Wie analysiert man Kundenbindung mit Überlebensmodellen?
Überlebensanalyse modelliert die Zeit bis zum Churn unter Berücksichtigung der Zensierung. Kaplan-Meier beschreibt Überleben; Cox verknüpft Kovariaten unter proportionalen Risiken mit der Hazardrate.
Wissenschaftliche Redaktion: Marketing Science Center
Direkte Antwort
Bindungskurven vergleichen und Zusammenhänge mit dem momentanen Risiko schätzen.
Überlebensanalyse modelliert die Zeit bis zum Churn unter Berücksichtigung der Zensierung. Kaplan-Meier beschreibt Überleben; Cox verknüpft Kovariaten unter proportionalen Risiken mit der Hazardrate.
01
Die Antwort in 30 Sekunden
Kaplan-Meier schätzt die Wahrscheinlichkeit, trotz Zensierung aktiv zu bleiben. Cox vergleicht bedingte Hazards unter proportionalen Risiken. Eine Hazard Ratio ist relativ, hier assoziativ, und keine individuelle Wahrscheinlichkeit.
Kaplan-Meier · S(t)
Wahrscheinlichkeit, trotz Zensierung bis zu einem bestimmten Horizont aktiv zu bleiben.
Log-rank
Globaler Kurvenvergleich ohne Kovariatenadjustierung.
Cox · HR
Relativer bedingter momentaner Hazard; weder Individualwahrscheinlichkeit noch kausaler Effekt.
02
Marketingsituation
Ein Team beobachtet Kunden ab unterschiedlichen Zeitpunkten. Einige kündigen, andere sind am Beobachtungsende aktiv. Eine reine Churnquote entfernt die Zeit und behandelt zensierte Fälle fälschlich als vollständig.
- 01
Ursprung
Vertragsbeginn und beobachtetes Ausgangsengagement.
- 02
Ereignis
Churn wird beobachtet; churn_event ist 1.
- 03
Zensierung
Der Kunde ist am Ende noch aktiv; churn_event ist 0 und die beobachtete Zeit bleibt informativ.
03
Wissenschaftliche Frage
Wie groß ist in der deklarierten Population und Beobachtungszeit S(t), die Wahrscheinlichkeit, länger als t Monate aktiv zu bleiben, und welche bedingte Assoziation verbindet den Tarif mit dem momentanen Hazard?
04
Warum die Rohquote scheitert
Eine 12-Monats-Bindung nur aus vollständigen Fällen bevorzugt ältere Kohorten. Die mittlere Beobachtungsdauer unterschätzt aktive Kunden. Die Überlebensanalyse nutzt deren teilweise beobachtete Zeit explizit.
Einen noch aktiven Kunden wie einen bereits abgewanderten Kunden zu behandeln oder aus der Berechnung auszuschließen.
05
Intuition
Kaplan-Meier
Ŝ(t)=∏(1-dᵢ/nᵢ)Schätzt das Überleben je Horizont und erhält Teilinformationen zensierter Fälle.
Log-rank
H₀: Sₘ(t)=Sₐ(t)Vergleicht beide Kurven global ohne Adjustierung für das Ausgangsengagement.
Cox
h(t|x)=h₀(t)exp(xβ)Schätzt einen bedingten relativen Hazard, wenn Proportionalität hinreichend plausibel ist.
Kaplan & Meier (1958), Nonparametric Estimation from Incomplete Observations · Cox (1972), Regression Models and Life-Tables
06
Benötigte Daten
Analysepopulation: die 600 synthetischen Kunden, deren Vertrag im 90-tägigen Rekrutierungsfenster beginnt, mit positiver Dauer sowie beobachtetem Tarif, Churn-Status und Ausgangsengagement. Pro Kunde wird eine Zeile eingeschlossen. Jede fehlende oder ungültige Pflichteingabe stoppt die Analyse und meldet die Zahl betroffener Zeilen; weder Imputation noch implizite Kategorien sind zulässig. duration_months ist die analytische Dauer; Datumswerte sind auf Tage gerundete Kalenderangaben.
