Kundenbindung durch KI-Churn-Prognose

Das echte Ausmaß des Problems

In der Versicherungsbranche ist Kundenakquisition teuer, und wie teuer genau, steht in der eigenen Gewinn- und Verlustrechnung: Abschlussaufwendungen geteilt durch die Zahl der neu gewonnenen Verträge. Diese eine Division ersetzt jeden Branchenwert, weil der Betrag je nach Sparte, Vertriebsweg und Provisionsmodell um ein Vielfaches auseinanderliegt. Was in jedem Fall gilt: Jeder Vertrag, der bleibt, erspart genau diesen Betrag ein zweites Mal, und er erspart ihn sofort.

Die durchschnittliche Jahresstornoquote im deutschen Versicherungsmarkt liegt je nach Sparte zwischen 8 und 18 Prozent. Ein Versicherer mit 100.000 Verträgen verliert jährlich 8.000 bis 18.000 Kunden, ein erheblicher Teil davon wäre durch gezielte Retention-Maßnahmen zu halten gewesen.

Das Problem: Versicherungskündigungen haben Vorläufer. Schwache Signale, die sich Monate vorher abzeichnen: Der Kunde loggt sich seltener ein, ruft häufiger an, reagiert nicht mehr auf Erneuerungsangebote, löscht die App. Diese Signale stecken im System, aber niemand wertet sie systematisch aus. Die Kündigung kommt trotzdem überraschend, obwohl sie sich ankündigte.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Churn-Prognose spart keine Zeit, sie priorisiert Betreuer-Kapazität effizienter. Der Betreuer arbeitet genauso viele Stunden wie vorher, aber an den richtigen Kunden. Das ist Effizienzgewinn, keine Zeitersparnis.

Kosteneinsparung, hoch (4/5) Eine verhinderte Kündigung ist eine vermiedene Neuakquisition, und zwar zu euren eigenen Abschlusskosten je Neuvertrag. Multipliziert mit der Zahl der gehaltenen Verträge ist das der größere Teil des Effekts, größer als das gesicherte Prämienvolumen. Das ist einer der stärksten Kosten-Hebel in dieser Kategorie.

Schnelle Umsetzung, niedrig (2/5) Churn-Modelle erfordern historische Kündigungsdaten mit ausreichend vorhandenen Verhaltenssignalen. Die CRM-Daten müssen strukturiert und vollständig genug sein. Realistische Zeitspanne: 8 bis 12 Wochen bis zum ersten Echtbetrieb, aber nur, wenn die CRM-Daten stimmen. Wenn die Datenqualität erst aufgebaut werden muss, dauert es länger.

ROI-Sicherheit, mittel (3/5) Die Retention-Erfolgsquote ist messbar: Wie viele der kontaktierten Hochrisiko-Kunden haben nicht gekündigt? Das ist auswertbar. Was nicht messbar ist: ob diese Kunden auch ohne Kontakt geblieben wären. Eine Kontrollgruppe ist für saubere ROI-Messung notwendig.

Skalierbarkeit, hoch (4/5) Das Scoring-System skaliert mit dem CRM. Mehr Kunden, mehr Daten, bessere Modelle. Der Engpass ist die Betreuer-Kapazität für proaktive Kontakte, nicht die Technologie.

Richtwerte, stark abhängig von CRM-Datenqualität, Stornoquote und Betreuer-Kapazität.

Was das System konkret macht

Schritt 1, Verhaltens- und Interaktionssignale definieren Das Modell wird auf Basis von Verhaltensdaten trainiert, die das System ohnehin erfasst: Zeitpunkt und Häufigkeit von Kunden-Logins im Portal, Reaktionsrate auf Kommunikation, Häufigkeit und Art von Servicekontakten, Prämienentwicklung, Vertragsänderungen, Schadenhistorie. Diese Signale werden mit historischen Kündigungsdaten verknüpft.

Schritt 2, Scoring-Modell mit Echtzeit-Aktualisierung Das trainierte Modell berechnet für jeden aktiven Versicherungsnehmer täglich oder wöchentlich einen Churn-Score. Kunden über einem definierten Schwellenwert werden als Hochrisiko-Kunden markiert und in eine priorisierte Retention-Pipeline überführt.

Schritt 3, Automatische Retention-Maßnahmen Das System löst auf Basis des Churn-Scores definierte Aktionen aus: proaktive Kontaktaufnahme durch den Betreuer, persönliches Gespräch zum Vertragsstatus, gezieltes Angebot (Prämienreduzierung, Produktupgrade, Treuerabatt). Der Zeitpunkt ist entscheidend: Drei Monate vor der Kündigung ist deutlich wirkungsvoller als eine Woche danach.

