Anwendungsfall: Abwanderung durch zeitnahe erneute Interaktion mit Inhalten verringern

Dieses Beispiel veranschaulicht, wie eine fiktive Marke Predictive Abwanderung einsetzt, um proaktiv die Abwanderung von Nutzer:innen zu reduzieren. Anstatt abzuwarten, bis es zu Abwanderung kommt, sollten Sie vorhersagen, welche Nutzer:innen gefährdet sind, und ihnen maßgeschneiderte Nachrichten zukommen lassen, solange sie noch aktiv sind.

Nehmen wir an, Camila ist CRM-Manager:in bei MovieCanon, einer Streaming-Plattform für Independent-Filme, Dokumentationen und internationale Serien.

Das Team von Camila hat einen besorgniserregenden Trend festgestellt: Nutzer:innen führen eine Registrierung durch, streamen ein oder zwei Filme und verschwinden dann. In der Vergangenheit wurde versucht, eine Woche später eine allgemeine E-Mail mit dem Inhalt „Wir vermissen Sie“ zu versenden – jedoch mit einer Konversionsrate von nur 3 % war dies unzureichend und kam zu spät. Die meisten Nutzer:innen interagieren nicht erneut, und Abwanderung wird unvermeidlich.

Camila möchte dies ändern. Anstatt auf Abwanderung zu reagieren, nachdem er bereits eingetreten ist, nutzt sie Predictive Abwanderung, um Nutzer:innen zu identifizieren, die innerhalb der nächsten 14 Tage wahrscheinlich inaktiv werden – so hat ihr Team die Möglichkeit zu einer erneuten Interaktion mit diesen Personen, solange sie noch aktiv sind.

Dieses Tutorial führt Sie durch die Vorgehensweise von Camila:

• Erstellen eines Modells zur Abwanderung-Prognose auf Grundlage des Nutzerverhaltens
• Segmentieren von Nutzer:innen nach Risikostufe
• Entwickeln einer Campaign zur erneuten Interaktion, die auf die am stärksten gefährdeten Personen zugeschnitten ist
• Bewerten der Auswirkungen mithilfe von Campaign-Analytics

Schritt 1: Ein Churn-Prognosemodell erstellen

Camila beginnt damit, das Ergebnis zu modellieren, das sie vermeiden möchte: dass Nutzer:innen inaktiv werden. Für MovieCanon bedeutet Churn, dass innerhalb von 14 Tagen kein Stream gestartet wird – das ist also das Verhalten, das sie vorhersagen möchte.

1. Im Braze-Dashboard navigiert Camila zu Analytics > Predictive Churn.
2. Sie erstellt eine neue Churn-Prognose und nennt sie „Churn-Risiko in 2 Wochen“.
3. Um Churn zu definieren, wählt sie do not und das angepasste Event stream_started aus, das aktives Engagement anzeigt.
4. Sie legt das Prognosefenster auf 14 Tage fest – das bedeutet, das Modell identifiziert Nutzer:innen, die wahrscheinlich 14 Tage lang keinen neuen Stream starten werden.

5. Sie wählt eine Prognose-Zielgruppe aus, die alle Nutzer:innen umfasst, die in den letzten 30 Tagen relevante Events ausgelöst haben – so hat das Modell genügend aktuelles Verhalten, um daraus zu lernen.
6. Sie legt den Aktualisierungsplan der Prognose auf wöchentlich fest, damit die Bewertungen aktuell bleiben.
7. Sie wählt Create prediction aus.

Das Modell beginnt dann mit dem Training und analysiert Verhaltensmuster wie aktuelle Sitzungen, Häufigkeit des Ansehens und Interaktionen mit Inhalten, um Muster zu erkennen, die auf einen Abfall hindeuten. Camila erhält eine Stunde später eine E-Mail, dass das Training ihrer Prognose abgeschlossen ist. Sie öffnet die Prognose in Braze und überprüft den Wert für die Prognosequalität. Er ist als „Good“ gekennzeichnet, was bedeutet, dass die Vorhersagen des Modells wahrscheinlich genau und zuverlässig sind. Überzeugt von der Performance des Modells, fährt sie fort.

Schritt 2: Nutzer:innen nach Abwanderungsrisiko segmentieren

Nachdem das Modell das Training abgeschlossen hat, weist Braze allen berechtigten Nutzer:innen einen Churn-Risiko-Score zwischen 0 und 100 zu.

Um einen Ausgangswert für das Targeting festzulegen, verwendet Camila den Schieberegler für die Prognosezielgruppe, um eine Vorschau zu erhalten, wie viele Nutzer:innen in jeden Score-Bereich fallen und wie genau die Prognose auf dieser Ebene ist. Sie wägt Reichweite und Präzision basierend auf erwarteten echten Treffern ab. Auf dieser Grundlage entscheidet sie sich, Risiko-Scores über 70 anzusprechen.

