Erklär mir, wie du für ein Abo-Produkt ein Churn-Modell von null aufbauen würdest.

Definiere zuerst Churn und den Vorhersagehorizont, denn das Label bestimmt alles Weitere. Bau ein Point-in-Time-Featureset aus Verhalten vor dem Cutoff, splitte nach Zeit, starte mit einer regularisierten Logistischen oder einer Gradient-Boosted-Baseline und evaluiere mit Precision bei der Kapazität, die das Retention-Team hat. Und designe die Intervention parallel zum Modell, denn ein Score, auf den niemand handelt, hat keinen Wert.

Ich starte beim Label, denn Churn ist nicht offensichtlich. Bei einem Monatsabo kann es heißen zum nächsten Abrechnungsdatum nicht verlängert, bei einem Nutzungsprodukt dreißig Tage keine Aktivität. Ich fixiere außerdem den Horizont: Sagen wir Churn in den nächsten dreißig Tagen oder im nächsten Quartal voraus? Das sind unterschiedliche Modelle mit unterschiedlichen Interventionen. Dann baue ich Features zum Stichtag, nur aus Verhalten davor, also Engagement-Trend, Support-Tickets, Zahlungsausfälle, Änderungen der Seat-Zahl, Vertragsdauer. Point-in-Time-Korrektheit ist der Teil, bei dem ich am vorsichtigsten bin. Ich splitte nach Zeit, trainiere auf früheren Kohorten und validiere auf späteren. Baseline ist regularisierte logistische Regression, damit ich etwas Interpretierbares habe, dann Gradient Boosting, um zu sehen, wie viel Luft nach oben ist. Für die Evaluation frage ich das Retention-Team, wie viele Kunden es pro Woche kontaktieren kann, und berichte Precision in genau diesem oberen Segment statt der Gesamt-AUC. Und ich bestehe darauf, die Intervention gemeinsam mit ihnen zu designen, idealerweise mit Holdout, sonst kann in sechs Monaten niemand sagen, ob das Modell auch nur einen Kunden gerettet hat.