Fallstudie: Kundendaten konsolidieren, bevor der Kündigungsgrund entsteht
Ein Kunde denkt gerade über eine Kündigung nach. Der Vertrieb sieht nur den aktuellen Vertragsstand. Der Support sieht nur das offene Ticket. Niemand sieht beides gleichzeitig – und deshalb kommt die Kündigung am Ende überraschend, obwohl die Warnsignale längst da waren.
Die Ausgangslage
Ein Unternehmen mit einer wachsenden, komplexen Kundenstruktur: mehrere Vertragsarten pro Kunde, unterschiedliche Kontaktpunkte über verschiedene Kanäle und Systeme hinweg, dazu Jahre an Historie in Support-Tickets, E-Mail-Verläufen und internen Notizen.
Das eigentliche Problem war nicht fehlende Information – die war reichlich vorhanden. Das Problem war, dass sie über mehrere Systeme verstreut lag, ohne ein gemeinsames Bild. Ein Vertriebsmitarbeiter sah den aktuellen Vertragsstand, aber nicht die drei frustrierten Support-Tickets aus dem letzten Monat. Der Support sah das aktuelle Ticket, aber nicht, dass der Kunde gerade über eine Vertragsverlängerung nachdenkt.
Kündigungen kamen dadurch häufig überraschend – nicht, weil es keine Warnsignale gegeben hätte, sondern weil niemand alle Signale gleichzeitig sah.
Der Ansatz: Wie die Auswertung tatsächlich funktioniert
Der erste Schritt ist reine Konsolidierung: Tickets, Telefonate, E-Mails und CRM-Einträge eines Kunden werden zusammengeführt und in eine chronologische Historie gebracht – eine durchgehende Zeitlinie statt verstreuter Einzelansichten in unterschiedlichen Systemen.
Auf dieser Historie arbeitet ein spezialisiertes Modell, das die letzten X Kontaktpunkte eines Kunden im Kontext auswertet und einordnet, wie sich der Ton der Kommunikation über die Zeit entwickelt hat: gleich geblieben (neutral), verschlechtert (Warnung) oder verbessert (positiv). Wichtig dabei: Ausschließlich der Kontext dieses einen Kunden fließt in die Bewertung ein – keine Vermischung mit Daten anderer Kunden, auch nicht zu Trainings- oder Vergleichszwecken.
In denselben Kontext fließen außerdem die Verträge und Dienstleistungen ein, die der Kunde aktuell hat, sowie die Produkte und Angebote, die grundsätzlich verfügbar wären. Aus dem Sentiment-Score ergibt sich dann, welche Art von Angebot überhaupt sinnvoll ist:
Zufriedener Kunde mit einer Lücke – selbst erkannt oder durch den Abgleich zwischen Vertrag und Produktpalette sichtbar geworden – führt zu einem generierten Upsell-Angebot.
Unzufriedener Kunde oder einer, der bereits in den Warnbereich rutscht, bekommt kein Upsell, sondern ein Retention-Angebot. Das reicht von einem einfachen Anruf, der zunächst nur zuhört, was den Kunden konkret stört, bis zu kostenlosen Extras oder Rabattaktionen – je nachdem, was zum jeweiligen Fall passt.
Nicht alles läuft dabei über ein Sprachmodell: Ein Teil der Auswertungen ist bewusst regelbasiert, überall dort, wo eine feste Regel zuverlässiger und nachvollziehbarer ist als eine KI-Einschätzung. Die Kombination aus beidem, nicht der reine KI-Einsatz, ist der Grund, warum die Ergebnisse belastbar genug sind, um darauf tatsächlich Vertriebsentscheidungen zu stützen.
Ein Beispiel aus der Praxis
Ein Kunde rief an, es gab dazu ein Ticket. Weil er keine Antwort bekam, schrieb er selbst ein weiteres Ticket – diesmal nur mit der Bitte um Rückruf und seiner Telefonnummer. Erst danach folgte ein drittes Ticket, in dem er sich offen über den fehlenden Support beschwerte.
Einzeln betrachtet sind das drei unauffällige Tickets, wie sie in jedem Support-System täglich vorkommen. Zusammengeführt und in der richtigen Reihenfolge gesehen, ist es eine klar eskalierende Linie – genau das Muster, das die Konsolidierung sichtbar machen soll. Der Fall wurde entsprechend als Churn-Risiko markiert, zusammen mit einem passenden Retention-Angebot.
Beim Rückruf stellte sich heraus, dass der Kunde zu diesem Zeitpunkt bereits in Vertragsgesprächen mit einem Wettbewerber steckte. Er konnte gerade noch gehalten werden – aber nur, weil das Muster erkannt wurde, bevor die Kündigung tatsächlich auf dem Tisch lag, nicht danach.
Warum das schwieriger ist, als es klingt
Der naheliegende erste Gedanke ist oft: „Wir brauchen nur ein Dashboard, das alles anzeigt.“ Die eigentliche Arbeit liegt aber nicht in der Darstellung, sondern in der Konsolidierung davor – unterschiedliche Systeme mit unterschiedlichen Datenmodellen und Identifikatoren müssen zuverlässig auf denselben Kunden gemappt werden, bevor überhaupt etwas Sinnvolles daraus abgeleitet werden kann.
Diese Konsolidierungsschicht ist der Teil, der in den meisten Projekten unterschätzt wird – und der Teil, ohne den jede Auswertung auf wackligem Boden steht.
Datenschutz ist hier kein Zusatz, sondern Grundvoraussetzung
Wer Kommunikationsverläufe ganzer Kundenbeziehungen an einer Stelle zusammenführt, baut damit zwangsläufig eine sehr sensible Datensammlung. Das lässt sich nicht nachträglich absichern, sondern muss von Anfang an mitgedacht werden: Festplattenverschlüsselung (LUKS), Row-Level-Security in der Datenbank, Feldverschlüsselung für besonders sensible Attribute, PII-Masking vor jeder Modellauswertung, bis hin zu vollständig lokal betriebenen Modellen statt externer API-Aufrufe. Kombiniert mit der bereits erwähnten strikten Trennung pro Kunde ergibt das eine Architektur, die DSGVO- und EU-AI-Act-Anforderungen nicht nachträglich erfüllt, sondern von Grund auf dafür gebaut ist.
Der Stand
Für dieses Projekt setzen wir Sentio Systems ein – unsere eigene Plattform genau für diese Art der Kundendaten-Konsolidierung. Sentiment-Tracking, Customer-Journey-Darstellung, Churn-Risk-Frühwarnung und Upsell-Erkennung sind bei Sentio keine Einzellösungen, die für dieses eine Projekt zusammengestellt wurden, sondern Kernfunktionen der Plattform selbst. Das Projekt läuft aktuell produktiv.
Weitere Ressourcen
Wenn deine Kundendaten über mehrere Systeme verstreut sind und du Kündigungen lieber vorher siehst als hinterher: Genau das bündelt Sentio Systems – Sentiment, Customer Journey, Churn-Risk und Upsell-Potenzial an einer Stelle, für Unternehmen mit vergleichbarer Ausgangslage.
Wenn du wissen willst, ob deine eigenen Automatisierungen und Datenprozesse sauber aufgestellt sind:
→ Kostenloser KI-Compliance Schnellcheck
Für eine vollständige technische Analyse:
