Was ist ein Abonnent wert, wenn erst sechs Monate Bindungsdaten vorliegen?

Um den Wert eines Abonnenten zu schätzen, nimmt die Lehrbuchmethode eine Bindungsrate und unterstellt, dass sie konstant bleibt ^[C19]. In einer Kohorte steigt diese Rate jedoch mit der Abonnementdauer: Die wechselfreudigsten Abonnenten gehen zuerst, und die verbleibenden sind im Durchschnitt treuer ^[C09]. Eine konstante Rate übersieht diese Auslese und unterschätzt den Wert des Abonnentenbestands ^[C20]. Das shifted-beta-geometric (sBG)-Modell von Fader und Hardie beschreibt diese Auslese mit zwei Parametern und schreibt die Bindung über die beobachtete Historie hinaus fort.

Anhand synthetischer Daten, bei denen die Wahrheit bekannt ist, wird eine Kohorte von 2.000 Monatsabonnenten sechs Monate lang beobachtet: Die konstante Rate schätzt den Wert eines neuen Abonnenten auf 103 €, das sBG-Modell auf 290 €, bei einem wahren Wert von 279 €. Über 100 unabhängige Ziehungen unterschätzt die konstante Rate den Wert der verbliebenen Abonnenten in 100 von 100 Fällen. Zwei Vorbehalte lasten auf diesen Zahlen: Mehr als die Hälfte des Werts entsteht nach dem 24. Monat, was sich an der Historie nicht überprüfen lässt, und das Ergebnis hängt stark vom gewählten Diskontsatz ab.

Ein monatlicher Abonnementdienst – Abo-Box, Software, Online-Presse – hat im Januar 2.000 Abonnenten gewonnen. Zu Beginn jedes Monats zahlt der Abonnent, und das Unternehmen erzielt eine Marge von 12 €; am Monatsende verlängert er oder kündigt. Sechs Monate später sind noch 1.058 Abonnenten dabei. Die Finanzleitung verlangt zwei Zahlen: wie viel ein neuer Abonnent wert ist, um die maximalen Akquisitionskosten festzulegen, und wie viel die 1.058 verbliebenen Abonnenten wert sind, um zu wissen, was der zu bindende Bestand darstellt.

Die Daten dieser Seite sind synthetisch: Bekannt ist, dass die Kündigungswahrscheinlichkeit von Abonnent zu Abonnent gemäß einer Beta-Verteilung mit den Parametern 0,5 und 2,5 variiert – einer Verteilung, die beschreibt, wie sich diese Wahrscheinlichkeit auf die Abonnenten verteilt –, das heißt: durchschnittlich kündigen 1 von 6 Abonnenten pro Monat, ein für ein Abonnement hohes Niveau.

Welcher erwartete Barwert der künftigen Margen ergibt sich – ausgehend von den in den ersten sechs Monaten einer Kohorte beobachteten Kündigungen – für einen neuen Abonnenten, und welcher für einen Abonnenten, der nach sechs Monaten noch dabei ist? Beide Werte erfordern, die Überlebenskurve der Kohorte weit über den beobachteten Horizont hinaus fortzuschreiben: Wer nur den beobachteten Teil der Kurve aufsummiert, unterschätzt Lebensdauer und Wert ^[C02].

Die beobachteten Bindungsraten steigen über den Zeitraum deutlich: 83,4 %, 87,8 %, 89,3 %, 92,5 %, 93,9 % und 93,2 %. Zwei verbreitete Abkürzungen fassen sie in einer einzigen Zahl zusammen:

• die Gesamtrate, gewichtet nach den Terminen: 942 Kündigungen bei 8.781 Verlängerungsterminen, also eine konstante Bindungsrate von 89,3 %;
• die zuletzt beobachtete Rate, die als repräsentativer für die heutige Kohorte gilt: 93,2 %.

In beiden Fällen wird unterstellt, dass jeder künftige Monat der Vergangenheit gleicht. Der Anstieg der Raten kommt jedoch nicht daher, dass jeder einzelne Abonnent mit der Zeit treuer würde: In unseren Daten ist die individuelle Wahrscheinlichkeit konstruktionsbedingt konstant. Er entsteht durch eine Auslese: Abonnenten mit hoher Kündigungswahrscheinlichkeit gehen früh, und die Kohorte konzentriert sich auf die Treuen ^{[C08, C09]}. Dieses Phänomen nennt man die „List der Heterogenität“ ^[C10]. Eine Gerade, eine Parabel oder eine Exponentialfunktion an die beobachtete Kurve anzupassen, löst nichts: Diese Kurven schmiegen sich an die vergangenen Daten an und entgleisen, sobald man sie verlängert ^[C03].

