Projektbeschreibung
ÜbersetztWir haben ein Abonnementgeschäft und verlieren Monat für Monat zahlende Abonnenten, aber wir können im Voraus nicht sehen, wer genau gehen wird und warum. Wir benötigen ein System zur Vorhersage der Abwanderung und Retentionsanalytik, das auf unseren historischen Daten basiert: ein maschinelles Lernmodell, das die Wahrscheinlichkeit der Kündigung in den nächsten 30, 60 und 90 Tagen für jeden aktiven Kunden berechnet. Das Modell sollte keine Black Box sein – für jeden Kunden in der Risikozone müssen wir die Haupttreiber der Vorhersage sehen, damit das Team den Grund versteht: Rückgang der Aktivität, Zahlungsprobleme, offene Support-Tickets, Preissensitivität oder ein Angebot eines Mitbewerbers, und mit der tatsächlichen Ursache arbeiten, anstatt zu raten.
Zusätzlich zur Bewertung benötigen wir umfassende Kohorten-Retentionsanalytik. Zeigen Sie Retentionskurven und Überlebensraten nach Registrierungs-Kohorten, Tarifen, Akquisekanälen und Regionen an, damit wir genau sehen können, wo und in welcher Phase des Kundenlebenszyklus die Retention zusammenbricht. Das System sollte Kunden in verständliche Risikogruppen einteilen und automatisch Retentionsmaßnahmen auslösen: gezielte E-Mails, begrenzte Rabatte, Anrufe von Account-Managern oder In-Produkt-Nachrichten – sobald ein Kunde einen festgelegten Risikoschwellenwert überschreitet. Jede ausgelöste Maßnahme sollte protokolliert werden, damit wir später messen können, welche Maßnahmen tatsächlich die Abwanderung reduziert haben.
Wir erwarten saubere und zuverlässige Datenpipelines, geplante Modellneutrainings, ehrliche Qualitätsmetriken (Präzision, Rückruf, Hebel, Kalibrierung) und eine einfache Benutzeroberfläche, die unser nicht-technisches Team jeden Tag ohne externe Hilfe nutzen kann. Bitte beschreiben Sie den vorgeschlagenen Tech-Stack, wie Sie das Modell mit unseren Daten validieren werden, und realistische Zeitpläne.
Was wir als Ergebnis benötigen:
— Abwanderungsrisikobewertung bei 30/60/90-Tage-Horizonten mit Treibererklärungen für jeden Kunden;
— Kohorten-, Retentions- und Überlebenskurven-Dashboards mit Filtern;
— automatische Risikogruppen und konfigurierbare Auslöser für Retentionsmaßnahmen;
— geplanter Neutrainings-Pipeline, Dokumentation und Projektübergabe.
Zusätzlich zur Bewertung benötigen wir umfassende Kohorten-Retentionsanalytik. Zeigen Sie Retentionskurven und Überlebensraten nach Registrierungs-Kohorten, Tarifen, Akquisekanälen und Regionen an, damit wir genau sehen können, wo und in welcher Phase des Kundenlebenszyklus die Retention zusammenbricht. Das System sollte Kunden in verständliche Risikogruppen einteilen und automatisch Retentionsmaßnahmen auslösen: gezielte E-Mails, begrenzte Rabatte, Anrufe von Account-Managern oder In-Produkt-Nachrichten – sobald ein Kunde einen festgelegten Risikoschwellenwert überschreitet. Jede ausgelöste Maßnahme sollte protokolliert werden, damit wir später messen können, welche Maßnahmen tatsächlich die Abwanderung reduziert haben.
Wir erwarten saubere und zuverlässige Datenpipelines, geplante Modellneutrainings, ehrliche Qualitätsmetriken (Präzision, Rückruf, Hebel, Kalibrierung) und eine einfache Benutzeroberfläche, die unser nicht-technisches Team jeden Tag ohne externe Hilfe nutzen kann. Bitte beschreiben Sie den vorgeschlagenen Tech-Stack, wie Sie das Modell mit unseren Daten validieren werden, und realistische Zeitpläne.
Was wir als Ergebnis benötigen:
— Abwanderungsrisikobewertung bei 30/60/90-Tage-Horizonten mit Treibererklärungen für jeden Kunden;
— Kohorten-, Retentions- und Überlebenskurven-Dashboards mit Filtern;
— automatische Risikogruppen und konfigurierbare Auslöser für Retentionsmaßnahmen;
— geplanter Neutrainings-Pipeline, Dokumentation und Projektübergabe.
Bildung und Beratung Bargeld, Banküberweisung