Konkrete Werkzeuge, was wann passt

Salesforce mit Einstein AI Mit Einstein AI hat Salesforce native Churn-Prediction-Funktionen. CRM und Scoring sind eng verknüpft: Hochrisiko-Kunden werden automatisch in Retention-Queues einsortiert, Betreuer erhalten priorisierte Aufgabenlisten. Für Enterprise nennt Salesforce keinen Listenpreis mehr; die aktuellen Editionen kosten Core 195 Euro, Advanced 395 Euro und Max mit Agentforce 550 Euro je Nutzer und Monat bei jährlicher Abrechnung.

HubSpot Für mittlere Versicherer und Maklerbüros: HubSpot bietet Predictive Analytics und CRM-Integration. Einfacher einzurichten als Salesforce. Professional kostet laut Plattformpreisliste 90 Euro je Lizenz und Monat bei Jahreszahlung, plus Pflicht-Onboarding, dessen Betrag HubSpot erst im Angebot nennt.

Python (scikit-learn, XGBoost) Für interne Data-Science-Teams: Ein maßgeschneidertes Churn-Modell auf eigenen Versicherungsdaten ist präziser als generische CRM-Tools, aber erfordert Entwicklungsaufwand. Als Einstieg ist scikit-learn mit Random Forest oder XGBoost gut geeignet.

Make.com Für die Automatisierung von Retention-Aktionen: Wenn ein Churn-Score einen Schwellenwert überschreitet, löst Make.com automatisch Betreuer-Alerts, CRM-Aufgaben und Erinnerungsmails aus. Ab 9 Euro/Monat.

Brevo Für E-Mail-gestützte Retention-Kampagnen: Brevo kann segmentierte Retention-E-Mails auf Basis von Churn-Score-Gruppen automatisch versenden. Kostenlos und Starter automatisieren nur für bis zu 2.000 Kontakte, und die kleinen Pakete deckeln die Kontaktzahl (500 Kontakte bei 5.000 E-Mails). Wer die Hochrisiko-Segmente eines Bestands mit Zehntausenden Verträgen anschreibt, braucht den Standard-Plan mit mindestens 20.000 E-Mails, 55 Euro/Monat.

Power BI Für Monitoring und Reporting: Ein Churn-Risiko-Dashboard zeigt dem Management, welche Kundensegmente aktuell erhöhtes Abwanderungsrisiko zeigen. Power BI Pro kostet 12,10 Euro je Nutzer und Monat bei jährlicher Abrechnung, zzgl. MwSt., für jede Person, die das Dashboard ansieht.

Datenschutz und Datenhaltung

DSGVO Art. 6 und Art. 22: Verhaltensdaten aus der Vertragsdurchführung (Login-Aktivität im Kundenportal, Kommunikationshistorie) können auf Basis des berechtigten Interesses nach Art. 6 Abs. 1 lit. f DSGVO für interne Analysezwecke genutzt werden, sofern Kunden informiert werden (Datenschutzerklärung) und eine Interessenabwägung dokumentiert ist.

Art. 22 greift nicht, solange das Churn-Modell nur eine interne Priorisierungsliste für Betreuer erstellt und keine automatische Entscheidung über den Kunden herbeiführt (kein automatisches Kündigen, kein automatisches Vertragsändern).

EU AI Act: Anhang III der KI-Verordnung zählt die Hochrisiko-Bereiche abschließend auf und nennt für die Versicherung genau eine Position: die Risikobewertung und Preisbildung in Bezug auf natürliche Personen bei Lebens- und Krankenversicherungen (Nr. 5 Buchstabe c). Eine Abwanderungsprognose bewertet kein versichertes Risiko und bildet keinen Preis, sie gehört damit nicht dazu, und sie steht auch in keiner der übrigen sieben Kategorien. Wenn das System automatisiert über den Kunden entscheidet, Konditionen ändert oder kündigt, ist das eine Frage von Art. 22 DSGVO, nicht von Anhang III. Was unabhängig von der Risikoklasse gilt: Art. 50 KI-VO regelt seit dem 2. August 2026 die Transparenz, ein Retention-Chatbot muss sich also als KI zu erkennen geben, und Art. 4 verpflichtet Betreiber seit dem 2. Februar 2025, die KI-Kompetenz des eigenen Personals zu unterstützen.

Datenschutzbeauftragter: Die Einführung eines Churn-Scoring-Systems sollte vom Datenschutzbeauftragten geprüft werden, insbesondere hinsichtlich der Verarbeitung von Verhaltensdaten.

