Churn reduzieren: Was Studien zeigen und was ich kleinen Teams rate

Churn reduzieren für kleine Teams: woran du Kündigungen früh erkennst, was Studien zu Vorhersage und Gewinn zeigen und wo sich Eingreifen wirklich lohnt.

Growth Hacking · · 8 Min.

Titelbild zum Artikel „Churn reduzieren: Was Studien zeigen und was ich kleinen Teams rate“ von Felix Schmitz (Growth Hacking)

Kurz gesagt

  • Churn reduzieren heißt, früh zu erkennen, wer abspringen will, den Grund zu verstehen und dort einzugreifen, wo ein Eingriff die Entscheidung noch ändert.
  • Die Forschung zu Churn beschäftigt sich vor allem mit der Vorhersage, während das Warum und die Wirtschaftlichkeit von Rettungsaktionen kaum untersucht sind.
  • In einer Studie aus dem Bildungsbereich sagten Nutzungsdaten wie bezahlte Stunden und Lernzeit am stärksten voraus, wer abspringt.
  • Lemmens und Gupta zeigen in zwei Feldexperimenten, dass Kampagnen profitabler werden, wenn sie nach dem zusätzlichen Gewinn eines Eingriffs auswählen statt nach dem Kündigungsrisiko.
  • Für kleine Teams reichen ein klares Frühwarnsignal, eine Frage nach dem Kündigungsgrund und ein persönlicher Kontakt zur richtigen Zeit.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt8 Abschnitte

Churn reduzieren heißt, weniger Kunden durch Kündigung oder stilles Wegbleiben zu verlieren. Am meisten bringt es, früh zu erkennen, wer abzuspringen droht, den Grund zu verstehen und gezielt dort einzugreifen, wo ein Eingriff die Entscheidung noch ändern kann. Pauschale Rabatte und erschwerte Kündigungen drücken die Zahl höchstens für kurze Zeit.

Für mich ist Churn die ehrlichste Kennzahl eines Geschäfts. Neukunden lassen sich mit Werbung kaufen. Ob Kunden bleiben, zeigt dir, ob dein Angebot hält, was es verspricht. Warum ich das Halten von Kunden vor das Gewinnen stelle, habe ich im Artikel Retention vor Akquise begründet. Hier geht es um die Praxis.

Für diesen Artikel habe ich 14 begutachtete Studien zur Kundenabwanderung durchgesehen. Fast alle drehen sich um dieselbe Frage: Welcher Algorithmus sagt am genauesten voraus, wer kündigt. Die meisten stammen aus der Telekommunikation. Vier davon fand ich für Selbstständige und kleine Teams wirklich nützlich, und zwar gerade dort, wo sie über die reine Vorhersage hinausgehen.

Was Churn ist und warum jeder Prozentpunkt zählt

Churn, auf Deutsch Abwanderung, ist der Anteil der Kunden, die in einem bestimmten Zeitraum kündigen oder nicht mehr kaufen. Im Abo ist das eindeutig, jemand kündigt. Im Projektgeschäft ist es leiser. Der Kunde kommt nach dem ersten Auftrag einfach nicht wieder.

Zwei Arten solltest du auseinanderhalten:

  • Freiwilliger Churn: Der Kunde entscheidet sich bewusst zu gehen, etwa weil er keinen Nutzen mehr sieht oder ein anderes Angebot besser findet.
  • Unfreiwilliger Churn: Der Kunde geht, ohne es zu wollen, zum Beispiel weil eine Zahlung scheitert.

Um den freiwilligen Teil geht es in diesem Artikel. Für den unfreiwilligen reichen meist automatische Zahlungserinnerungen.

Warum sich die Arbeit lohnt, zeigt eine einfache Rechnung. Angenommen, du hast 100 Kunden und verlierst jeden Monat 5 % davon. Dann brauchst du 5 neue Kunden pro Monat, also 60 im Jahr, nur um auf demselben Stand zu bleiben. Halbierst du den Churn auf 2,5 %, reichen dafür 30 neue Kunden im Jahr. Gewinnst du weiterhin 60, wächst dein Kundenstamm.

