{"id":2018,"date":"2020-10-01T00:00:14","date_gmt":"2020-09-30T22:00:14","guid":{"rendered":"https:\/\/devstage.bix-consulting.com\/?p=2018"},"modified":"2023-05-24T09:42:59","modified_gmt":"2023-05-24T07:42:59","slug":"bix-ai-tools-fallbeispiel-customer-churn-prevention","status":"publish","type":"post","link":"https:\/\/www.bix-consulting.com\/en\/bix-ai-tools-fallbeispiel-customer-churn-prevention\/","title":{"rendered":"biX AI Tools - Case Study: Customer Churn Prevention"},"content":{"rendered":"

[et_pb_section fb_built=“1″ _builder_version=“4.16″ _module_preset=“default“ border_color_bottom=“#e08a00″ locked=“off“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_row _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_column type=“4_4″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“17px“ text_line_height=“1.9em“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

Customer-Churn ist die vom Kunden ausgehende K\u00fcndigung. Die Vorhersage solcher Ereignisse vor dem Eintreten ist in vielen Gesch\u00e4ftsbereichen von gro\u00dfem Interesse. Die Fokussierung von Gegenma\u00dfnahmen auf relevante Kunden verringert den Aufwand und verhindert einen Schl\u00e4fereffekt bei nicht gef\u00e4hrdeten Kunden.<\/p>\n

[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row column_structure=“1_2,1_2″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_column type=“1_2″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“17px“ text_line_height=“1.9em“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

Ein m\u00f6glicher Weg zur Vorhersage von Churn soll hier mittels Decision Trees aus der SAP HANA Predictive Analysis Library (PAL) gezeigt werden. Als Datengrundlage dient ein Datenset von Kundendaten eines Telekommunikations- unternehmens mit bekannten Churn-Ereignissen.<\/p>\n

[\/et_pb_text][\/et_pb_column][et_pb_column type=“1_2″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“17px“ text_line_height=“1.9em“ min_height=“159px“ border_width_all=“2px“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

\n

\n

\u00a0\u00a0Der Schl\u00e4fereffekt beschreibt, dass Kunden erst durch den hergestellten\u00a0 Kontakt ihre Vertragsbedingungen\u00a0 bewerten und daraufhin k\u00fcndigen.<\/p>\n

[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_column type=“4_4″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“17px“ text_line_height=“1.9em“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

Ein Decision Tree trennt den Datensatz m\u00f6glichst genau in Churn-Kunden und Nicht-Churn-Kunden. Daf\u00fcr erstellt er Entscheidungsregeln, f\u00fcr die er Kundenmerkmale verwendet, wie z.B. \u201eMonatlicher Umsatz > X\u201c oder \u201eNutzung von Streamingangeboten Ja\/Nein\u201c. Die Kombination der Einzelregeln erlaubt dem Decision Tree dann schlie\u00dflich die Zuordnung eines Kunden zu Churn\/ Nicht-Churn.<\/p>\n

[\/et_pb_text][et_pb_image src=“https:\/\/www.bix-consulting.com\/wp-content\/uploads\/2020\/10\/customer-churn.png“ title_text=“customer-churn“ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][\/et_pb_image][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_text_color=“#919191″ text_font_size=“12px“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

Abbildung 1: Ausschnitt aus m\u00f6glichem Decision Tree<\/p>\n

[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row column_structure=“1_2,1_2″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_column type=“1_2″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“17px“ text_line_height=“1.9em“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

Die Auswahl der Parameter bei der Erstellung eines Decision Trees beeinflusst sowohl die Genauigkeit der Zuordnung als auch die Komplexit\u00e4t der Regeln. Setzt man den Wert der Einfachheit hoch, so werden die Regeln weniger spezifisch, aber die Genauigkeit der Klassifizierung nimmt meist ab. Es gilt also zwischen Lesbarkeit und besserer Trennung abzuw\u00e4gen.<\/p>\n

[\/et_pb_text][\/et_pb_column][et_pb_column type=“1_2″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“17px“ text_line_height=“1.9em“ min_height=“177px“ border_width_all=“2px“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

\n

\n

Einfachheit beschreibt hier die n\u00f6tige Zahl der Kunden, die mit einer Regel beschrieben werden. Wird dieser Wert nicht erreicht, so wird die Regel nicht gebildet und die weitere Aufteilung endet in diesem Zweig.<\/p>\n

[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_column type=“4_4″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“17px“ text_line_height=“1.9em“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

F\u00fcr die Erstellung des Decision Trees und die \u00dcberpr\u00fcfung der erstellten Regeln werden Trainings- und Testdatensets ben\u00f6tigt. In diesem Beispiel liegt der Datensatz in einem aDSO im SAP BW vor. Trainingsset und Testset werden f\u00fcr die Vergleichbarkeit von Durchl\u00e4ufen aus dem Datensatz als Tabellen persistiert. Die Datenvorverarbeitung und die Aufteilung der Daten erfolgten mittels ABAP.<\/p>\n

\"\"\u00a0<\/p>
Abbildung 2: Query auf Verbindungs-aDSO<\/figcaption><\/figure>\n

