KI-gestützte Kündigungsprävention und Retention-Management

Das echte Ausmaß des Problems

In der deutschen Versicherungswirtschaft liegen die Stornoquoten je nach Sparte zwischen 2 und 16 Prozent jährlich. Für Kfz-Versicherungen, die jedes Jahr zum 30. November zum Massengeschäft werden, sind zweistellige Wechselraten in bestimmten Segmenten normal. Laut Gesamtverband der Deutschen Versicherungswirtschaft (GDV) wurden 2023 rund 2,56 Prozent der Lebensversicherungsverträge storniert — ein Wert, der stabil bleibt, aber erhebliche regionale und produktabhängige Streuung hat.

Was GDV-Zahlen nicht sagen: Wie viele dieser Kündigungen wären vermeidbar gewesen? Interne Analysen mittelständischer Versicherer, die mit Churn-Modellen arbeiten, schätzen den vermeidbaren Anteil auf 30 bis 45 Prozent — Kunden, die aus Preisgründen oder wegen wahrgenommener Vernachlässigung gegangen sind, nicht weil ein besseres Produkt sie weggelockt hat.

Das finanzielle Gewicht:

• Ein regionaler Vollsortiment-Versicherer mit 80.000 Verträgen und einer Stornoquote von 5,25 Prozent verliert jedes Jahr rund 4.200 Vertragsbeendigungen
• Bei einer durchschnittlichen Jahresprämie von 860 Euro bedeutet das ein direktes Prämienvolumen von 3,6 Millionen Euro jährlich
• Hinzu kommen Neukundenakquisitionskosten: Branchenberichte (Bain & Company, „Customer Behavior and Loyalty in Insurance”, 2016; aktuelle Marktdaten bestätigen die Größenordnung) gehen davon aus, dass die Gewinnung eines neuen Versicherungskunden fünf- bis siebenmal teurer ist als das Halten eines bestehenden

Der reaktive Ansatz — Last-Minute-Anruf nach Eingang der Kündigung — erreicht in der Praxis eine Rückgewinnungsquote von 10 bis 15 Prozent. Drei Monate früher kontaktiert, bei einem noch nicht festgelegten Kunden: 20 bis 35 Prozent Erfolgsquote (laut Praxisberichten von Versicherern mit proaktivem Retention-Management, quellenmäßig bestätigt durch die Pega/Forrester TEI-Studie 2025 mit 15 Prozent Churn-Reduktion über drei Jahre).

Die eigentliche Frage ist nicht, ob das funktioniert. Die Frage ist: Wer soll die 60-Tage-Warnsignale aus 80.000 Vertragsabrufen herauslesen — und dann was damit tun?

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Retention-Quoten: Erfahrungswerte aus Praxisberichten proaktiver Retention-Programme; die konkrete Bandbreite ist stark von Branche, Produkt und Kontaktqualität abhängig.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Das System spart keine Zeit im klassischen Sinne — es verändert, womit die Zeit verbracht wird. Das Retention-Team arbeitet nicht weniger, aber an den richtigen Kunden, mit dem richtigen Anlass, zur richtigen Zeit. Die Outreach-Flows laufen automatisiert; manuelle Recherche pro Kündigung entfällt. Im direkten Vergleich mit der Schadensmeldungsverarbeitung (5/5) oder Berichterstellung ist der Zeitgewinn kleiner — der Wert liegt woanders.

Kosteneinsparung — maximal (5/5) Dies ist der stärkste Kostenhebel unter den verglichenen Anwendungsfällen. Jede verhinderte Kündigung sichert eine Jahresprämie (im Beispiel 860 Euro) — und vermeidet Neukundenakquisitionskosten, die das Fünf- bis Siebenfache davon betragen. Bei 4.200 Kündigungen jährlich und einer konservativen Prävention von 15 Prozent: 630 gesicherte Verträge, 542.000 Euro erhaltenes Prämienvolumen direkt — plus vermiedene Akquisitionskosten von schätzungsweise 1,5 bis 3,0 Millionen Euro. Keine andere KI-Anwendung in der Versicherung schützt vergleichbar direkt Bestandsvolumen.