Die Rechnung ist vereinfacht. Sie zeigt aber den Hebel: Churn entscheidet, wie viel deiner Akquise überhaupt als Wachstum ankommt. Wie du die Entwicklung über die Zeit sauber liest, beschreibe ich im Artikel zur Kohortenanalyse für Gründer.

Was die Forschung über Churn weiß und wo sie blinde Flecken hat

Zwei Übersichtsarbeiten haben mir geholfen, das Feld einzuordnen. Manzoor, Atif Qureshi, Kidney und Longo (2024) werten in IEEE Access 212 Fachartikel aus den Jahren 2015 bis 2023 aus, die Churn mit maschinellem Lernen vorhersagen. Als Schwerpunktbranchen nennen sie Telekommunikation, Finanzen und Online-Spiele. Die Autoren betonen, dass neben demografischen Merkmalen und der Nutzung auch das Verhalten, die Kommunikation zwischen Kunden und deren Feedback in solche Modelle gehören.

Ihr wichtigster Befund für mich: Ob sich eine Churn-Vorhersage wirtschaftlich lohnt, ist kaum erforscht. Die Autoren empfehlen deshalb, Modelle nach Gewinn zu bewerten und nicht nur nach Trefferquoten.

Die zweite Übersicht stammt von Freire, Santos Mauricio Sanchez, Castillo Sequera und Fiallo Moncayo (2024), ebenfalls in IEEE Access. Sie werten 112 Artikel aus der Mobilfunkbranche von 2018 bis August 2023 aus. Darin finden sie 19 Faktoren mit 87 Unterfaktoren, die Abwanderung beeinflussen, und 26 verschiedene Vorhersageverfahren. Nur 4 der 112 Artikel beschäftigen sich damit, warum ein Algorithmus einen bestimmten Kunden als gefährdet einstuft.

Frage Wie gut erforscht Quelle
Wer wird kündigen Sehr gut, 102 von 112 Artikeln stellen Vorhersageverfahren vor Freire et al. (2024)
Warum kündigt ein bestimmter Kunde Selten, nur 4 von 112 Artikeln erklären die Einstufung Freire et al. (2024)
Lohnt sich die Rettung Kaum erforscht, laut Autoren eine Lücke Manzoor et al. (2024)

Für kleine Teams ist das eine gute Nachricht. Den aufwendigsten Teil, die Vorhersage per Algorithmus, brauchst du mit 30 oder 300 Kunden kaum. Du kennst deine Kunden. Was dir fehlt, ist dasselbe, was der Forschung fehlt: das Warum und ein Gefühl dafür, wo sich Aufwand lohnt.

Frühwarnsignale: Wie Nutzung eine Kündigung ankündigt

Eine Studie fand ich besonders anschaulich, weil sie aus einem greifbaren Abo-Geschäft kommt. Gavrilova und Antonio (2026) untersuchen in Educational Technology Research and Development eine Abo-Plattform, auf der Kinder Englisch lernen. Mit anonymisierten Daten zu Aktivität, Engagement und Zahlungen haben sie vier Verfahren verglichen. Das beste Modell erkannte laut Abstract rund 85 % der Lernenden, die später tatsächlich absprangen.

Spannender als die Trefferquote finde ich, was das Modell verrät. Am stärksten sagten diese Merkmale voraus, wer bleibt:

  • die Zahl der bezahlten Unterrichtsstunden, aktuell und im Schnitt über acht Wochen,
  • die gesamte Lernzeit,
  • die Nutzung der spielerischen Elemente,
  • die Dauer der Kundenbeziehung.