Was es kostet, realistisch gerechnet

Einstieg (CRM-gestützte Retention-Alerts):

• HubSpot Professional: 90 Euro je Lizenz und Monat bei Jahreszahlung, mit 3 Lizenzen also 270 Euro, plus einmaliges Pflicht-Onboarding (Betrag nur im Angebot)
• Einrichtungsaufwand: 3–5 Tage
• Erwarteter Effekt: In den bearbeiteten Segmenten sinkt die Stornoquote, die Höhe zeigt erst der Vergleich mit einer unbearbeiteten Kontrollgruppe

Skaliert (ML-Modell + vollständige CRM-Integration):

• Salesforce für 5 Betreuer: Core 5 × 195 = 975 Euro, Advanced 5 × 395 = 1.975 Euro im Monat bei jährlicher Abrechnung (Enterprise ohne Listenpreis), KI-Agenten als Agentforce for Sales ab 125 Euro je Nutzer zusätzlich
• Eigenes ML-Modell: Entwicklungsaufwand 8–16 Wochen Data-Science
• Make.com: 9–29 Euro/Monat
• Erwarteter Effekt: deutlicher in den Hochrisiko-Segmenten, weil dort die Trefferquote des Modells am höchsten ist, ebenfalls nur gegen eine Kontrollgruppe belegbar

ROI-Beispiel: Versicherer mit 50.000 Verträgen, 12 Prozent Jahresstornoquote = 6.000 Kündigungen/Jahr. Wenn 1.000 Kündigungen verhindert werden (bei 16,7 Prozent Retention-Erfolgsquote auf Hochrisiko-Kunden): 1.200 Euro gesicherte Jahresprämie × 1.000 = 1,2 Millionen Euro gesichertes Prämienvolumen. Zwei Einordnungen gehören dazu, sonst führt die Zahl in die Irre. Erstens ist Prämienvolumen kein Ertrag: Was davon bleibt, hängt an der Combined Ratio, bei 97 Prozent sind das 36.000 Euro technische Marge im Jahr. Zweitens kommen die vermiedenen Abschlusskosten hinzu, in Höhe eurer eigenen Abschlussaufwendungen je Neuvertrag und nicht in Höhe eines Branchenwerts. Dieser zweite Posten ist meist der größere.

Vier typische Einstiegsfehler

1. Churn-Modell ohne ausreichende Verhaltensdaten bauen. Ein Churn-Modell, das nur demografische Daten hat (Alter, Region, Vertragsart), ist deutlich weniger präzise als eines mit Verhaltensdaten (Login-Aktivität, Servicekontakte). Wenn das CRM diese Daten nicht strukturiert erfasst, ist der erste Schritt der Datenaufbau, nicht das Modell.

2. Zu aggressive Kontaktaufnahme. Kunden, die als Hochrisiko markiert sind und dann wöchentlich kontaktiert werden, fühlen sich beobachtet, und kündigen schneller. Weniger, aber relevantere Kontakte mit echtem Mehrwert (persönliches Gespräch, konkretes Angebot) sind effektiver als Massenkampagnen.

3. Keine Kontrollgruppe für ROI-Messung. Ohne Kontrollgruppe (Kunden mit hohem Churn-Score, die nicht kontaktiert werden) ist nicht messbar, ob die Retention-Maßnahmen tatsächlich gewirkt haben oder ob diese Kunden ohnehin geblieben wären. Eine saubere Testaufstellung von Anfang an ermöglicht echtes ROI-Lernen.

4. Score als Urteil behandeln. Ein Betreuer, der eine „8/10 Abwanderungsrisiko”-Markierung sieht und denkt „der ist sowieso weg”, wird den Anruf weniger engagiert führen, und dann recht behalten. Der Score sagt, wen du als nächstes anrufst. Nicht, ob du dir Mühe gibst.

Was mit der Einführung wirklich passiert, und was nicht

Das Beziehungs-Argument. Betreuer, die ihre Kunden gut kennen, werden darauf hinweisen, dass sie intuitiv wissen, wer kündigungsgefährdet ist. Das stimmt für die 20 Prozent der Kunden, die aktiv betreut werden. Für die 80 Prozent, die kaum Kontakt haben, stimmt es nicht. KI deckt genau diese systemische Blindzone ab.

Die Reaktions-Selbsttäuschung. Viele Betreuer glauben, dass sie auf Kündigungssignale reagieren. In der Praxis reagieren sie auf die Kündigung, nicht auf das Signal. Der Unterschied: Wenn die Kündigung eingeht, ist die Retention-Erfolgsquote unter 15 Prozent. Wenn drei Monate früher kontaktiert wird: 20 bis 35 Prozent.