Schnelle Umsetzung — gering (2/5) Die Integration des Retention-Modells mit dem Bestandsverwaltungssystem, dem CRM und den Outreach-Kanälen ist kein Wochenendprojekt. Realistisch: 4 bis 8 Monate bis zum ersten produktiven Pilot, davon 2 bis 3 Monate für Datenqualität allein. Wer keine saubere Interaktions-Nachverfolgung im Kundenportal hat, muss das erst aufbauen. Gleich bewertet wie UC10 (Churn-Prognose) — mit dem Unterschied, dass UC20 die zusätzliche Outreach-Infrastruktur integrieren muss.

ROI-Sicherheit — hoch (4/5) Der Unterschied zu UC10 (Churn-Prognose, ROI 3/5): Beim Vorhersagemodell allein ist die Kausalität schwer zu isolieren. Beim vollständigen Action-Layer — automatisierter Outreach mit Dokumentation, welcher Kunde wann was erhalten hat — lässt sich die Retention-Rate direkt messen: Kontaktiert vs. nicht kontaktiert, gehalten vs. abgewandert. Damit wird aus einem indirekten Effekt ein messbares A/B-Signal. Das erhöht die ROI-Sicherheit erheblich.

Skalierbarkeit — hoch (4/5) Das Modell überwacht 80.000 oder 800.000 Verträge mit nahezu identischem Betriebsaufwand. Der Engpass verbleibt beim menschlichen Betreuer für Hochwertkunden — aber für Masse- und Kleinstsegmente läuft der Outreach vollautomatisiert durch. Gleich bewertet wie UC10 wegen des identischen Skalierungsprinzips; nicht 5/5, weil der Personalengpass bei hochpriorisierten Fällen bleibt.

Richtwerte — stark abhängig von Bestandsgröße, CRM-Qualität und verfügbarer Outreach-Infrastruktur.

Was das System konkret macht — die Aktionsschicht

Dieses Kapitel behandelt bewusst einen anderen Aspekt als die KI-Churn-Prognose: Dort geht es darum, wie ein Vorhersagemodell gebaut und ein Score berechnet wird. Hier geht es darum, was mit diesem Score dann passiert.

Das Vorhersagemodell — der Predictive Analytics-Layer — bewertet täglich jeden Vertrag im Bestand und berechnet eine Abwanderungswahrscheinlichkeit. Die Eingangssignale: Loginfrequenz im Kundenportal, Kontaktaufkommen mit dem Servicecenter (und Sentiment der Konversation), laufende Schadensfälle und deren Bearbeitungsdauer, Reaktion auf vorherige Marketingkommunikation, bevorstehende Vertragsverlängerungen, Lebenslagensignale (z. B. Adressänderung als Hinweis auf Umzug) und Zahlungsverhalten.

Automatische Segmentierung nach Risiko und Wert

Das System teilt gefährdete Kunden in drei Segmente:

Hochrisikogruppe mit hohem Kundenwert — Hier greift persönliche Betreuereskalation. Der Betreuer erhält eine tagesaktualisierte Liste mit Gesprächsanlass, relevantem Ereignis aus der Kundenhistorie und einem vorgeschlagenen Angebot. Kein Cold-Call — ein Call mit Kontext.

Mittelfeld — Automatisierter Outreach per bevorzugtem Kanal (E-Mail, App-Push, SMS) mit personalisierten Inhalten. Das System wählt Kanal und Zeitpunkt basierend auf der historischen Reaktion des Kunden auf frühere Kommunikation: Wer E-Mails abends öffnet, bekommt die Retention-Nachricht abends. Wer nie E-Mails öffnet, bekommt einen Anruf.

Beobachtungsgruppe — Schwache Signale, noch kein kritischer Churn-Score. Das System löst passives Engagement aus: eine verbesserte Version des nächsten Regulärnewsletters, ein Hinweis auf den Schadensstatus, ein Check-in-Anruf durch den allgemeinen Kundendienst.