| Feld | Definition |
|---|---|
customer_id | Eindeutige Kennung |
start_date / end_date | Beobachteter Start und Ende |
duration_months | Positive Zeit seit Ursprung |
churn_event | 1 beobachteter Churn, 0 zensiert |
plan_group | Monats- oder Jahrestarif |
baseline_engagement_z | Ausgangsengagement auf einer N(0,1)-Skala |
07
Modelle und Symbole
Überleben
S(t)=Pr(T>t)Ŝ(t)=∏₍ₜᵢ≤ₜ₎(1-dᵢ/nᵢ)Bedingter Hazard
h(t|x)=h₀(t)exp(β₁ annual + β₂ engagement)HR=exp(β₁)T ist die Zeit bis Churn in Monaten; t ist der Monatshorizont; dᵢ und nᵢ sind Churn-Ereignisse und Risikomenge bei tᵢ. S(t) und Ŝ(t) sind einheitslose Wahrscheinlichkeiten. h(t|x) und h₀(t) sind momentane monatliche Hazards bedingt auf Kovariaten x. annual ist 1 für Jahres- und 0 für Monatstarif; engagement ist baseline_engagement_z auf der N(0,1)-Skala. β₁ und β₂ sind Log-Hazard-Koeffizienten; exp(β₁) ist die einheitslose Hazard Ratio Jahres- versus Monatstarif bei gleichem Engagement.
Kaplan & Meier (1958), Nonparametric Estimation from Incomplete Observations · Cox (1972), Regression Models and Life-Tables
08
Reproduzierbare Berechnung
- 01
Population, Ursprung, Ereignis und Zensierung werden vorab festgelegt.
- 02
Ŝ(t) und sein punktweises 95-%-Intervall mit Greenwood-Varianz auf Log-Log-Skala werden je Gruppe berechnet.
- 03
Der Cox-Zweistichproben-Score, hier äquivalent zum Log-Rank-Test, vergleicht Kurven; Cox adjustiert danach Gruppe und Engagement.
- 04
Eine Interaktion Gruppe × log(t/12) diagnostiziert die Proportionalität.
Kaplan & Meier (1958), Nonparametric Estimation from Incomplete Observations · Cox (1972), Regression Models and Life-Tables · Zhang, Solomon & Sizemore (2022), Inferences for current chronic GVHD-free and relapse-free survival
09
Zahlenbeispiel
Reproduzierbares synthetisches Beispiel · 600 Kunden · 401 churns · 199 Zensierungen
S(9)
Monatlich 0,489
Jährlich 0,779
S(12)
Monatlich 0,380
Jährlich 0,702
S(18)
Monatlich 0,255
Jährlich 0,534
Cox · HR
0,494
95-%-KI [0,397; 0,615]Nach 12 Monaten lauten die 95-%-Intervalle [0,328; 0,432] und [0,642; 0,754]. Die Zeitinteraktion beträgt γ=0,179, p=0,082. Diese Werte beschreiben nur diesen synthetischen Prozess.
10
Operative Annahmen
- Sind Ereignis und Zeitursprung für alle identisch?
- Informiert die Zensierung bedingt auf Kovariaten über künftigen Churn?
- Bleibt die Hazard Ratio über den Horizont stabil?
- Verhindert ein anderes Ereignis die Churn-Beobachtung?
- Bleiben die Schlussfolgerungen bei den vorab festgelegten Horizonten von 9, 12 und 18 Monaten sowie mit der deklarierten Zeitinteraktion konsistent?
Kaplan & Meier (1958), Nonparametric Estimation from Incomplete Observations · Cox (1972), Regression Models and Life-Tables
11
Diagnostik
Zensierung
199/600 Beobachtungen sind zensiert; Grund und Zeitpunkt sind veröffentlicht.
Proportionalität
Interaktion Gruppe × log(t/12): γ=0,179, p=0,082; Nichtverwerfen beweist die Annahme nicht.
Datenstützung
Jährlicher Median 19,590 Monate; keine Extrapolation über 24 Monate hinaus.
12
Unsicherheit
Was das Intervall quantifiziert
Punktweise Unsicherheit um Ŝ(t) und asymptotische Unsicherheit um die HR in der deklarierten Spezifikation.
Was es nicht abdeckt
Simultane Bänder, Selektionsbias, Messfehler und nachträgliche Horizontwahl.
