Kurze Antwort: Ein Abwanderungs-Dashboard funktioniert, wenn du mit erklärbaren RFM-artigen Aktualitäts- und Frequenz-Flags beginnst und dann optional einen ML-Score aus TabPy darüberlegst — und dabei ehrlich bleibst, dass Abwanderung in einer dreistufigen Welt unscharf und nachlaufend ist. Beginne mit dem Signal, das du verteidigen kannst.
Erst messen: Aktualität und Frequenz
Vor jedem Modell definiere das Signal in einfachen Messgrößen. Aktualität ist die Anzahl der Tage seit der letzten Bestellung eines Kunden; Frequenz ist seine Bestellanzahl oder -taktung über ein Zeitfenster. Berechne beide je Kunde mit einem FIXED-LOD-Ausdruck — { FIXED [Account ID] : MAX([Order Date]) } liefert ein sauberes Datum der letzten Bestellung, das eine Datumsdifferenz unabhängig von den Filtern der Ansicht in Aktualität verwandelt. Füge eine monetäre Messgröße hinzu (Umsatz der letzten zwölf Monate), und du hast einen vollständigen RFM-Rahmen.
Die Stärke von RFM ist, dass es erklärbar ist. Ein Risiko-Flag, gebaut aus „die Aktualität hat sich weit über die normale Lücke dieses Kunden zwischen Bestellungen hinaus gestreckt”, ist eine Regel, die ein Vertriebsleiter verstehen, ihr vertrauen und nach ihr handeln kann. Bau dieses Flag als berechnetes Feld, das die aktuelle Aktualität mit der eigenen historischen Taktung des Kunden vergleicht, sodass ein vierzehntäglicher Käufer und ein vierteljährlicher Käufer jeweils an ihrem eigenen Rhythmus gemessen werden, statt an einem einzigen pauschalen Schwellenwert. Diese erklärbare Grundlinie sollte zuerst ausgeliefert werden; das Modell kommt später, falls überhaupt.
Den ML-Score und Warnungen darüberlegen
Sobald die RFM-Ansicht solide ist, kannst du über TabPy prädiktiven Mehrwert hinzufügen. Trainiere ein Abwanderungsmodell außerhalb von Tableau — auf Bestellhistorie, Zahlungsverhalten, Support-Tickets, was auch immer du hast — und rufe es über ein TabPy-Skript auf, das eine Abwanderungswahrscheinlichkeit je Kunde zurückgibt. Tableau empfängt diese Wahrscheinlichkeit als Feld und visualisiert sie neben den RFM-Flags. Die beiden Ansichten verstärken sich gegenseitig: Wo das erklärbare Flag und das Modell übereinstimmen, ist die Zuversicht hoch; wo sie nicht übereinstimmen, hast du einen Kunden gefunden, der einen menschlichen Blick wert ist. Das Modellierungsdetail hinter diesem Score steckt in Abwanderungsvorhersage für Getränke; das Dashboard ist die Oberfläche, die ihn vor die Vertriebsmitarbeiter bringt.
Zeichne Kunden in einem Streudiagramm Aktualität-gegen-Frequenz, dimensioniere nach Umsatz und färbe nach Abwanderungsscore, und die Ecke mit hohem Wert und hohem Risiko wird zur Anrufliste der Woche. Veröffentliche in Tableau Cloud und lass Tableau Pulse die Anzahl der gefährdeten Kunden und den Score überwachen, sodass Vertriebsmitarbeiter eine natürlichsprachliche Warnung erhalten, wenn ein Schlüsselkunde abdriftet. Kopple Pulse mit Sicherheit auf Zeilenebene über Benutzerfilter, sodass jeder Vertriebsmitarbeiter nur seine eigenen Kunden sieht — Warnungen sind nur nützlich, wenn sie die richtige Person erreichen.
Wo es scheitert
Die ehrliche Grenze ist, dass Abwanderung in einem dreistufigen Markt wirklich unscharf ist. Wenn du über Distributoren verkaufst, siehst du die Bestellungen des Endkunden womöglich gar nicht; ein Kunde, der inaktiv aussieht, kauft vielleicht über einen anderen Weg, und einer, der gesund aussieht, baut vielleicht alten Bestand ab. Dein Aktualitätssignal misst dann deine Sichtbarkeit, nicht ihre Loyalität. Das Dashboard wird selbstbewusst auf Daten markieren, die strukturell unvollständig sind.
Die zweite Grenze ist der Nachlauf. Bis sich die Aktualität weit genug gestreckt hat, um ein Flag auszulösen, ist der Kunde womöglich schon weg — das Signal läuft der Entscheidung hinterher. Ein ML-Score hilft, indem er subtilere Frühsignale liest, aber er ist nur so aktuell wie seine Trainingsdaten und seine Feature-Pipeline; ein mit veralteten Features gefüttertes Modell verfällt still. Und kein Modell löst die obige Sichtbarkeitslücke. Behandle jedes Flag und jeden Score als Anstoß, zum Hörer zu greifen und zu bestätigen, nicht als endgültiges Urteil über die Beziehung.
Das Fazit
Verankere das Dashboard in erklärbaren RFM-Aktualitäts- und Frequenz-Flags, gemessen an der eigenen Taktung jedes Kunden, lege dann einen TabPy-Abwanderungsscore darüber, wo er Mehrwert bringt, und lass Pulse den richtigen Vertriebsmitarbeiter warnen. Aber halte die Augen offen: In einem dreistufigen Markt ist das Abwanderungssignal unvollständig und nachlaufend, daher ist die Aufgabe des Dashboards, das Gespräch zu beginnen, nicht den Kunden für verloren zu erklären.
Teil des Tracks Sales Intelligence. Verwandt: Abwanderungsvorhersage für Getränke.
Häufig gestellte Fragen
Wie markiert man gefährdete Kunden in Tableau? Berechne Aktualität und Frequenz je Kunde mit berechneten Feldern und LOD-Ausdrücken, dann markiere Kunden, deren Aktualität sich weit über ihren normalen Bestellrhythmus hinaus gestreckt hat. Es ist eine einfache, erklärbare Regel, die die meisten abrutschenden Kunden erfasst.
Kann Tableau ein Abwanderungsvorhersagemodell ausführen? Nicht nativ, aber du kannst über TabPy ein externes Modell aufrufen und eine Abwanderungswahrscheinlichkeit je Kunde als Feld zurückgeben. Tableau visualisiert und überwacht dann den Score; das Modell selbst wird außerhalb von Tableau trainiert und gepflegt.
Warum ist Abwanderung in einem dreistufigen Markt schwer zu definieren? Wenn du über Distributoren verkaufst, kannst du die Bestellungen des Endkunden oft nicht direkt sehen, und ein stiller Kunde kauft womöglich über einen anderen Weg. Das Abwanderungssignal ist unscharf und nachlaufend, also behandle Flags als Anstoß zur Untersuchung, nicht als bestätigte Verluste.