Personalisierte Angebotslogik

Die Angebotslogik ist kein fixes Rabatt-Schema. Das System analysiert den wahrscheinlichsten Abwanderungsgrund — Preisunzufriedenheit, mangelndes Leistungserlebnis, fehlendes Cross-Sell — und schlägt eine passende Maßnahme vor:

• Preisgetriebene Abwanderung: Rabatt auf Folgevertragsjahr oder Bundle-Angebot mit günstigerer Gesamtprämie
• Servicefrustration: Direktkontakt durch Betreuer, proaktive Statusinfo zu offenem Schadenfall
• Kein Leistungserlebnis in letzten zwei Jahren: Produkterklärung, Hinweis auf ungenutzte Versicherungsleistungen

Das ist der Unterschied zu einem statischen Rabattschreiben an alle gefährdeten Kunden — und der Hauptgrund, warum False-Positive-Management so wichtig ist (dazu mehr im Abschnitt Einstiegsfehler).

Konkrete Werkzeuge — was wann passt

Pega Customer Decision Hub — Die umfassendste Lösung für Insurance-Grade Retention-Decisioning. Das System berechnet in Echtzeit für jeden Kundenkontakt die statistisch optimale nächste Aktion (Next Best Action / Next Best Offer) und orchestriert diese kanalübergreifend. Vorkonfigurierte Logik für Versicherungsprodukte vorhanden. Der Preis ist entsprechend: 300.000–1.500.000 Euro Jahreslizenz, Implementierungsprojekte typisch 500.000–2.000.000 Euro. Sinnvoll ab ca. 500.000 Vertragsbeziehungen und eigenem Data-Science-Team. Die DAK nutzt Pega CDH für Retention-Management im Krankenversicherungsbereich — laut Pega-Fallstudie mit nachweisbarem Effekt auf die Bestandsquote.

Salesforce Einstein & Agentforce — Für Versicherer, die bereits auf Salesforce als CRM setzen: Einstein Predictive Builder und Agentforce ermöglichen Churn-Scoring und automatisierte Outreach-Sequenzen ohne zusätzliche Plattform. Der Trust Layer maskiert sensible Polizendaten vor der Weitergabe an LLMs. EU-Hosting über Hyperforce (Frankfurt) ist konfigurierbar. Einschränkung: Bei sehr hohen Vertragsvolumina mit komplexer Polizendatenbank wird Data Cloud als Voraussetzung teuer. Preis: Enterprise Edition ab 165 USD/User/Monat + Einstein-Add-on ca. 50 USD/User/Monat.

HubSpot — Für regional tätige Versicherer mit 20.000–80.000 Verträgen und ohne Enterprise-CRM-Budget. HubSpot bietet KI-gestützte Kontakt-Scoring-Funktionen und Marketing-Hub-Workflows für automatisierte Outreach-Sequenzen. Die Churn-Score-Logik muss extern aufgebaut und als Eigenschaft in HubSpot gespiegelt werden — HubSpot ist dann die Outreach-Maschine, nicht der Scoring-Layer. Kosten: Marketing Hub Professional ab 800 Euro/Monat, Sales Hub für Betreuer-Workflows ab ca. 400 Euro/Monat.

SAP Engagement Cloud (Emarsys) — Wenn der Schwerpunkt auf dem Outreach-Kanal liegt (personalisierte E-Mail-Sequenzen, Push-Notifications, SMS) und das Scoring-Modell separat in einem Data Warehouse oder CRM berechnet wird. Emarsys hat EU-Datenhosting und kennt Insurance-Segmente durch die SAP-Partnerschaft. Ab ca. 1.500–5.000 USD/Monat je nach Kontaktvolumen.

Wann welcher Ansatz sinnvoll ist:

• Regionales Vollsortiment, Salesforce-Bestandskunde → Salesforce Einstein + Agentforce
• Großversicherer mit eigenem Data Science Team → Pega Customer Decision Hub
• Mittelgröße ohne Enterprise-Budget, CRM-Fokus → HubSpot (Scoring extern) + Emarsys (Outreach)
• Digitaler Direktversicherer mit App-Basis → Braze oder Emarsys für den Outreach-Layer

Verhaltensscoring und DSGVO: Was beim Profiling von Versicherungskunden gilt

Dieser Abschnitt ist keine Pauschalabschreckung — er ist eine Checkliste, damit die Einführung nicht nachträglich durch eine DSGVO-Abmahnung gestoppt wird.