Das sBG-Modell erzählt eine einfache Geschichte ^[C04]:

1. Am Ende jedes Monats „wirft jeder Abonnent eine Münze“: Er kündigt oder er verlängert;
2. für einen gegebenen Abonnenten ändert sich die Kündigungswahrscheinlichkeit, bezeichnet mit θ, nicht mit der Zeit;
3. diese Wahrscheinlichkeit variiert von Abonnent zu Abonnent ^[C05], gemäß einer Beta-Verteilung ^[C06], einer flexiblen, zwischen 0 und 1 begrenzten Verteilung.

Zwei Parameter, α und β, fassen die gesamte Kohorte zusammen. Man schätzt sie anhand der beobachteten Monate und berechnet dann die Bindung jedes künftigen Monats. Das Modell erzeugt mechanisch Bindungsraten, die mit der Abonnementdauer steigen, obwohl jeder Abonnent dasselbe Verhalten beibehält ^[C08].

Für jede Akquisitionskohorte die Zahl der Abonnenten, die zu jedem Verlängerungstermin noch aktiv sind. Aggregierte Zählungen genügen: Das Modell lässt sich sogar anhand des Anteils der noch aktiven Kohorte schätzen ^[C31] – um die Unsicherheit zu messen, braucht man aber die tatsächlichen Bestandszahlen. Außerdem braucht man die Marge pro Periode, vereinnahmt zu Periodenbeginn, und einen Diskontsatz, ausgedrückt in derselben Zeiteinheit wie die Termine: hier 1 % pro Monat, also etwa 12,7 % pro Jahr.

Die Methode setzt feste Termine (monatlich, jährlich) und eine vom Unternehmen beobachtete Kündigung voraus ^[C01]. Kann die Kündigung zu jedem beliebigen Zeitpunkt erfolgen, braucht man das Gegenstück in stetiger Zeit ^[C15]; sieht das Unternehmen den Abgang des Kunden nicht, wie im Handel ohne Abonnement, braucht man andere Modelle ^[C16].

Dieser Abschnitt richtet sich an Praktiker. Wer entscheidet, kann ihn überspringen und bei „Die offengelegte Berechnung“ weiterlesen: Der Satz „Kurz gesagt“ an seinem Ende genügt.

• T: die Zahl der von einem Abonnenten gezahlten Monatsbeiträge, also seine Lebensdauer in Monaten; T ≥ 1.
• θ: die jedem Abonnenten eigene Wahrscheinlichkeit, zu einem Termin zu kündigen; sie ist zeitlich konstant. Wäre θ bekannt, so gälte S(t | θ) = (1 − θ)ᵗ.
• θ folgt einer Beta-Verteilung mit den Parametern α > 0 und β > 0 ^[C06]. Ihr Mittelwert α / (α + β) ist die durchschnittliche Kündigungswahrscheinlichkeit; der Polarisierungsindex φ = 1 / (α + β + 1) misst die Heterogenität ^[C34]: Nahe 0 ähneln sich alle Abonnenten; nahe 1 teilen sie sich in sehr treue und sehr wechselfreudige.
• S(t) = P(T > t): der Anteil der Kohorte, der nach t Terminen noch aktiv ist; S(0) = 1.
• Bindungsrate zum Termin t: rₜ = S(t) / S(t − 1) = (β + t − 1) / (α + β + t − 1), daraus S(t) = r₁ × r₂ × … × rₜ. Die Wahrscheinlichkeiten werden rekursiv berechnet, ohne Betafunktion ^[C07]: P(T = 1) = α / (α + β) und P(T = t) = P(T = t − 1) × (β + t − 2) / (α + β + t − 1).
• Log-Likelihood über sechs Termine, mit nₜ Kündigungen zum Termin t, s₆ noch aktiven Abonnenten und ln als natürlichem Logarithmus: LL(α, β) = Σₜ₌₁⁶ nₜ ln P(T = t) + s₆ ln S(6) ^[C38]. Gesucht sind die Werte von α und β, die sie maximieren ^[C11].
• m: Marge pro Monat, vereinnahmt zu Monatsbeginn; d: monatlicher Diskontsatz.
• Wert eines neuen Abonnenten, oder CLV (customer lifetime value, Kundenlebenswert): CLV = m × Σₜ₌₀^∞ S(t) / (1 + d)ᵗ ^[C33].
• Restwert (RW) eines nach n Terminen noch aktiven Abonnenten, gemessen in dem Moment, in dem er gerade seinen Monatsbeitrag n + 1 gezahlt hat: RW(n) = m × Σₜ₌ₙ₊₁^∞ [S(t) / S(n)] / (1 + d)ᵗ⁻ⁿ. Das Verhältnis S(t) / S(n) berücksichtigt die bereits erreichte Abonnementdauer: Ein Abonnent, der bereits sechsmal verlängert hat, hat wahrscheinlich ein niedrigeres θ als der Durchschnitt ^[C21]. Fader und Hardie messen diesen Wert unmittelbar vor der Verlängerungsentscheidung und schließen die nächste Zahlung ein; diese Wahl des Zeitpunkts ist eine Konvention ^[C39], und beide Schreibweisen lassen sich ineinander überführen.
• Modell mit konstanter Rate (geometrisch), Grenzfall des sBG, wenn die Polarisierung gegen 0 geht ^[C35]: θ̂ = Kündigungen / Verlängerungstermine, S(t) = (1 − θ̂)ᵗ, daraus CLV = m (1 + d) / (d + θ̂).

Kurz gesagt: Jeder Abonnent behält seine eigene Wahrscheinlichkeit zu gehen; da die Wechselfreudigsten zuerst gehen, wird die Kohorte treuer, und der Wert eines Abonnenten hängt davon ab, wie lange er bereits geblieben ist.

1. Synthetische Kohorte, erzeugt durch eine offengelegte lineare Kongruenzrekursion (Seed 20261002; x ← 1103515245 · x + 12345 mod 2³¹), identisch in Python und R. Die Dauer jedes Abonnenten wird durch Invertieren der wahren sBG-Überlebensfunktion gezogen (α = 0,5, β = 2,5).
2. Kalibrierung anhand der ersten sechs Termine; die Monate 7 bis 24 werden zurückgehalten, um die Projektion zu beurteilen.
3. Modell mit konstanter Rate: Maximum-Likelihood-Schätzung, die sich auf das Verhältnis Kündigungen / Termine reduziert.
4. sBG-Modell: Maximum-Likelihood über (ln α, ln β) mit dem von Hand implementierten Nelder-Mead-Simplex-Verfahren; das Programm bricht mit einem Fehler ab, wenn das Verfahren nicht konvergiert. Standardfehler über die numerische Hesse-Matrix auf der logarithmischen Skala, mit der Delta-Methode auf α und β zurückgerechnet: Standardfehler von α = α × Standardfehler von ln α.
5. Variante „letzte Rate“: die zuletzt beobachtete Bindungsrate (Monat 6), unverändert fortgeschrieben.
6. Barwerte mit 1 % pro Monat diskontiert (etwa 12,7 % pro Jahr), Marge von 12 € pro Monat, Reihen nach 3.000 Gliedern abgebrochen – der Rest liegt unter einem Cent.
7. Unsicherheit: parametrischer Bootstrap, 200 aus den geschätzten Parametern simulierte Kohorten, jede neu geschätzt; das Intervall reicht vom 5. bis zum 195. der 200 sortierten Werte, also ein 95-%-Konfidenzintervall (näherungsweise).
8. Wiederholung des gesamten Verfahrens auf 100 unabhängigen Kohorten, um Systematisches vom Zufall einer einzelnen Ziehung zu trennen.
9. Sensitivität: Anteil des Werts jenseits des 24., 60. und 120. Monats; Werte, begrenzt auf die ersten 24, 36 und 60 Monatsbeiträge; Werte für einen Diskontsatz von 0,5 %, 1 %, 1,5 % und 2 % pro Monat sowie von 10 % pro Monat, dem Satz pro Verlängerungstermin bei den Autoren, deren Termine jährlich sind.
10. Prüfung des Codes vor der Verwendung: Beide Programme reproduzieren die von Fader und Hardie (2007) veröffentlichten Schätzungen auf deren zwei Datensätzen (α = 0,668 und β = 3,806; α = 0,704 und β = 1,182) ^{[C12, C13]} sowie die zehn diskontierten Restlebensdauern aus Tabelle 4 von Fader und Hardie (2010) ^[C32], und sie brechen mit einem Fehler ab, wenn sie diese nicht reproduzieren. Der Text des Artikels von 2007 druckt auf Seite 9 für α den Wert 0,688; die Maximum-Likelihood-Schätzung reproduziert den Wert aus dem Anhang, 0,668.

