AI im Banking | Customer Brain 4/5: Der Retention Loop

AI im Banking · Customer-Brain-Serie · Teil 4 von 5

Ein Churn Score beantwortet meist eine enge Frage: Wie ähnlich ist dieser Kunde früheren Kunden, die später abgewandert sind? Für Retention reicht das nicht. Eine Bank muss zusätzlich verstehen, was sich gerade verändert, welcher Grund plausibel ist, welche Reaktion zulässig wäre und ob diese Reaktion tatsächlich geholfen hat. Aus einer periodischen Rangliste muss deshalb ein kontrollierter Lernkreislauf werden.

Das Ziel ist keine garantierte Verlängerung des Kundenlebenszyklus. Es ist eine überprüfbare Wirkhypothese: Wenn relevante Signale schneller in den richtigen Kontext eingeordnet werden, kann die Bank früher, passender und zurückhaltender reagieren. Ob daraus mehr Nutzung, eine gelöste Beschwerde oder eine stabilere Beziehung entsteht, muss im Ergebnis gemessen werden.

Warum der statische Churn Score zu wenig Kontext trägt

Ein klassischer Score wird etwa wöchentlich oder monatlich berechnet. Er verdichtet Merkmale wie Nutzungshäufigkeit, Umsatzentwicklung, Produktbesitz oder Reaktionshistorie in eine Wahrscheinlichkeit. Das ist für Priorisierung nützlich, birgt aber drei Grenzen.

Erstens erklärt die Zahl selten den aktuellen Anlass. Sinkende Kartennutzung kann Abwanderung bedeuten, aber auch Urlaub, eine Ersatzkarte, saisonale Ausgaben oder eine vorübergehende technische Störung. Zweitens altert der Score zwischen zwei Berechnungen. Ein neu eröffneter Beschwerdefall kann die richtige Aktion innerhalb von Minuten verändern. Drittens ist ein Risiko noch keine Handlungserlaubnis. Consent, Kanalregeln, Kontaktfrequenz, offene Servicefälle und sensible Kontexte können eine Intervention ausschließen.

Ein dynamischer Ansatz ersetzt das Modell nicht. Er setzt dessen Ergebnis in einen zeitlichen und fachlichen Kontext. Prognose, Ereignis und Regel bleiben getrennt. So wird aus „hohes Risiko“ eine prüfbare Entscheidungssituation statt einer pauschalen Kampagnenzuordnung.

Der Loop: Signal → Kontext und Grund → zulässige Aktion → Intervention → Ergebnis → Feedback

1. Signal. Der Loop beginnt mit einer beobachtbaren Veränderung: keine Kartentransaktion im erwarteten Zeitraum, ein Onboarding-Abbruch, zwei Kontakte zum selben Serviceproblem oder eine zurückgenommene Einwilligung. Ein Signal ist noch keine Diagnose.

2. Kontext und Grund. Das System ergänzt Zeitverlauf, Produktstatus, aktuelle Servicefälle und bekannte Ausschlüsse. Es kann Gründe als Hypothesen gewichten, darf sie aber nicht als Fakten ausgeben. „Kartennutzung sinkt“ ist eine Beobachtung; „Kunde nutzt eine andere Bank“ bleibt eine Vermutung, solange kein belastbarer Beleg vorliegt.

3. Zulässige Aktion. Nun werden Optionen gegen Regeln geprüft. Ist eine Ansprache erlaubt? Welcher Kanal ist freigegeben? Gibt es eine Kontaktsperre? Muss ein Mensch entscheiden? Ist Nichtstun die bessere Option? Bei personenbezogenen Daten verlangt bereits die Auswahl der Verarbeitungsgrundlage eine konkrete Prüfung; der Europäische Datenschutzausschuss beschreibt dafür unter anderem einen dreistufigen Test für berechtigte Interessen und warnt davor, eine Datenschutzerklärung mit einer ausreichenden Erwartung der Betroffenen gleichzusetzen (EDPB Opinion 28/2024).

4. Personalisierte Intervention. Erst jetzt wird eine Nachricht, ein Servicehinweis, eine Aufgabe oder eine Übergabe vorbereitet. Personalisierung bedeutet hier nicht maximale Individualisierung. Sie bedeutet, Anlass, Ton, Kanal und Inhalt auf den zulässigen Kontext zu begrenzen. Bei höherem Risiko oder geringer Sicherheit bleibt die Freigabe beim Menschen.

5. Ergebnis. Gemessen wird nicht nur ein Klick. Je Use Case zählen zum Beispiel der Abschluss eines Onboarding-Schritts, die Wiederaufnahme regulärer Kartennutzung, eine gelöste Beschwerde, die Annahme einer Servicehilfe, ein Opt-out oder bewusst keine Veränderung. Negative Ergebnisse und Beschwerden gehören ausdrücklich dazu.

6. Feedback. Das Ergebnis fließt in die nächste Entscheidung ein: als aktualisiertes Merkmal, angepasste Regel, veränderte Priorisierung oder neue Testhypothese. Feedback ist nicht automatisch kontinuierliches Modelltraining. Gerade in regulierten Umgebungen brauchen Modelländerungen Versionierung, Prüfung und Freigabe.

Fünf Situationen, fünf unterschiedliche Antworten

Karteninaktivität: Eine längere Pause kann ein sinnvolles Signal sein. Vor einer Retention-Ansprache sollten jedoch Kartenstatus, Ersatzkartenvorgang, bekannte technische Probleme, bisheriger Nutzungsrhythmus und zulässiger Kanal geprüft werden. Die passende Intervention könnte ein sachlicher Servicehinweis sein. Ein Rabatt ist nicht automatisch die beste Reaktion.