Warum Retention-KI ein Art. 22-Risiko ist

Das System berechnet täglich für jeden Kunden eine Abwanderungswahrscheinlichkeit aus Verhaltensdaten. Das ist Predictive Analytics auf personenbezogenen Daten — und damit grundsätzlich DSGVO-relevant. Sobald dieses Scoring automatisch Outreach auslöst — eine personalisierte E-Mail, ein priorisierter Anruf mit einem konkreten Angebot — bewegen wir uns in Richtung Art. 22 DSGVO (Automatisierte Entscheidungsfindung einschließlich Profiling).

Art. 22 DSGVO verbietet Entscheidungen, die ausschließlich auf automatisierter Verarbeitung beruhen und rechtliche Wirkung oder erhebliche Beeinträchtigung haben. Ein Rabattangebot auf Basis eines Churn-Scores hat keine rechtliche Wirkung im engeren Sinne — der Kunde entscheidet, ob er das Angebot annimmt. Aber: Die Grenze ist fließend, und Datenschutzbehörden prüfen im Versicherungskontext genau hin.

Was das in der Praxis bedeutet:

1. Rechtsgrundlage: Das berechtigte Interesse (Art. 6 Abs. 1 lit. f DSGVO) ist für Retention-Scoring anwendbar — ein Versicherer hat ein legitimes Interesse daran, bestehende Kundenbeziehungen zu erhalten. Aber: Eine Interessenabwägung muss dokumentiert werden, und die Interessen des Kunden (z. B. kein Marketing zu erhalten) dürfen nicht überwiegen.

2. Transparenzpflicht: Kunden müssen informiert sein, dass ihre Verhaltensdaten für Retention-Zwecke ausgewertet werden. Das gehört in die Datenschutzerklärung, klar formuliert, nicht in einen 30-seitigen Anhang.

3. Widerspruchsrecht: Wenn das Scoring auf berechtigtem Interesse basiert, können Kunden der Verarbeitung nach Art. 21 DSGVO widersprechen. Das System muss technisch in der Lage sein, diesen Widerspruch umzusetzen — also einen Kunden aus dem Scoring-Pool zu entfernen.

4. Menschliche Überprüfung für Hochwert-Entscheidungen: Der EU AI Act (in Kraft seit 2024, schrittweise Geltung) klassifiziert KI-Systeme, die Personenprofile für Versicherungsdienstleistungen erstellen, potenziell als Hochrisikosysteme. Das bedeutet: Transparenzpflichten, Dokumentationsanforderungen und eine nachvollziehbare Begründungslogik für Entscheidungen.

Was du vor der Einführung abschließen musst:

• Abstimmung mit dem Datenschutzbeauftragten: Interessenabwägung dokumentieren
• Datenschutzerklärung aktualisieren: Retention-Profiling als Zweck explizit aufnehmen
• Technisches Widerspruchsmanagement implementieren
• AVV mit allen Tool-Anbietern, die Kundendaten verarbeiten

IDD-Compliance: Automatisierte Angebote im Versicherungsvertrieb

Die Insurance Distribution Directive (IDD), in Deutschland umgesetzt über das Versicherungsaufsichtsgesetz (VAG) und die VersVermV, stellt besondere Anforderungen an Versicherungsangebote und Beratungsleistungen — auch wenn sie im Rahmen von Retention-Maßnahmen gemacht werden.