Die Schätzungen. Das Modell mit konstanter Rate ergibt eine Kündigung von 10,7 % pro Monat. Das sBG-Modell ergibt α = 0,475 (Standardfehler 0,048) und β = 2,371 (0,327), also eine durchschnittliche Kündigung von 16,7 % und einen Polarisierungsindex von 0,26 – nahe an den wahren Werten 16,7 % und 0,25. Das sBG passt deutlich besser: Log-Likelihood −2.926,8 gegenüber −2.992,4 und ein um 129 Punkte niedrigeres Akaike-Informationskriterium, das zwischen Anpassungsgüte und Zahl der Parameter abwägt (niedriger ist besser).

Die Projektion, beurteilt an den zurückgehaltenen Monaten.

Das sBG-Modell schätzt im 6. Monat, innerhalb des Kalibrierungszeitraums, eine Bindungsrate von 93,9 % und projiziert dann 96,6 % im 12. Monat und 98,2 % im 24.: Die Kohorte stabilisiert sich bei ihren treuen Abonnenten.

Die Werte.

Gemessen am wahren Wert unterschätzt die konstante Rate den Wert eines neuen Abonnenten um 63 % und den der verbliebenen Abonnenten um 80 %; die letzte Rate um 68 %. Das sBG überschätzt bei dieser Ziehung beide Werte um etwa 4 %.

Was die Historie nicht überprüft. Der sBG-Wert eines neuen Abonnenten liegt zu 56,8 % jenseits des 24. Monats, zu 32,4 % jenseits des 60. und zu 14,6 % jenseits des 120.; für einen verbliebenen Abonnenten betragen diese Anteile 70,8 %, 40,5 % und 18,3 %. Begrenzt auf die ersten Monatsbeiträge ergibt sich für den Wert eines neuen Abonnenten Folgendes:

Die Sensitivität gegenüber dem Diskontsatz.

Allein die Wahl des Satzes zwischen 0,5 % und 2 % pro Monat verschiebt den sBG-Wert eines neuen Abonnenten von 431 € auf 193 €: weit mehr als die Schätzunsicherheit.

Über 100 unabhängige Kohorten.

Die Verzerrung ist der Mittelwert der 100 Schätzungen abzüglich des wahren Werts. Beim sBG ist sie nicht von null zu unterscheiden: Sein Simulationsfehler beträgt 1,92 € für einen neuen und 3,35 € für einen verbliebenen Abonnenten. Die konstante Rate und die letzte Rate unterschätzen den Wert der verbliebenen Abonnenten in 100 von 100 Ziehungen. Die Schätzungen mit konstanter Rate schwanken von Ziehung zu Ziehung kaum: Sie sind präzise, aber falsch.