Die Autoren fassen es so zusammen: Wer stark eingebunden ist, springt seltener ab. Das klingt banal. Die Konsequenz halte ich trotzdem für wichtig. Das Signal steckt im Verhalten, und der Schnitt über acht Wochen gehört zu den stärksten Merkmalen. Ich lese daraus, dass der Verlauf zählt. Ein einzelner ruhiger Tag sagt wenig, ein wochenlanger Rückgang sagt viel.

Die Studie kommt aus dem Bildungsbereich und arbeitet mit einer einzigen Plattform. Wie gut sich das auf Dienstleistungen übertragen lässt, weiß ich nicht sicher. Das Prinzip lässt sich aber leicht übersetzen. Angenommen, eine Steuerberaterin betreut 80 Mandanten im Jahresvertrag. Ihre Frühwarnsignale könnten so aussehen:

  • Belege kommen später als in den Vorjahren.
  • Rückfragen bleiben tagelang unbeantwortet.
  • Der Jahrestermin wird zweimal verschoben.

Keines dieser Signale braucht eine Software. Es braucht nur die Entscheidung, darauf zu achten. Mein Rat: Leg dich auf ein oder zwei Signale fest, die für dein Angebot dasselbe bedeuten wie die bezahlten Stunden in der Studie. Sie zeigen, ob sich der Kunde den Nutzen noch abholt.

Churn reduzieren mit Gewinn im Blick: Wen du ansprechen solltest

Die Studie, die mein Denken über Churn am meisten verändert hat, ist auch die älteste in meiner Auswahl. Lemmens und Gupta (2020) beschreiben in Marketing Science ein Problem, das ich bisher übersehen hatte. Unternehmen wählen für Rettungsaktionen meist die Kunden mit dem höchsten Kündigungsrisiko aus. Oder sie wählen die Kunden, die am stärksten auf ein Angebot reagieren. Beide Ansätze übersehen laut den Autoren, dass manche Kunden viel mehr zum Gewinn einer Aktion beitragen als andere.

Ihr Vorschlag: Für jeden Kunden wird geschätzt, wie stark ein Eingriff seine Kündigung und seine späteren Zahlungen tatsächlich verändert, nach Abzug der Kosten des Eingriffs. Nach diesem zusätzlichen Gewinn wird sortiert. Das Verfahren bestimmt außerdem, wie groß die Aktion sein sollte. In zwei Feldexperimenten führte dieser Ansatz zu deutlich profitableren Kampagnen als die Vergleichsmodelle. In welcher Branche die Experimente liefen, geht aus dem Abstract nicht hervor.

Übertragen auf ein kleines Geschäft ergibt sich für mich eine einfache Matrix. Sie ist meine Vereinfachung, die Studie arbeitet mit einem Rechenmodell.

Grafik als Matrix zum Churn reduzieren nach Kündigungsrisiko und Wirkung eines Eingriffs: Hier eingreifen bei hohem Risiko und hoher Wirkung, Beziehung ausbauen, in Ruhe lassen sowie gehen lassen und den Grund lernen
Ein Eingriff lohnt sich dort, wo er die Entscheidung tatsächlich ändert, und nicht automatisch dort, wo das Risiko am höchsten ist.

Der Punkt unten links ist für mich die eigentliche Lektion. Ein Rabatt an Kunden, die ohnehin geblieben wären, sieht in der Churn-Statistik gut aus und kostet trotzdem Geld. Rechts unten liegen Kunden, die du kaum halten kannst, weil sie dein Angebot schlicht nicht mehr brauchen. Dort lohnt sich ein ehrliches Abschiedsgespräch mehr als ein Rettungsversuch.