Onboarding-Abbruch: Der letzte vollständig abgeschlossene Schritt gibt mehr Kontext als ein allgemeiner Churn Score. Bei einem technischen Fehler kann Hilfestellung sinnvoll sein; bei ausstehender Legitimation eine klare Prozessinformation; bei mehrfach ignorierten Erinnerungen möglicherweise keine weitere Nachricht. Zielhypothese ist ein leichterer Abschluss, nicht Druck.

Mögliche finanzielle Belastung: Transaktionsmuster können auf eine schwierige Situation hindeuten, beweisen sie aber nicht. Solche Ableitungen müssen besonders eng zweckgebunden, zugriffsbeschränkt und menschlich überprüft werden. Sie sollten nicht zum opportunistischen Cross-Selling dienen. Zulässig kann eher eine neutrale Serviceoption oder der Hinweis auf verfügbare Unterstützung sein. Die Bank muss vermeiden, einen sensiblen Zustand zu behaupten, den sie nur probabilistisch vermutet.

Beschwerde-Recovery: Eine offene oder kürzlich gelöste Beschwerde sollte Vertriebsaktionen übersteuern. Der Loop kann erkennen, dass zunächst eine Bestätigung, Statusinformation oder persönliche Übergabe nötig ist. Erfolg bedeutet hier nicht Umsatz, sondern eine korrekt bearbeitete Angelegenheit und eine tragfähige Wiederaufnahme des Dialogs.

Serviceübergabe: Wenn ein digitaler Prozess wiederholt scheitert, die Unsicherheit hoch ist oder eine Person ausdrücklich Unterstützung wünscht, muss der Kontext geordnet an Mitarbeitende übergehen. Fast alle in einer Branchenübersicht betrachteten deutschen Stadtwerke sahen die Übergabe an Menschen als wesentlich an; komplexe, sensible und emotionale Anliegen sowie Zahlungsschwierigkeiten blieben dort menschlichen Teams vorbehalten (ZFK). Auch wenn der Sektor ein anderer ist, ist das Muster für Bankservice relevant: Eine Übergabe ist kein Fehler des Loops, sondern eine zulässige Aktion.

Lernen heißt testen, nicht sich selbst bestätigen

Ein Retention Loop braucht ein Messdesign. Für jede Intervention sollten Zielmetrik, Beobachtungsfenster, Vergleichsgruppe, Ausschlusskriterien und mögliche Nebenwirkungen feststehen. Eine höhere Öffnungsrate kann mit mehr Beschwerden einhergehen. Wiederaufgenommene Kartennutzung kann auch ohne Intervention entstehen. Ohne Vergleich bleibt Korrelation leicht mit Wirkung verwechselbar.

Deshalb gehören Kontrollgruppen, Holdouts oder gestaffelte Einführungen zur Architektur. Ebenso wichtig sind Fairness- und Qualitätsprüfungen: Werden bestimmte Kundengruppen häufiger kontaktiert? Führt ein Merkmal zu unvertretbaren Stellvertretereffekten? Wie oft überstimmt der Service eine vorgeschlagene Aktion? Wie häufig wird bewusst nicht interveniert? Die Antworten verbessern Regeln und Priorisierung, nicht nur das Modell.

Michael Altendorf, CEO von Acceleraid, fasst die technische Ausgangslage zusammen: „Die erforderlichen technischen Bausteine sind heute verfügbar.“ Das ist keine Aussage, dass die Umsetzung erledigt sei. Datenqualität, Verantwortlichkeiten, Zugriff, Freigaben, Messdesign und Governance entscheiden, ob aus den Bausteinen ein belastbarer Retention Loop wird.

Von Predictive Decisioning zur kontrollierten Aktivierung

Acceleraid kann für diesen abgegrenzten Prozess Kunden- und Transaktionsdaten zusammenführen, Predictive Decisioning anwenden, Trigger erzeugen, eine Next Best Action vorbereiten und die Aktivierung kontrolliert ausspielen. Die sichere Aussage ist ein geschlossener Arbeitsablauf aus Bewertung, Trigger, Personalisierung und Optimierung. Daraus folgt nicht, dass ein fertiges Customer Brain, ein Knowledge Graph oder ein dauerhaftes Shared Memory bereitsteht. Ebenso wenig folgt daraus autonomes Modelltraining ohne fachliche Kontrolle.

Der praktische Startpunkt ist ein Portfolio, ein klarer Anlass und eine Zielmetrik. Banken sollten zunächst einen Loop mit wenigen erlaubten Aktionen bauen, Auswirkungen und Ausnahmen beobachten und erst danach erweitern. Der bestehende Beitrag zum geschlossenen Kreislauf im Customer Lifecycle Management vertieft die operative Logik. Der Maßstab bleibt jedoch schlicht: nicht ob das System häufiger handelt, sondern ob es im richtigen Kontext eine zulässige, nachvollziehbare und nachweislich hilfreiche Intervention ermöglicht.

Die vollständige Customer-Brain-Serie

Leitartikel: Die Customer-Brain-Roadmap · Teil 1: Customer 360 reicht nicht · Teil 2: Architektur · Teil 3: Daten und Governance · Teil 4: Retention Loop · Teil 5: Reifegradmodell

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.