• Konstante individuelle Wahrscheinlichkeit. Das Modell schreibt den gesamten Anstieg der Raten der Auslese zu. Eine andere mögliche Erklärung ist, dass sich jeder Abonnent mit der Abonnementdauer tatsächlich verändert ^[C28]; mit aggregierten Daten lassen sich beide Erklärungen nicht unterscheiden, die Annahme ist hier also nicht prüfbar. Binden sich Ihre Abonnenten mit der Zeit an den Dienst, oder werden sie seiner überdrüssig? Das diskrete Beta-Weibull-Modell lockert diese Annahme ^[C17].
• Kein geplanter Bruch. Bei Monatsdaten erzeugen Saisonalität und das Ende von Einführungsangeboten Kündigungsspitzen; dann kann man das sBG durch ein Verweildauermodell mit erklärenden Variablen ersetzen ^[C29]. Endet Ihr Probeangebot für 1 € im 3. Monat?
• Feste Termine und beobachteter Abgang: Die Methode gilt weder für Kündigungen zu jedem beliebigen Zeitpunkt ^[C15] noch für einen Handel ohne Abonnement ^[C16]. Können Ihre Abonnenten mitten im Monat kündigen, und wissen Sie immer, dass sie gegangen sind?
• Eine Kohorte, die für die künftigen Kohorten repräsentativ ist. Kohorten, die zu anderen Zeitpunkten oder über andere Kanäle gewonnen wurden, können sich anders verhalten ^[C37]. Bei mehreren Kohorten ist der natürliche Ausgangspunkt, sie unter gemeinsamen Parametern zusammenzufassen; man kann sie aber auch getrennt schätzen oder ihnen eigene Parameter geben ^[C18]. Wurden Ihre Kohorten von Januar und September über dieselben Kanäle und zum selben Preis gewonnen?
• Konstante Marge pro Monat: Ein Abonnent, der in einen höheren Tarif wechselt, erfordert eine gesonderte Modellierung der Marge. Verändert sich Ihre Marge pro Abonnent mit der Abonnementdauer?
• Die Abonnenten kündigen unabhängig voneinander. Hat eine Preisänderung oder eine Störung nicht eine Welle gleichzeitiger Abgänge ausgelöst?

• Validierung außerhalb der Stichprobe: Bei realen Daten die letzten Monate zurückhalten, anhand der ersten schätzen und die Projektion mit den Beobachtungen vergleichen. Hier beträgt die mittlere Abweichung des sBG über die Monate 7 bis 24 1,1 Prozentpunkte. Diese Prüfung betrifft nur den beobachteten Horizont: Sie überprüft nicht die 56,8 % des Werts eines neuen Abonnenten, die nach dem 24. Monat entstehen und von der Form der Beta-Verteilung nahe θ = 0 bestimmt werden, über die sechs Monate Historie wenig aussagen.
• Vergleich der Anpassungen: Das Likelihood-Verhältnis beträgt 131,3. Das Modell mit konstanter Rate ist der Grenzfall des sBG, wenn die Polarisierung gegen 0 geht ^[C35], ein Wert am Rand des Parameterraums: Die übliche χ²-Verteilung gilt nicht exakt, und die Zahl ist als Indikator zu lesen, nicht als Test.
• Schätzunsicherheit: Nach parametrischem Bootstrap reicht das 95-%-Konfidenzintervall (näherungsweise) für den erwarteten Wert eines neuen Abonnenten von 250 € bis 331 €, für den erwarteten Wert eines verbliebenen Abonnenten von 397 € bis 537 €. Diese Intervalle beziehen sich auf den Erwartungswert, nicht auf den Wert, den ein bestimmter Abonnent tatsächlich erbringen wird; sie setzen voraus, dass das sBG-Modell zutrifft, und decken weder den Modellfehler ab noch die Unsicherheit über die künftige Marge oder den Diskontsatz.
• Standardfehler der Parameter: 0,048 für α, 0,327 für β. Mit sechs Monaten Historie bleibt β der am wenigsten genau bekannte Parameter.
• Diskontsatz: Zwischen 0,5 % und 2 % pro Monat reicht der sBG-Wert eines neuen Abonnenten von 431 € bis 193 €; diese Wahl, die der Finanzleitung obliegt, wiegt schwerer als die Schätzunsicherheit.
• Was die Simulation beweist und was nicht: Die Daten werden von einem sBG-Modell erzeugt, das sBG ist dort also konstruktionsbedingt richtig. Die Simulation misst die Kosten, Heterogenität zu ignorieren, wenn sie vorhanden ist; sie zeigt nicht, dass das sBG zu Ihren Daten passt.

