdessen Vergleich mit “früher”. Ein häufiger Fehler: Das Vertriebsteam vergleicht die Churnrate des laufenden Jahres mit dem Vorjahr und schreibt die Verbesserung dem Modell zu. Aber gleichzeitig haben sich Marktbedingungen, Tarifangebote und Wettbewerbsdynamiken verändert. Ohne eine echte Kontrollgruppe — Hochrisiko-Kunden, die zufällig keine Retention-Maßnahme erhalten — ist die Wirkung des Modells nicht isolierbar. Das ist nicht nur methodisch wichtig, sondern auch für das Vertrauen des Managements in die Investition entscheidend.

3. Den Retention-Flow vergessen. Viele Projekte bauen ein präzises Churn-Modell und übergeben die Scores als CSV-Datei an den Vertrieb — der sie dann manuell abarbeitet. Das Modell ist da, aber die Verbindung zur Handlung fehlt. Ohne automatisierten Retention-Flow (Kampagnen-Trigger, Callcenter-Priorisierung, personalisiertes E-Mail) ist das Modell ein Dashboard ohne Schaltfläche. Die CRM-Integration und die Workflow-Automatisierung sollten von Anfang an Teil des Projektscopes sein — nicht als späteres Upgrade.

4. Das Modell wächst, ohne dass die Schwellenwerte mitgewachsen sind. Churn-Modelle mit festem Threshold von zum Beispiel 0,65 liefern bei steigender allgemeiner Wechselbereitschaft immer mehr “Hochrisiko”-Kunden. Irgendwann werden 30 Prozent aller Kunden als Hochrisiko markiert — das Retention-Budget reicht nicht mehr, die Kampagnen verwässern, und der Business-Case bricht zusammen. Schwellenwerte und Segment-Größen müssen regelmäßig kalibriert werden, nicht einmal beim Projektstart.

Was mit der Einführung wirklich passiert — und was nicht

Das Modell ist das Einfachste. Das Schwierige ist die organisatorische Verankerung — bei einem Use Case, der den Vertriebsprozess grundlegend verändert.

Das erste Reibungsmuster: “Die Scores stimmen nicht.” In den ersten Monaten wundert sich das Vertriebsteam, warum bestimmte Kunden, die es “sicher” eingeschätzt hätte, als Hochrisiko markiert werden — und Kunden, die tatsächlich gegangen sind, vorher niedrige Scores hatten. Das ist normal: Modelle sind keine perfekten Hellseher, sondern statistische Wahrscheinlichkeiten. Ein Score von 0,7 bedeutet nicht “dieser Kunde kündigt”, sondern “in der Gruppe mit diesem Score kündigen circa 70 Prozent — im Vergleich zu 10 Prozent im Gesamtportfolio”. Wer das Modell falsch liest, wird enttäuscht. Schaff deshalb früh ein gemeinsames Verständnis, was ein Score bedeutet — und was nicht.

Das zweite Reibungsmuster: Datenpflege als Folgeproblem. Wenn das Modell im CRM Scores sieht und die Vertriebsmitarbeitenden merken, dass die Score-Qualität von der CRM-Datenpflege abhängt, entsteht plötzlich Eigeninteresse an sauberen Daten. Das ist positiv — aber es bedeutet auch, dass Prozesse zur Datenpflege (Anrufergebnis dokumentieren, Tarifwechselwunsch erfassen) formalisiert werden müssen. Das ist ein Change-Management-Thema, kein IT-Thema.

Was tatsächlich nicht passiert: Das Vertriebsteam wird nicht kleiner. Churn-Prävention macht Arbeit effizienter und treffsicherer, aber sie ersetzt nicht den menschlichen Kontakt in der Retention. Was passiert: Die Arbeit verändert sich — von reaktivem “Kündigung bearbeiten” zu proaktivem “Risikokunden betreuen”. Das ist eine andere Arbeitsweise, die nicht alle sofort annehmen.

Was konkret hilft:

• Shared Dashboard: Vertriebsteam sieht täglich die Top-50-Hochrisiko-Kunden mit den wichtigsten Signalen — kein mysteriöser “KI-Score”, sondern interpretierbare Merkmale (“3 Mal angerufen, Jahresrechnung nicht geöffnet, Tarif 18 Monate alt”)
• Monatliche Retrospektive: Welche Retention-Maßnahmen haben funktioniert, welche nicht? Die besten Erkenntnisse kommen aus dem Vertriebsteam selbst
• Pilot mit 5–10 Mitarbeitenden statt vollständigem Rollout — sammle 90 Tage Erfahrung, bevor du skalierst

Realistischer Zeitplan mit Risikohinweisen

Für Energieversorger ohne eigenes Data-Engineering-Team verlängert sich die Datenprojektphase auf 4–6 Monate. In diesem Fall ist es sinnvoller, die ersten drei Monate mit einem externen Data-Science-Partner zu arbeiten, als intern zu kämpfen.