Was die IDD für automatisierte Retention-Angebote bedeutet:

Wenn ein KI-System einem Kunden automatisiert ein geändertes Versicherungsangebot unterbreitet — z. B. einen Bundle-Tarif oder eine angepasste Prämienstruktur — entsteht die Frage, ob das als Beratung im Sinne der IDD gilt. Die Antwort hängt vom Inhalt ab:

• Reines Marketing (Hinweis auf das Bestandsprodukt, Loyalitätsrabatt ohne Produktänderung): Kein IDD-Problem
• Angebot eines geänderten Produkts (anderer Tarif, andere Deckung, neues Zusatzprodukt): Potenziell beratungspflichtig — erfordert Bedarfsanalyse, Produktinformationsblatt (IPID), und in manchen Fällen eine Dokumentation der Beratung

So setzt du das sicher um:

Das automatisierte System sollte bei produktändernden Angeboten grundsätzlich auf eine menschliche Beratungsinstanz verweisen — nicht den Abschluss direkt auslösen. Die E-Mail kann schreiben: „Wir haben für Sie ein maßgeschneidertes Angebot zusammengestellt. Ihr Betreuer [Name] ruft Sie diese Woche an.” Das ist IDD-konform und menschlich besser.

Für Standardrabatte auf bestehende Produkte (keine Deckungsänderung) ist automatisierter Direktabschluss in der Regel unkritisch — aber auch das sollte vorab mit dem Compliance-Team geklärt werden.

Datenschutz und Datenhaltung

Neben den oben beschriebenen DSGVO-Spezifika des Scorings gelten für alle Tools die üblichen Anforderungen:

• Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO mit jedem Tool-Anbieter, der Kundendaten verarbeitet — Pega CDH, Salesforce, HubSpot, Emarsys: alle stellen AVV-Vorlagen bereit
• Datenresidenz: Pega CDH kann on-premise oder in der EU betrieben werden. Salesforce bietet Hyperforce in Frankfurt. Emarsys hat EU-Hosting. HubSpot hostet primär in den USA, hat aber EU-Rechenzentren für Enterprise-Kunden. Für Versicherungsunternehmen als regulierte Einheiten unter BaFin-Aufsicht ist EU-Hosting dringend empfohlen
• Subprozessor-Transparenz: Jede Retention-Plattform zieht weitere Subprozessoren nach sich (Cloud-Provider, LLM-Anbieter). Diese müssen im Datenschutz-Verarbeitungsverzeichnis erfasst werden
• Datensparsamkeit: Das Scoring-Modell sollte nur die für den Churn-Score relevanten Features verwenden — keine ungerechtfertigte Anhäufung von Verhaltensprofilen. Die Entscheidung, welche Signale einfließen, ist gleichzeitig eine datenschutzrechtliche Entscheidung

Was es kostet — realistisch gerechnet

Szenario A: Mittelständischer Versicherer, HubSpot + externes Scoring-Modell

Szenario B: Großversicherer, Pega Customer Decision Hub

Gesamtprojekt 500.000–2.000.000 Euro, Jahreslizenz 300.000–1.500.000 Euro. ROI-Schwelle wird ab ca. 500.000 Vertragsbeziehungen realistisch.

Was du gegenrechnen kannst — konservatives Szenario für 80.000 Verträge:

• 4.200 Kündigungen/Jahr, davon 15 % durch Prävention gesichert = 630 gesicherte Verträge
• Gesichertes Prämienvolumen: 630 × 860 Euro = 542.000 Euro/Jahr
• Vermiedene Neukundenakquisitionskosten (5× Jahresprämie): 630 × 4.300 Euro = 2,7 Millionen Euro (Opportunitätswert)
• ROI-Berechnung Jahr 1: 542.000 Euro direkter Prämienerhalt gegen 90.000–200.000 Euro Systemkosten (Szenario A) → positiv ab Monat 3–5 im konservativen Rechenweg

Wichtig: Diese Kalkulation unterstellt, dass die 15-%-Retention-Steigerung ausschließlich auf das KI-System zurückgeführt werden kann. Die Attribution bleibt in Praxisprojekten ein Diskussionspunkt — deshalb empfiehlt sich ein kontrolliertes Pilotdesign mit Kontrollgruppe von Anfang an.

Vier typische Einstiegsfehler

1. Das Modell baut auf Daten, die es gar nicht gibt. Die häufigste Ernüchterung: Der Versicherer erwartet ein funktionsfähiges Churn-Modell — und stellt in der Analysephase fest, dass die wichtigsten Signale (Portalnutzungsfrequenz, Servicekanal-Kontakte, App-Status) entweder nicht erfasst oder nicht sauber im CRM abgebildet sind. Wer nur Vertragsstammdaten und Zahlungshistorie hat, wird ein schwaches Modell bauen. Die Datenqualitätsanalyse muss vor der Tool-Auswahl stehen, nicht danach.