Churn reduzieren in fünf Schritten

Aus den Studien und meiner eigenen Haltung ergibt sich ein Ablauf, der ohne Datenteam funktioniert:

  1. Eine Definition festlegen. Entscheide, was bei dir als Churn zählt: Kündigung, ein Monat ohne Nutzung oder kein Folgeauftrag innerhalb eines Jahres. Bleib dann dabei, sonst vergleichst du Äpfel mit Birnen.
  2. Jeden Kündigungsgrund erfragen. Eine Frage beim Kündigen, dazu ein kurzes Gespräch, wo es möglich ist. Das ist die Lücke, die Freire und Kollegen in der Forschung finden, und du kannst sie für dein Geschäft schließen.
  3. Ein Frühwarnsignal bestimmen. Wähle ein Verhalten, das den Nutzen deines Angebots abbildet, und schau es dir jede Woche an.
  4. Gezielt eingreifen. Sprich die Kunden an, bei denen das Signal kippt und der Grund lösbar ist. Persönlich, mit einer konkreten Frage, ohne Rabatt als erstes Mittel.
  5. Die Ursache beheben. Wenn derselbe Grund dreimal auftaucht, liegt er im Angebot und nicht beim Kunden. Häufig sitzt er ganz am Anfang, beim Weg zum ersten Ergebnis.
Grafik mit fünf Schritten zum Churn reduzieren: Definition festlegen, Kündigungsgründe erfragen, Frühwarnsignal bestimmen, gezielt eingreifen und die Ursache im Angebot beheben
Am Ende steht die Ursache, damit der nächste Kunde nicht aus demselben Grund geht.

Für den fünften Schritt lohnt sich ein Blick auf den Anfang der Kundenbeziehung. Viele Kunden gehen, bevor sie den eigentlichen Nutzen erlebt haben. Wie ich daran arbeite, steht im Artikel Onboarding optimieren.

Fehler, die Churn nur verschieben

Einige Maßnahmen senken die Zahl, ohne das Problem zu lösen. Diese fünf begegnen mir am häufigsten:

  • Rabatt für alle Gefährdeten. Er erreicht auch Kunden, die geblieben wären, und gewöhnt alle anderen daran, mit Kündigung zu drohen.
  • Kündigung erschweren. Versteckte Buttons oder Pflichtanrufe halten Kunden ein paar Wochen länger und kosten dich ihre Empfehlung. Wo die Grenze zur Manipulation liegt, beschreibe ich im Artikel über Dark Patterns. Wie ein fairer Kündigungsweg aussieht, steht im Artikel zur Abo-Kündigung.
  • Vorhersage ohne Handlung. Eine Liste gefährdeter Kunden ist wertlos, wenn niemand sie abarbeitet.
  • Nur nach Zufriedenheit fragen. Eine gute Bewertung schützt nicht vor Kündigung, wenn der Kunde das Angebot kaum noch nutzt. Das Verhalten ist das ehrlichere Signal.
  • Zu spät reagieren. Wer erst bei der Kündigung anruft, spricht mit jemandem, der seine Entscheidung schon getroffen hat.

Selbstcheck, wie gut erkennst du Churn früh

Hake ab, was heute auf dein Geschäft zutrifft.

Selbstcheck, wie gut erkennst du Churn früh

0 von 7

Im Blindflug Du erfährst von Churn vermutlich erst, wenn er passiert ist. Fang mit einer festen Definition und der Frage nach dem Kündigungsgrund an.

Wie ich Churn bei Projektkunden denke

Bei quik verkaufe ich Websites zum Festpreis, und dem Kunden gehört am Ende alles. Er kann jederzeit gehen, ohne etwas zu verlieren. Das finde ich richtig. Es zwingt mich aber, Churn allein über den Nutzen zu senken, denn Abhängigkeit als Haltegriff gibt es bei mir nicht.

Im Projektgeschäft sieht Churn anders aus als im Abo. Niemand kündigt. Der Kunde ist zufrieden, bezahlt die Rechnung und meldet sich nie wieder. Für mich ist das trotzdem Abwanderung. Der wichtigste Moment liegt deshalb direkt nach dem Launch, wenn das Vertrauen am höchsten ist. Wer dann kein Angebot für die Zeit danach hat, verliert den Kunden, ohne es zu merken. Wie eine Begleitung nach dem Projekt aussehen kann, beschreibe ich im Artikel über Customer Success Management.