Kaplan & Meier (1958), Nonparametric Estimation from Incomplete Observations · Zhang, Solomon & Sizemore (2022), Inferences for current chronic GVHD-free and relapse-free survival
13
Interpretation
In diesem synthetischen Datensatz bei gleichem Ausgangsengagement beträgt der geschätzte momentane Hazard des Jahrestarifs etwa 49 % des Monatstarifs. Das sind weder 50,6 Bindungspunkte mehr noch ein Individualrisiko.
14
Zulässige und unzulässige Schlüsse
Zulässig
S(12) schätzen, Kurven vergleichen und eine bedingte Assoziation in der deklarierten Population, dem deklarierten Fenster und der deklarierten Spezifikation beschreiben.
Unzulässig
Den Jahrestarif als Ursache darstellen, HR in Individualwahrscheinlichkeit umrechnen, konkurrierende Risiken ignorieren oder über 24 Monate extrapolieren.
15
Mögliche Marketingentscheidung
- 01
Die für die Entscheidung wirklich relevanten Beobachtungshorizonte wählen.
- 02
Die Tarifwahl qualitativ untersuchen, bevor die Assoziation interpretiert wird.
- 03
Entscheiden, ob ein kausaler Test des Wechsels zum Jahrestarif nötig ist.
16
Wann die Methode gewechselt werden sollte
Konkurrierende Risiken
Wenn sich mehrere Ausgänge ausschließen.
Mehrzustand
Für wiederholte Übergänge zwischen Zuständen.
Zeitabhängige Kovariaten
Wenn sich die Exposition während der Beobachtung verändert.
Kausales Design
Wenn die Entscheidung den Effekt einer Intervention betrifft.
17
Implementierungen
Ausführbare Referenzen
Standard-Python 3.13 ist die ausführbare Referenz. R 4.5.1 mit survival 3.8-3 ist eine Begleitreferenz.
Sekundäre Syntaxen
SPSS 31 und SAS 9.4 müssen in ihrer Umgebung geprüft werden.
SPSS 31
COMPUTE annual=(plan_group="annual").
EXECUTE.
KM duration_months BY annual
/STATUS=churn_event(1).
COXREG duration_months
/STATUS=churn_event(1)
/METHOD=ENTER annual baseline_engagement_z.SAS 9.4
proc lifetest data=input;
time duration_months*churn_event(0);
strata plan_group;
run;
proc phreg data=input;
class plan_group(ref='monthly') / param=ref;
model duration_months*churn_event(0)=
plan_group baseline_engagement_z / ties=breslow;
run;18
Erwartetes Ergebnis
- 01
Population, Ursprung, Ereignis, Fenster und Zensierungsregel.
- 02
Risikotabelle, Ŝ(t)-Kurven, S(12)/S(18), Mediane und Intervalle.
- 03
Cox-Spezifikation, HR mit Intervall, PH-Diagnostik, Grenzen und zulässige/unzulässige Entscheidung.
19
Wissenschaftliche Quellen
Drei Publikationen begründen die dargestellten Berechnungen. Jede beantwortet eine präzise Methodenfrage; keine belegt Geschäftserfolg oder einen kausalen Tarifeffekt.
- Kaplan & Meier (1958), Nonparametric Estimation from Incomplete ObservationsProdukt-Limit-Schätzer und Zensierung
Begründet die Schätzung von S(t) bei zensierten Dauern. Belegt keinen kausalen Unterschied zwischen Tarifen.
- Cox (1972), Regression Models and Life-TablesProportionale Hazards und Vergleichs-Score
Begründet das Cox-Modell, die bedingte Hazard Ratio und die deklarierte Zeitdiagnostik. Die HR bleibt in diesem Beispiel relativ und assoziativ.
- Zhang, Solomon & Sizemore (2022), Inferences for current chronic GVHD-free and relapse-free survivalÜberlebensintervall auf der Log-Log-Skala
Stützt die Konstruktion des punktweisen Intervalls um S(t). Es deckt weder Selektionsbias noch Übertragbarkeit auf eine andere Population ab.
Datensatz · Werkzeug
Methodische Verbindungen