2. False Positives werden nicht aktiv kontrolliert — und trainieren Kunden auf Rabatte. Das ist der am häufigsten unterschätzte Fehler. Wenn das Modell 1.000 gefährdete Kunden identifiziert und 600 davon tatsächlich gar nicht abwanderungsgefährdet sind (False Positives), erhalten 600 Kunden ein Retention-Angebot, das sie nie gebraucht hätten. Das kostet nicht nur das Rabattbudget — es erzieht Kunden dazu, kurz vor Verlängerung ein Discountsignal zu senden, weil sie wissen, dass dann ein Angebot kommt. Ergebnis: In der zweiten Saison steigen die Rabatterwartungen. Deshalb ist Precision über Recall zu optimieren — lieber weniger Kunden ansprechen, aber mit höherer Trefferquote.

3. Das System wird eingeführt, aber das Retention-Team nicht eingebunden. Ein häufiges Muster: Der Churn-Score wird gebaut, die Outreach-Automatisierung konfiguriert — und das Retention-Team erhält täglich eine Liste mit 200 priorisierten Kontakten, für die keine Zeit, keine Gesprächsleitfäden und keine Angebotskompetenz vorhanden sind. Das System schlägt Maßnahmen vor, die operativ nicht umgesetzt werden können. Die Kapazitätsplanung des Retention-Teams muss zusammen mit der Einführungsplanung des Systems erfolgen.

4. Das Modell wird nach Einführung nicht nachgepflegt. Predictive Analytics-Modelle auf Verhaltensdaten verfallen. Wenn sich die Produktpalette ändert, der Wettbewerb eine neue Tarifstruktur einführt oder das Portal umgestaltet wird, ändern sich die Signal-Patterns. Ein Modell, das ohne Retraining läuft, wird nach 12 bis 18 Monaten systematisch falsche Scores liefern — im günstigsten Fall ineffizient, im schlechtesten Fall schädlich (falsch priorisierte Betreuer-Kapazität, falsche Angebotslogik). Quartalsweise Prüfzyklen für Modellperformance sind kein Luxus, sondern Betriebsvoraussetzung.

Was mit der Einführung wirklich passiert — und was nicht

Das Retention-Team wird das System zunächst nicht mögen.

Das klingt hart, ist aber regelmäßig die Erfahrung bei Ersteinführungen. Der Grund: Das System macht sichtbar, was das Team nicht getan hat — oder nicht tun konnte. Eine KI-Liste, die täglich sagt „Hier sind 35 Kunden, die du diese Woche anrufen solltest”, fühlt sich wie Kontrolle an. Die erfahrenen Betreuer, die bisher aus dem Bauch heraus priorisierten, sehen ihre implizite Expertise plötzlich durch einen Score ersetzt. Das erzeugt Widerstand.

Zwei Muster, die regelmäßig auftreten:

Die „Ich kenn meine Kunden”-Gruppe. Langjährige Betreuer mit gutem Gespür für gefährdete Kunden werden bemerken, dass der Score manchmal nicht das spiegelt, was sie intuitiv wissen. Sie haben in einigen Fällen recht — das Modell kennt nicht alles. Aber sie haben auch systematische blinde Flecken: Kunden, die nie auffielen und doch abgewandert sind. Die produktive Reaktion: Das Modell als Prioritätshilfe, nicht als Ersatz für Urteilsvermögen positionieren. Betreuer, die guten Grund haben, vom Score abzuweichen, sollen das können — und dokumentieren. Das verbessert das Modell.

Die Gesprächsleitfaden-Krise. Das System schlägt vor, Kunde Müller anzurufen — Abwanderungsgrund: vermutlich Preisunzufriedenheit nach drei Jahren ohne Schadenfall. Der Betreuer ruft an. Und hat kein Angebot. Oder ein Angebot, das er nicht selbst genehmigen kann. Die Retention-Maßnahme scheitert nicht am Score, sondern an fehlender Handlungskompetenz. Vor der Einführung muss geklärt sein: Welche Angebote darf das Retention-Team selbst machen? Für welche Fälle braucht es Freigabe? Wie lange dauert eine Freigabe? Ein System, das präzise Signale liefert, aber keine operativen Angebotsvollmachten schafft, löst das Problem nicht.