Die Bindungsrate der Kohorte steigt, weil sich die Zusammensetzung der Kohorte ändert, nicht weil sich jeder Abonnent ändert. Eine konstante Rate behandelt den 25. Monat wie den 2., was darauf hinausläuft, die treuen Abonnenten zu schnell gehen zu lassen. Der Fehler wiegt beim Wert der verbliebenen Abonnenten am schwersten: Genau das sind die Treuen. Die Autoren des Modells finden durch numerische Analyse in üblichen Situationen eine Unterschätzung in der Größenordnung von 25 % bis 50 % ^[C26] sowie von 28 % bzw. 48 %, wenn sie die auf zwei realen Datensätzen geschätzten Parameter auf einen fiktiven Bestand anwenden, der jährlich 10.000 Kunden gewinnt ^[C25]; formal beweisen sie dies nicht ^[C30]. Unsere Abweichung ist größer, und der Hauptgrund ist der Diskontsatz pro Periode: Bei 1 % pro Monat wiegen die fernen Monate, in denen nur noch die Treuen übrig sind, viel schwerer als bei 10 % pro Verlängerungstermin, der Konvention der Autoren, deren Termine jährlich sind. Auf unsere monatlichen Termine und unsere einzelne Kohorte angewandt, nicht auf die Fünf-Kohorten-Basis der Autoren, verringert ein Satz von 10 % pro Monat die Abweichung bei den verbliebenen Abonnenten auf −39 % für die konstante Rate und auf −22 % für die letzte Rate. Je ähnlicher sich die Abonnenten sind, desto kleiner ist der Fehler der konstanten Rate ^[C23]; bei starker Heterogenität bleibt sie nur vertretbar, wenn die durchschnittliche Kündigung sehr niedrig ist ^[C24].

• Zulässig: „Für diese Kohorte beträgt der erwartete Wert eines neuen Abonnenten – sofern der Anstieg der Raten aus der Auslese der Abonnenten stammt und bei einem Diskontsatz von 1 % pro Monat – etwa 290 € diskontierte Marge, mit einem 95-%-Konfidenzintervall (näherungsweise) von 250 € bis 331 €.“
• Zulässig: „In dieser Simulation (sBG, α = 0,5, β = 2,5) unterschätzt eine Bewertung des Bestands mit konstanter Bindungsrate diesen stark; das ist in 100 von 100 Ziehungen der Fall.“
• Unzulässig: zu folgern, dass Abonnenten mit zunehmender Dauer treuer werden. Aggregierte Daten unterscheiden die Auslese nicht von einer echten individuellen Veränderung ^[C28].
• Unzulässig: den projizierten Wert als sicher darzustellen. Ein CLV ist ein Erwartungswert ^[C22], bedingt auf das Modell, die Marge und den Diskontsatz, und mehr als die Hälfte davon ist über die Historie hinaus projiziert.
• Unzulässig: das Modell ohne Anpassung auf Kunden ohne Abonnement oder auf eine vom Ende eines Einführungsangebots geprägte Kohorte anzuwenden ^{[C16, C29]}.
• Unzulässig: diese Zahlen als Marktergebnis darzustellen; die Daten sind synthetisch.

• Obergrenze der Akquisitionskosten. Von der Untergrenze des Intervalls ausgehen – 250 € diskontierte Marge pro neuem Abonnenten – und nicht von den 103 € der konstanten Rate, die, sofern das Modell zutrifft, dazu führen würden, rentable Kampagnen abzulehnen. Eine Obergrenze in Höhe des erwarteten Werts entspricht dem Break-even, nicht einem Gewinn: Die Sicherheitsmarge, insbesondere für den Modellfehler und die Wahl des Diskontsatzes, bleibt eine Entscheidung der Finanzleitung. Diese Obergrenze setzt außerdem voraus, dass sich die nächsten Neukunden wie diese Kohorte verhalten ^[C37]; das ist bei jeder neuen Kohorte und jedem neuen Kanal zu prüfen.
• Kundenbindung. Der Wert der verbliebenen Abonnenten – etwa 494.000 €, zwischen 420.000 € und 568.000 € für die 1.058 Abonnenten insgesamt – misst, was auf dem Spiel steht, und ist kein Budget. Das Budget für Kundenbindung hängt vom Gewinn ab, den eine Bindungsmaßnahme tatsächlich erzeugt: zu messen mit einem Experiment. Die Empfindlichkeit des Werts gegenüber der Bindung, seine Elastizität, lässt sich mit demselben Modell berechnen ^[C36], und eine aggregierte Rate unterschätzt auch sie ^[C27].
• Monitoring. Das Modell jeden Monat neu schätzen, während die Kohorte altert, und jede neue Projektion mit den Beobachtungen vergleichen.