Mein Hintergrund in der Business Intelligence verleitet mich dazu, bei jeder Frage zuerst nach Daten zu greifen. Die Studien haben mich eher in die andere Richtung geschubst. Wer wenige Kunden hat, gewinnt mehr aus einem ehrlichen Gespräch als aus einem Modell.

Ein Churn-Modell sagt dir, wer geht. Warum jemand geht, erfährst du nur, wenn du ihn fragst.

Das ist für mich die Brücke zwischen der Forschung und dem Alltag kleiner Teams. Die großen Anbieter haben das Wer im Griff und suchen das Warum. Du hast das Warum direkt vor dir, du musst es nur einsammeln.

Fazit

Churn reduzieren beginnt mit Aufmerksamkeit, lange bevor du ein Modell brauchst. Die Studien zeigen drei Dinge: Die Forschung kann Kündigungen gut vorhersagen, versteht ihre Gründe aber wenig. Nutzungsverhalten ist ein starkes Frühwarnsignal. Und ein Eingriff lohnt sich dort, wo er die Entscheidung ändert, was nicht automatisch dort ist, wo das Risiko am höchsten ist.

Mein Vorschlag für diese Woche: Ruf die letzten drei Kunden an, die gegangen sind, und frag sie nach dem Grund. Schreib die Antworten auf und leg daraus dein erstes Frühwarnsignal fest. Was ich bei meinen eigenen Projekten dazu ausprobiere, teile ich in den Unternehmer Thoughts.

Mit KI weiterdenken

Frag deine KI zu diesem Artikel

Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.

Häufige Fragen

Wie kann man Churn reduzieren?

Miss zuerst eine eindeutige Churn-Rate, frag jeden kündigenden Kunden nach dem Grund und lege ein Frühwarnsignal aus dem Nutzungsverhalten fest. Sprich gefährdete Kunden persönlich an, bevor sie kündigen, und behebe die Ursache, die am häufigsten genannt wird.

Was ist eine gute Churn-Rate?

Eine allgemeingültige Grenze gibt es nicht, weil Branche, Preis und Vertragsform stark mitspielen. Sinnvoller als der Vergleich mit anderen ist der Vergleich mit dir selbst: Sinkt deine Churn-Rate von Kohorte zu Kohorte, bist du auf dem richtigen Weg.

Was ist der Unterschied zwischen freiwilligem und unfreiwilligem Churn?

Freiwilliger Churn entsteht, wenn sich ein Kunde bewusst gegen dein Angebot entscheidet. Unfreiwilliger Churn passiert ohne diese Absicht, etwa wenn eine Zahlung scheitert. Den unfreiwilligen Teil senkst du meist schon mit automatischen Zahlungserinnerungen.

Lohnt sich ein Rabatt, um Kunden zu halten?

Nur gezielt. Ein Rabatt für alle gefährdeten Kunden geht auch an Kunden, die ohnehin geblieben wären. Die Forschung von Lemmens und Gupta spricht dafür, Angebote danach zu verteilen, wo sie nach Abzug der Kosten den größten zusätzlichen Gewinn bringen.

Quellen4 Quellen
  1. Lemmens, Gupta (2020): Managing Churn to Maximize Profits. Marketing Science (öffnet in neuem Tab)
  2. Manzoor, Atif Qureshi, Kidney et al. (2024): A Review on Machine Learning Methods for Customer Churn Prediction and Recommendations for Business Practitioners. IEEE Access (öffnet in neuem Tab)
  3. Freire, Santos Mauricio Sanchez, Castillo Sequera et al. (2024): Factors, Predictability, and Explainability of Mobile Telephony Customer Departure in Telecommunications Companies: A Systematic Review of the Literature. IEEE Access (öffnet in neuem Tab)
  4. Gavrilova, Antonio (2026): Predicting student churn in subscription EdTech: explainable machine learning for improving retention. Educational Technology Research and Development (öffnet in neuem Tab)

Passt dazu

Alle Artikel