Was tatsächlich passiert: Die ersten überzeugenden Momente kommen, wenn ein Betreuer proaktiv einen Kunden anruft, der tatsächlich auf dem Sprung war, und den Vertrag verlängert. Dieses Erlebnis ist wertvoller als jede Schulung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir können den Churn ohnehin nicht verhindern, wenn der Preis beim Wettbewerb 30 Prozent günstiger ist.” Reine Preis-Switcher sind ein Teil der Kündigungen, nicht der größte. Ein erheblicher Anteil geht auf Unzufriedenheit mit dem Service, mangelnde Betreuung oder fehlende wahrgenommene Leistung zurück, und für diese Kunden ist proaktive Retention wirksam. Wie groß der Anteil im eigenen Bestand ist, steht in den Kündigungsgründen der letzten hundert Abgänge, sofern sie erfasst werden. Falls nicht, ist das der erste Schritt vor jedem Modell.

„Unsere Betreuer haben keine Zeit für Retention-Kampagnen.” Retention-Kampagnen ohne Priorisierung sind ineffizient. Mit Churn-Scoring arbeiten Betreuer auf priorisierten Listen: Die Kunden mit dem höchsten Abwanderungsrisiko und dem höchsten Wert kommen zuerst. Das ist effizienterer Einsatz vorhandener Kapazitäten, nicht zusätzliche Arbeit.

Woran du merkst, dass das zu dir passt

• Deine jährliche Stornoquote liegt über 10 Prozent und kostet dich in der Neuakquisition mehr als 500.000 Euro pro Jahr
• Dein CRM erfasst Verhaltensdaten (Login-Aktivität, Servicekontakte, E-Mail-Öffnungen), aber niemand wertet sie systematisch aus
• Deine Betreuer haben aktuell keine strukturierte Methode, welche Kunden proaktiv kontaktiert werden sollten

Wann es sich (noch) nicht lohnt: Wenn deine Stornoquote unter 5 Prozent liegt oder dein Bestand unter 5.000 Verträge umfasst, ist der Modellierungsaufwand kaum gerechtfertigt. Wenn dein CRM keine Verhaltensdaten erfasst, ist der erste Schritt die Datenerfassung, nicht das Churn-Modell.

Das kannst du heute noch tun

Analysiere deine letzten 50 Kündigungen aus dem vergangenen Jahr. Schau dir an, ob in den 6 Monaten vor der Kündigung Signale im CRM vorhanden waren: Servicekontakte, ausbleibende Reaktionen auf Kommunikation, Beschwerden. Wie viele dieser Kündigungen hätten theoretisch erkannt werden können?

Das zeigt dir in 2 Stunden, ob du die Datenbasis für ein Churn-Modell hast.

Quellen & Methodik

• Abschlusskosten je Neuvertrag: Auf dieser Seite steht bewusst kein Branchenwert. Der belastbare Betrag steht in den Abschlussaufwendungen der eigenen Gewinn- und Verlustrechnung, geteilt durch die Zahl der Neuverträge.
• Stornoquoten 8–18 Prozent: GDV Statistisches Taschenbuch 2024, nach Sparten differenziert.
• Retention-Erfolgsquoten (reaktiv vs. proaktiv): Bain & Company, „Customer Loyalty in Insurance”, 2023.
• DSGVO Art. 6 Abs. 1 lit. f: Berechtigtes Interesse als Rechtsgrundlage für interne Verhaltensanalyse.
• DSGVO Art. 22: Automatisierte Einzelentscheidungen. Nicht einschlägig, solange das Modell nur eine interne Priorisierungsliste erzeugt und keine Entscheidung über den Kunden herbeiführt. Eine nur formale Freigabe durch einen Mitarbeiter genügt dafür nicht, die prüfende Person braucht Befugnis, Kompetenz und Zugriff auf die zugrunde liegenden Daten.
• EU-KI-Verordnung (EU) 2024/1689, Anhang III Nummer 5 Buchstabe c: erfasst im Versicherungsbereich ausschließlich die Risikobewertung und Preisbildung bei Lebens- und Krankenversicherungen, nicht die Abwanderungsprognose (artificialintelligenceact.eu/annex/3, abgerufen am 18.09.2026).
• EU-KI-Verordnung, Art. 50: Transparenzpflichten bei KI-Systemen mit Nutzerkontakt, anwendbar seit dem 2. August 2026 (artificialintelligenceact.eu/article/50, abgerufen am 18.09.2026).