Nach der Erstellung der getrennten Sets wird die Qualit\u00e4t der erstellten Decision Trees zun\u00e4chst mit dem Trainings- dann mit dem Testset beurteilt. Bei zufriedenstellender Genauigkeit der Trennung von Churn und Nicht-Churn wird ein finaler Decision Tree auf gemeinsamer Basis von Trainings- und Testdaten erstellt. Die Decision Trees werden mit einem Aufruf der SAP HANA PAL in ABAP erstellt. Die erstellten und kombinierten Regeln aus der PAL sind ohne weitere Formatierung nur schwer lesbar und noch nicht einzelnen Kunden zugeordnet. F\u00fcr die \u00dcberpr\u00fcfung der richtigen Anwendung der Stamm- und Bewegungsdaten in den Regeln ist ein Einblick aber w\u00fcnschenswert. Zudem kann die Betrachtung, welche Regel f\u00fcr einen Kunden gilt, Hinweise darauf geben, welche Aspekte das Churn-Ereignis abwenden k\u00f6nnen. Daher werden die Regeln in weiteren ABAP-Programmen formatiert und jedem Kunden die angewendete Regel zugeordnet. Die aufbereiteten Regeln werden mit den Kundendaten in einem aDSO zusammengef\u00fchrt und k\u00f6nnen per Query ausgewertet werden.<\/p>\n

\"\"\u00a0<\/p>
Abbildung 3: Auswertung auf Regelebene<\/figcaption><\/figure>\n

Mit einer Einfachheit von 150 wird eine Genauigkeit von \u00fcber 75% \u00fcber den gesamten Datensatz erreicht. Die Betrachtung auf Regelebene erlaubt aber auch die Bewertung der Genauigkeit der einzelnen Regeln, die auch mehr als 90% erreichen kann.<\/p>\n

So k\u00f6nnen die Ma\u00dfnahmen f\u00fcr die Churn-Prevention auf gef\u00e4hrdete Kunden mit ausreichender Vorhersagegenauigkeit fokussiert werden. Dadurch k\u00f6nnen Kosten f\u00fcr Vertriebsma\u00dfnahmen verringert und die Effizienz durch die Vermeidung falscher Kundenkontakte erh\u00f6ht werden.<\/p>\n

 <\/p>\n

[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=“4.16″ _module_preset=“default“ locked=“off“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_column type=“4_4″ _builder_version=“4.16″ _module_preset=“default“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“30px“ locked=“off“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

Ansprechpartner<\/span><\/p>\n

[\/et_pb_text][et_pb_image src=“https:\/\/www.bix-consulting.com\/wp-content\/uploads\/2020\/08\/Oliver-Ossenbrink-e1598705178874.png“ align=“center“ _builder_version=“4.16″ _module_preset=“default“ transform_translate=“-4px|22px“ locked=“off“ global_colors_info=“{}“ theme_builder_area=“post_content“][\/et_pb_image][et_pb_text _builder_version=“4.16″ _module_preset=“default“ text_font=“Roboto|300|||||||“ text_font_size=“16px“ transform_translate=“-3px|30px“ locked=“off“ global_colors_info=“{}“ theme_builder_area=“post_content“]<\/p>\n

\n
\n

Oliver Ossenbrink<\/h3>\n<\/div>\n<\/div>\n
\n
\n

Gesch\u00e4ftsf\u00fchrung Vertrieb und HR<\/p>\n<\/div>\n<\/div>\n

[\/et_pb_text][et_pb_social_media_follow _builder_version=“4.16″ _module_preset=“default“ transform_scale_linked=“off“ transform_translate=“0px|35px“ transform_translate_linked=“off“ text_orientation=“center“ locked=“off“ global_colors_info=“{}“ theme_builder_area=“post_content“][et_pb_social_media_follow_network url=“mailto:oliver.ossenbrink@bix-consulting.de?cc=vertrieb@bix-consulting.de“ _builder_version=“4.16″ _module_preset=“default“ background_image=“https:\/\/www.bix-consulting.com\/wp-content\/uploads\/2020\/08\/E-Mail.png“ background_enable_image=“on“ background_size=“contain“ global_colors_info=“{}“ theme_builder_area=“post_content“ follow_button=“off“ url_new_window=“on“][\/et_pb_social_media_follow_network][\/et_pb_social_media_follow][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":"

Customer-Churn ist die vom Kunden ausgehende K\u00fcndigung. Die Vorhersage solcher Ereignisse vor dem Eintreten ist in vielen Gesch\u00e4ftsbereichen von gro\u00dfem Interesse. Die Fokussierung von Gegenma\u00dfnahmen auf relevante Kunden verringert den Aufwand und verhindert einen Schl\u00e4fereffekt bei nicht gef\u00e4hrdeten Kunden.Ein m\u00f6glicher Weg zur Vorhersage von Churn soll hier mittels Decision Trees aus der SAP HANA Predictive […]<\/p>\n","protected":false},"author":6,"featured_media":979,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","_lmt_disableupdate":"","_lmt_disable":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"iawp_total_views":9,"footnotes":""},"categories":[18],"tags":[154,158,43,39,26,156,45,29,30,31,160,48,100,99,40,159,155,98,161,38,27,44,41,50,28,42,49,103,46,47,157,82],"class_list":["post-2018","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","tag-ai","tag-ai-tools","tag-beratung","tag-big-data","tag-bix","tag-bix-ai-tools","tag-bix-beratung","tag-bix-consulting","tag-bix-gold","tag-bix-sap","tag-churn","tag-consulting","tag-customer","tag-customer-churn","tag-data-science","tag-fallbeispiel","tag-ki","tag-kundenabwanderung","tag-prevention","tag-ratingen","tag-sap","tag-sap-beratung","tag-sap-bw","tag-sap-consulting","tag-sap-gold-partner","tag-sap-hana","tag-sap-solutions","tag-senken","tag-service","tag-solution","tag-tools","tag-use-case"],"modified_by":"admin","_links":{"self":[{"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/posts\/2018","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/comments?post=2018"}],"version-history":[{"count":0,"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/posts\/2018\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/media\/979"}],"wp:attachment":[{"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/media?parent=2018"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/categories?post=2018"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.bix-consulting.com\/en\/wp-json\/wp\/v2\/tags?post=2018"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}