Die Entscheidung bleibt eine menschliche und liegt in der Verantwortung der Finanzleitung.

• Einsetzen: Abonnements mit festen Terminen, monatlich oder jährlich, sobald die Bindung über die Historie hinaus fortgeschrieben werden muss: Wert eines neuen Abonnenten, Wert des Bestands, Obergrenze der Akquisitionskosten.
• Nicht zur Auswahl abwanderungsgefährdeter Abonnenten einsetzen: Um zu erkennen, welcher Abonnent nächsten Monat zu kündigen droht, sind Churn-Score-Modelle, die Variablen wie die Zahl der Anrufe beim Kundenservice nutzen, das geeignete Werkzeug; für die Fortschreibung der Überlebenskurve eignen sie sich dagegen schlecht, weil die künftigen Werte dieser Variablen unbekannt sind ^[C14]. Siehe die Seite zur Churn-Prognose mit logistischer Regression.
• Nicht allein einsetzen: bei einem Einführungsangebot oder starker Saisonalität ^[C29] oder wenn der Verdacht besteht, dass sich die individuelle Treue mit der Abonnementdauer ändert ^{[C17, C28]}.
• Alternativen: in stetiger Zeit das Exponential-Gamma-Modell ^[C15]; ohne Abonnement die Modelle Pareto/NBD oder BG/NBD ^[C16] – siehe die Seite zur Schätzung des nicht vertraglichen CLV; um das beobachtete Überleben zu beschreiben, ohne es fortzuschreiben, der Kaplan-Meier-Schätzer – siehe die Seite zur Analyse von Kundenbindung und Überleben. Um eine Projektion an zurückgehaltenen Monaten zu beurteilen, siehe die Seite zur Validierung einer Marketingprognose.

• Python 3.14.5, nur Standardbibliothek: msc-p043-reference.py, zu starten mit python msc-p043-reference.py
• R 4.6.1, nur Basis: msc-p043-reference.R, zu starten mit Rscript msc-p043-reference.R
• Beide Programme geben exakt dieselben Zeilen aus; deren sha256-Fingerabdruck nach Normalisierung der Zeilenenden lautet f98cbaeade192173a375ae7e4290cb24ec7561c498f7fbca17f45811847186fb. Offengelegter Seed 20261002. Keine Drittbibliothek: Die Software validiert die Methode nicht, sie reproduziert sie.
• Externe Prüfung: Vor jeder Berechnung mit den synthetischen Daten reproduzieren beide Programme die von Fader und Hardie veröffentlichten Schätzungen und die Restlebensdauern aus deren Tabelle von 2010; andernfalls brechen sie mit einem Fehler ab ^{[C12, C13, C32]}.

Die projizierte Bindungskurve und ihre Validierung außerhalb der Stichprobe, die Parameter α und β mit ihren Standardfehlern, der Wert eines neuen Abonnenten und der der verbliebenen Abonnenten mit ihren Intervallen, der Anteil dieser Werte jenseits des überprüften Horizonts, ihre Sensitivität gegenüber dem Diskontsatz, der Vergleich mit der konstanten Rate sowie die Liste der vor einer Entscheidung zu prüfenden Annahmen.

• Fader, P. S. & Hardie, B. G. S. (2007). How to Project Customer Retention. Journal of Interactive Marketing 21(1), 76–90. ↗ – Arbeitsfassung der Autoren, Mai 2006, Volltext geprüft ^{[C01–C18, C31, C33, C37, C38]}.
• Fader, P. S. & Hardie, B. G. S. (2010). Customer-Base Valuation in a Contractual Setting: The Perils of Ignoring Heterogeneity. Marketing Science 29(1), 85–93. ↗ – veröffentlichte Fassung, Volltext geprüft ^{[C19–C30, C32, C34–C36, C39]}.
• Evidenzniveau: Demonstration anhand synthetischer Daten, eine detailliert dargestellte Ziehung, ein Bootstrap mit 200 Kohorten und 100 wiederholte Ziehungen, reproduzierbar in Python und R; Code an den von den Autoren veröffentlichten Werten geprüft. Dies ist kein Marktergebnis. Die Autoren selbst belegen die Unterschätzung durch numerische Analyse, ohne formalen Beweis ^[C30].