1. Camila navigiert zu Segments in Braze.
2. Sie erstellt ein Segment mithilfe des Churn-Risiko-Score-Filters und wählt die zuvor erstellte Churn-Prognose aus:
   • Wahrscheinlich abwandernd: Score über 70

Schritt 3: Gefährdete Nutzer:innen mit wiederkehrenden Re-Engagement-Inhalten ansprechen

Mit ihrer Prognose und ihrem Segment erstellt Camila eine wiederkehrende Campaign, die automatisch Nutzer:innen erreicht, die jede Woche als gefährdet eingestuft werden.

1. Camila erstellt eine wiederkehrende Campaign und aktiviert intelligentes Timing, sodass jede Nachricht dann zugestellt wird, wenn die jeweilige Nutzer:in am wahrscheinlichsten interagiert – anstatt sich auf einen festen Tag und eine feste Uhrzeit zu verlassen.
2. Sie wählt das soeben erstellte Segment „Wahrscheinliche Abwanderung“ als Zielgruppe aus.
3. Sie legt das Conversion-Event der Campaign auf das angepasste Event stream_started fest, um zu verfolgen, wie viele Nutzer:innen tatsächlich zurückkehren, um Inhalte anzusehen.
4. Camila wählt E-Mail als primären Kanal – so hat sie genug Platz, um mehrere personalisierte Inhaltsempfehlungen in einem visuell ansprechenden Format hervorzuheben, ohne zu aufdringlich zu wirken. Die E-Mail enthält:
   • Eine personalisierte Watchlist, die von KI-Artikelempfehlungen unterstützt und dynamisch aus dem Katalog von MovieCanon ausgewählt wird
   • Einen Call-to-Action, der die Nutzer:innen direkt in die App führt.

So stellt MovieCanon sicher, dass jede Woche nur die Nutzer:innen erreicht werden, die einen Anstoß brauchen – kein übermäßiges Messaging, kein Rätselraten.

Beispiel-E-Mail

• Betreffzeile: Lassen Sie diese Titel nicht hängen
• Header: Ihr nächstes Highlight wartet schon
• Inhalt: Schon eine Weile nichts mehr gestreamt? Kein Problem – wir haben ein paar Empfehlungen nur für Sie zusammengestellt. Von packenden Thrillern bis zu preisgekrönten Dokumentationen ist garantiert etwas für Sie dabei.
• CTA: Mehr Empfehlungen ansehen

Schritt 4: Performance messen

Nach einigen Wochen überprüft Camila ihre Campaign-Analytics, um zu bewerten, wie gut die Strategie funktioniert.

Sie sieht:

• Öffnungsrate: 31 %
• Klickrate: 15 %
• Konversionsrate (Stream innerhalb von 48 Stunden gestartet): 11 %

Im Vergleich zur alten „Wir vermissen Sie“-Campaign (bei der die Konversionsraten bei etwa 3 % lagen) reduziert dieser neue Flow die Abwanderung in der Zielgruppe um 28 %. Sie analysiert den Funnel-Bericht, um festzustellen, wo Nutzer:innen abspringen. Während Öffnungs- und Klickraten stark sind, bemerkt sie leichte Reibung zwischen Klick und Konversion – was sie dazu veranlasst, CTA-Texte zu testen oder mit dem Layout zu experimentieren.

Um die langfristigen Auswirkungen zu verstehen, verfolgt Camila auch das Volumen der Nutzer:innen, die Woche für Woche in das Segment „Wahrscheinlich abwandernd“ eintreten. Dies hilft ihr, die allgemeine Gesundheit des Lebenszyklus zu bewerten und die Bindungsstrategie auf einer breiteren Ebene zu gestalten. Schließlich besucht sie die Seite Prognose-Analytics für ihre Churn-Prognose erneut, um prognostizierte mit tatsächlich abgewanderten Nutzer:innen zu vergleichen – eine nützliche Überprüfung, um sicherzustellen, dass das Modell wie erwartet funktioniert.

Basierend auf diesen Insights plant Camila, A/B-Tests für Betreffzeilen durchzuführen, verschiedene Zeitfenster zu testen und mit Inhaltsformaten wie Karussell-Empfehlungen in einer In-App-Nachricht zu experimentieren.

Mit voraussichtlicher Abwanderung, intelligentem Timing und KI-gestützter Personalisierung reagiert Camilas Team nicht nur auf Abwanderung – sie sind ihr einen Schritt voraus. Und ihre Campaign läuft leise im Hintergrund, erreicht die richtigen Personen, zur richtigen Zeit, mit Inhalten, die sie wirklich interessieren.