Häufige Einwände — und was dahintersteckt

„Unsere Kunden wechseln wegen des Preises — das kann kein Modell lösen.” Stimmt — wenn der günstigste Wettbewerber 40 Prozent billiger ist, kann kein Retention-Programm dauerhaft dagegen halten. Aber laut Branchenanalysen sind 41 Prozent der Wechsel nicht primär preisgetrieben. Das sind Kunden, die bei vergleichbaren Konditionen trotzdem wechseln — wegen schlechter Kommunikation, ungelöster Serviceprobleme oder fehlender Wertschätzung. Genau diese Kunden sind durch proaktive Retention haltbar. Das Modell hilft zu unterscheiden: Wer ist Preissensitivitäts-Wechsler und wer ist Erfahrungs-Wechsler? Für den ersten gibt es wenig zu tun außer Tarifanpassung. Den zweiten kann man halten.

„Wir haben nicht genug Daten.” Das ist das häufigste erste Bedenken — und oft falsch. Wer seit Jahren Kunden in einem Abrechnungssystem führt, hat Tausende von historischen Abgängen mit Zeitstempel und Kundenprofil. Das ist Trainingsdaten. Die Frage ist nicht, ob Daten existieren, sondern ob sie zugänglich und konsistent sind. Die eigentliche Herausforderung ist die Datenvorbereitung, nicht die Datenmenge.

„Das System trifft automatische Entscheidungen über Kunden — ist das nicht datenschutzrechtlich problematisch?” Nur wenn das System vollautomatisch rechtlich relevante Entscheidungen trifft (Tarifzugang verweigern, Vertrag kündigen). Für Retention-Marketing — also Angebote machen und Kontakt aufnehmen — ist das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO in der Regel eine ausreichende Rechtsgrundlage, vorausgesetzt die Datenschutzerklärung ist aktualisiert. Lasst euren Datenschutzbeauftragten das einmalig freigeben — dann ist das eine Formalität, kein Showstopper.

Woran du merkst, dass das zu dir passt

• Ihr habt mehr als 30.000–50.000 aktive Haushaltskunden — unter dieser Grenze gibt es zu wenig jährliche Abgangereignisse für ein statistisch robustes Modell
• Dein CRM enthält mindestens 2–3 Jahre Abrechnungs- und Kontakthistorie — ohne historische Abgänge als Trainingsdaten gibt es nichts zu lernen
• Eure aktuelle Retention-Strategie ist reaktiv — ihr meldet euch erst nach Kündigung oder sendet Massenmaßnahmen ohne Segmentierung
• Ihr habt zumindest ein CRM, in dem Kampagnen ausgesteuert werden können — ohne den Downstream-Kanal ist das Modell wirkungslos
• Ihr könnt intern oder extern mindestens eine Person mit Data-Science-Hintergrund für 3–6 Monate einsetzen

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter ca. 30.000 aktiven Vertragskonten. Bei kleineren Portfolios gibt es schlicht zu wenige tatsächliche Abgangsereignisse pro Jahr, um ein statistisch robustes Churn-Modell zu trainieren. Ein Modell auf 500 Abgangsfällen zu trainieren führt zu hoher Varianz und unzuverlässigen Scores. Für kleinere Stadtwerke ist segmentiertes Retention-Marketing auf Basis einfacher Regeln (Tarifalter > 18 Monate, kein Selfservice-Login, Callcenter-Kontakt im letzten Quartal) oft effektiver und sofort umsetzbar.

2. Keine strukturierten historischen Daten mit mindestens 2 Jahren Abgangshistorie. Ein Churn-Modell braucht Positiv-Beispiele — also Datensätze von Kunden, die tatsächlich gewechselt haben, mit vollständiger Vorgeschichte. Wenn Abgänge im Abrechnungssystem nicht sauber mit Zeitstempel und Abgangsgrund erfasst sind, oder wenn es Systemwechsel gibt, die die Historienqualität beeinträchtigen, ist das Trainingsdatenproblem zu fundamental für einen direkten KI-Einstieg. Dann lohnt sich zunächst eine Datenqualitätsoffensive.