Was hilft:

• Retention-Team von Anfang in Modellentwicklung einbinden: Welche Signale kennen sie als verlässlich, welche halten sie für Rauschen?
• Klare Eskalations- und Genehmigungspfade für Angebote vor der Einführung definieren
• Pilotstart mit einer kleinen Gruppe, die Feedback in das Modell zurückspielt
• Transparenz über Score-Logik: Das Team muss verstehen, warum ein Kunde als gefährdet gilt

Realistischer Zeitplan mit Risikohinweisen

Das Gesamtprojekt dauert realistisch 8 bis 12 Monate bis zum vollen Betrieb. Wer in 3 Monaten live sein will, wird entweder Datenqualitätsprobleme ignorieren oder auf den A/B-Piloten verzichten — beides macht den ROI-Nachweis schwieriger.

Häufige Einwände — und was dahintersteckt

„Das machen wir schon manuell, die erfahrenen Betreuer kennen ihre Kunden.” Das stimmt für einen Teil des Bestands — die Kunden, die regelmäßig Kontakt haben. Der Rest des Portfolios ist ein blinder Fleck. Kein Betreuer überwacht täglich 80.000 Vertragsbeziehungen auf 15 verschiedene Signale. Das System tut es. Es geht nicht darum, Betreuer-Intuition zu ersetzen, sondern blinde Flecken sichtbar zu machen.

„Wir wollen keine Kunden mit Rabatten trainieren.” Das ist der wichtigste Einwand — und er ist berechtigt, wenn das System schlecht konfiguriert ist. Ein Retention-System, das pauschal Rabatte an alle Kunden mit einem Score über einer Schwelle schickt, ist gefährlich. Ein System, das den wahrscheinlichen Abwanderungsgrund analysiert und passgenaue Maßnahmen vorschlägt (Service-Kontakt statt Rabatt, wenn Servicefrustration das Signal ist), ist das Gegenteil.

„Wir haben keine Daten dafür.” Das ist häufig teilweise wahr. Die meisten Versicherer haben Stammdaten und Vertragsdaten — aber keine Portalnutzungs-Erfassung, kein Sentiment-Log der Servicegespräche, kein App-Status-Signal. Bevor ein Vollprojekt gestartet wird, lohnt eine ehrliche Datenaudit: Welche Signale sind heute verfügbar? Welche ließen sich innerhalb von 6 Monaten nachrüsten? Ein Modell, das nur auf Zahlungshistorie und Vertragslaufzeit basiert, ist schwächer — aber es ist nicht wertlos. Es ist ein Startpunkt.

Woran du merkst, dass das zu dir passt

Das passt:

• Dein Retention-Team bearbeitet Kündigungen reaktiv — der Anruf kommt nach Eingang des Schreibens
• Du hast ein CRM mit Vertragshistorie und zumindest partiellen Interaktionsdaten (Servicekontakte, Portalnutzung)
• Dein Bestand umfasst mindestens 30.000–50.000 aktive Verträge (darunter wird das Modell statistisch instabil)
• Deine Stornoquote liegt über 3 Prozent pro Jahr — darunter ist der ROI schwerer zu rechtfertigen
• Du kannst intern oder mit Partner ein Data-Science-Projekt führen

Wann du es (noch) lassen solltest — drei harte Ausschlusskriterien:

1. Unter 30.000–50.000 Verträgen im Bestand. Die Churn-Prädiktionsmodelle brauchen ausreichend historische Abwanderungsfälle für das Training. Bei kleinen Beständen ist die Datenbasis zu dünn für statistisch robuste Scores. Die Lösung: einfachere regelbasierte Trigger (z. B. “Schadenfall ohne Abschluss vor 6 Monaten → Anruf”) statt ML-Modell.

