Kundenbindung durch KI-Churn-Prognose

Das echte Ausmaß des Problems

In der Versicherungsbranche ist die Kundenakquisition teuer. Laut GDV-Daten kostet die Gewinnung eines neuen Kunden im Direktversicherungssegment das Fünf- bis Achtfache des jährlichen Prämienvolumens. Ein Kunde mit 1.200 Euro Jahresprämie kostet 6.000 bis 10.000 Euro in der Akquisition. Der Break-even liegt bei fünf bis acht Jahren.

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 im Wert von 6.000 bis 10.000 Euro. Wenn 1.000 Kündigungen verhindert werden, sind das bis zu 10 Millionen Euro gesparte Akquisitionskosten, plus gesichertes 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. Ab Sales Cloud Enterprise ca. 150 Euro/Nutzer/Monat.

HubSpot Für mittlere Versicherer und Maklerbüros: HubSpot bietet Predictive Analytics und CRM-Integration. Einfacher einzurichten als Salesforce. Ab Professional ca. 800–900 Euro/Monat.

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. Ab kostenlos, mit Automatisierung ab 8 Euro/Monat.

Power BI Für Monitoring und Reporting: Ein Churn-Risiko-Dashboard zeigt dem Management, welche Kundensegmente aktuell erhöhtes Abwanderungsrisiko zeigen. Ab 9 Euro/Nutzer/Monat.

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: Churn-Prognose-Systeme gelten bei menschlicher Prüfung als Niedrig-Risiko-System. Wenn das System jedoch automatisiert Vertragskonditionen ändert oder Kündigungen auslöst, wäre eine Risikoklassifikation erforderlich.

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 + KI: 800–900 Euro/Monat
• Einrichtungsaufwand: 3–5 Tage
• Erwarteter Effekt: 15–20 Prozent Stornoquoten-Reduktion in bearbeiteten Segmenten

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

• Salesforce Enterprise + Einstein: ca. 750 Euro/Monat (5 Betreuer)
• Eigenes ML-Modell: Entwicklungsaufwand 8–16 Wochen Data-Science
• Make.com: 9–29 Euro/Monat
• Erwarteter Effekt: 25–35 Prozent Stornoquoten-Reduktion in Hochrisiko-Segmenten

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 gesicherter Jahresumsatz × 1.000 = 1,2 Millionen Euro gesichertes Prämienvolumen + 6 Millionen Euro gesparte Neuakquisitionskosten.

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. Studien zeigen, dass 40 bis 60 Prozent der Versicherungskündigungen durch Unzufriedenheit mit Service, mangelnde Betreuung oder fehlende wahrgenommene Leistung ausgelöst werden (Schätzwert aus Praxisberichten). Für diese Kunden ist proaktive Retention effektiv.

„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

• Akquisitionskosten 5–8 × Jahresprämie: GDV-Schätzwerte, Branchenvergleiche Direktversicherung 2023–2024.
• 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 anwendbar bei menschlicher Prüfung.
• EU AI Act, Art. 52: Transparenzanforderungen bei KI-Systemen mit Nutzerkontakt.