3. Kein Automatisierungskanal im CRM vorhanden. Wenn die Ausgabe des Modells in einer Excel-Datei endet, die manuell abgearbeitet wird, skaliert der Use Case nicht und der ROI-Vorteil gegenüber manuellem Bauchgefühl ist gering. Ein minimales CRM mit API-Zugang und der Fähigkeit, E-Mail-Sequenzen oder Callcenter-Aufgaben auszulösen, ist Voraussetzung — nicht optionaler Zusatz.

Das kannst du heute noch tun

Bevor du in ein vollständiges ML-Projekt investierst, mach folgendes: Exportiere aus deinem Abrechnungssystem alle Kunden, die in den letzten 24 Monaten gegangen sind, mit drei Merkmalen: Tarifalter zum Zeitpunkt der Kündigung, Anzahl Callcenter-Kontakte in den letzten 6 Monaten vor Kündigung, ob die letzte Jahresrechnung per E-Mail geöffnet wurde.

Dann exportiere dieselben drei Merkmale für alle aktiven Kunden. Vergleiche die Verteilungen. Dieser einfache Vergleich zeigt dir, ob deine historischen Abgänger überhaupt messbar anders aussehen als dein Bestandsportfolio — wenn ja, ist ein Modell sinnvoll. Wenn die Verteilungen identisch sind, ist das Signal-Problem fundamental und Datenpräventionsarbeit kommt zuerst.

Für erste Modellversuche ohne eigene Data-Science-Infrastruktur: Azure Machine Learning AutoML lässt sich mit einem kostenlosen Azure-Trial-Account ausprobieren. 200 Dollar Startguthaben reichen für erste Experimente. Lade die bereinigten Trainingsdaten hoch, definiere “Abgang Ja/Nein” als Zielvariable, und AutoML trainiert mehrere Algorithmen automatisch.

Quellen & Methodik

• Datasolut / Green Planet Energy, Hamburg (2023–2024): Praxisbericht “Churn-Management in der Energiewirtschaft” — XGBoost-Modell auf Azure Databricks, ~150.000 Verträge, 9,1-facher Lift in Top-1-%-Gruppe, ROC 0,7; Lieferung in 6 Wochen. Quelle: datasolut.com/ki-use-cases/churn-management-energiewirtschaft.

• ORAYLIS (ohne Jahreszahl, ca. 2022–2024): Fallstudie “How an energy supplier prevents customer churn” — ML-Modell integriert Callcenter-Feedback, Verbrauchsanomalien und Preisvergleichsportal-Daten; kontinuierliche Selbstoptimierung. Quelle: oraylis.de/en/kundenerfolge/how-an-energy-supplier-prevents-customer-churn.

• Statista — Wechselquote im deutschen Strommarkt: Häufigkeit des Anbieterwechsels von Haushaltskunden in Deutschland; Stand 2023 ca. 12 %. Studie-ID 155532, de.statista.com, Stand 2024.

• Kommunaldigital.de (2023): “Die Welt hinter dem Stromzähler” — 41 Prozent der Kündigungen nicht primär preisgetrieben; wichtige Abwanderungsgründe: ungelöste Serviceprobleme, schlechte Preiskommunikation.

• Prospeo.io / Branchenanalyse (2025): Konzept-Drift-Fallbeispiel: Produktionsmodell fällt von 85 auf 18 Prozent Precision innerhalb von 6 Wochen nach fehlendem Retraining; Vertriebsteam verlässt KI-Empfehlungen. Quelle: prospeo.io/s/churn-prediction.

• ChurnZero Preisangaben: Branchenberichte, ca. 30.000–40.000 USD/Jahr (Jahresplan, 3–10 Nutzer) — Stand April 2026.

• Costangaben Implementierung: Schätzwerte basierend auf vergleichbaren Data-Engineering-Projekten in der Energiewirtschaft (6–12 Wochen Consulting, 2024–2025).

• Art. 6 und Art. 22 DSGVO: Datenschutz-Grundverordnung in der aktuell gültigen Fassung. Rechtliche Einschätzung ohne Gewähr — vor Produktivbetrieb Datenschutzbeauftragten einbeziehen.

Du willst wissen, ob eure Kundendaten für ein Churn-Modell ausreichen, und wie hoch das Retention-Potenzial realistisch ist? Meld dich — das klären wir in einem kurzen Gespräch.