2. Keine Interaktions-Nachverfolgung im CRM. Wenn das CRM nur Stamm- und Vertragsdaten enthält, aber keine Servicekontakte, keine Portalaktivität, keine Reaktion auf frühere Kommunikation — dann fehlen die Signale, auf denen das Modell basiert. In diesem Fall ist der erste Schritt nicht das Retention-System, sondern der Aufbau der Datenerfassung. Das dauert 6 bis 12 Monate, bis genug historische Daten für das Modell vorliegen.

3. Kein dediziertes Retention-Team oder keine Angebotskompetenz. Das System priorisiert Kunden und schlägt Maßnahmen vor. Wenn niemand da ist, die Maßnahmen umzusetzen — oder wenn die Betreuer keine Vollmacht haben, eigenständig Angebote zu machen — ist der Score eine Liste ohne Konsequenz. Das frustriert das Team und bringt keinen ROI.

Das kannst du heute noch tun

Bevor du auch nur ein Tool evaluierst: Führe in 30 Minuten eine Schnellanalyse der letzten 12 Monate durch.

Ziehe aus dem CRM alle Vertragsbeendigungen der letzten 12 Monate (ohne Todesfälle und reguläre Ablaufleistungen) und analysiere: Gab es vorher ein Servicekontakt? War in den 6 Monaten davor ein offener Schadenfall? Hat der Kunde in diesem Zeitraum das Onlineportal genutzt — oder nicht?

Wenn du drei oder mehr konsistente Muster findest, hast du genug Signal für ein Pilotmodell. Wenn du nichts findest, fehlt die Datenerfassung.

Hier ist ein Prompt, der dir dabei hilft, die Analyse strukturiert anzugehen — ohne spezialisiertes Tool, einfach mit einer CSV-Auswertung in einem LLM:

Quellen & Methodik

• GDV-Stornoquote Lebensversicherung 2023: Gesamtverband der Deutschen Versicherungswirtschaft (GDV), Statistik „Die deutsche Lebensversicherung in Zahlen 2024” — Stornoquote 2023: 2,56 %. GDV.de (veröffentlicht 2024).
• Verhältnis Neukundenakquisitionskosten zu Retention: Bain & Company, „Customer Behavior and Loyalty in Insurance: Global Edition” (2016); Größenordnung 5–7× Akquisitionskosten vs. Retention durch mehrere neuere Branchenquellen bestätigt (insurnest.com, insurancebackofficehub.com, 2024).
• Pega/Forrester TEI-Studie 2025: Forrester Consulting, „The Total Economic Impact™ of Pega Customer Decision Hub” (2025) — 15 % Churn-Reduktion in Jahr 3; Barwert-adjustierter Mehrertrag von 58,9 Mio. USD über drei Jahre für das Composite-Unternehmen; DAK-Fallstudie (pega.com).
• Coforge-Fallstudie: Coforge, „Enhanced Customer Retention Process using PEGA Decision Hub” (Casestudy, coforge.com) — eine Versicherungsorganisation leitete 40 % der eingehenden Kündigungen in das Kontaktcenter um und bewahrte 85 % dieser Anrufer.
• Art. 22 DSGVO und Credit-Scoring-Präzedenzfall: EuGH-Urteil C-634/21 (2023) — Credit-Scoring als automatisierte Entscheidung im Sinne von Art. 22; Anwendbarkeit auf Insurance-Scoring dokumentiert durch gdpr-info.eu und srd-rechtsanwaelte.de.
• IDD/VersVermV: Insurance Distribution Directive (EU 2016/97), umgesetzt in Deutschland durch das Gesetz zur Umsetzung der IDD (in Kraft seit 23.02.2018). BaFin-Merkblatt zu Allgemeininteresse-Vorschriften (bafin.de).
• Praxisabschätzungen Retention-Quoten: Erfahrungswerte aus Praxisberichten von Versicherern mit proaktivem Retention-Management (Acceleraid.ai, moveXM.com, datasolut.com — Stand 2024); eigene Einschätzung.

Du willst wissen, ob euer CRM-Datenbestand für ein Churn-Modell ausreicht und wie ein realistischer Pilotplan aussieht? Meld dich — das klären wir in einem kurzen Gespräch.