Kundenzufriedenheit deutlich gesteigert: KI-Insights für Contabo

Contabo wollte die Kundenzufriedenheit im Support messbar steigern. Es lagen zahlreiche Tickets und Rückmeldungen vor – doch ohne strukturierte Auswertung blieb unklar, welche Themen Unzufriedenheit auslösen und wie sie mit der Plattform-Performance zusammenhängen.

Herausforderungen

• Support-Themen waren unstrukturiert; eine belastbare Priorisierung fiel schwer.
• Ursachen für Abwanderung (Churn) waren nicht transparent.
• Mögliche Plattform-Engpässe fehlten an klarer, datenbasierter Einordnung.
• Das Operations-Team agierte reaktiv statt gezielt anhand konsolidierter Insights.

Auswirkungen

• Höheres Abwanderungsrisiko und potenzielle Umsatzeffekte durch unadressierte Pain Points.
• Hoher Analyseaufwand im Support ohne klare Leitplanken für schnelle Entscheidungen.
• Verzögerte Behebung von Engpässen, da die wichtigsten Bottlenecks nicht eindeutig belegbar waren.

Ziel war es, Support-Signale systematisch nutzbar zu machen, um kundenseitige Pain Points zu erkennen und gezielt zu beheben. Dazu sollten KI-Modelle On-Premise betrieben werden, um Daten sicher auszuwerten und Ergebnisse direkt ins Operations-Handeln zu überführen.

Konkret:

• Churn-Modell entwickeln, um Abwanderungsrisiken früh zu erkennen und Churn-Prevention umzusetzen.
• On-Premise-Kundensegmentierung und Themen-Clustering im Support aufbauen.
• Support-Prozess strenger strukturieren.
• Korrelationen zwischen Support-Themen und Plattform-Performance herstellen.
• Engpässe gemeinsam mit dem Operations-Team priorisieren und beheben.
• Operations Monitor erstellen, um eine Übersicht zu haben.
• Erfolg an messbarer Churn-Reduktion sowie spürbar höherer Plattform-Stabilität festmachen.

Wir setzten ein On-Premise-Setup auf und entwickelten drei Bausteine: ein Churn-Modell zur Churn Prevention, eine Kundensegmentierung und ein Themen-Clustering für Support-Inhalte. Die Insights verknüpften wir mit Plattform-Signalen, sodass Operations Engpässe klar identifizieren, priorisieren und adressieren konnte.

Quantitative Wirkung:

• Churn-Rate im ersten Schritt deutlich gesenkt.
• Im Folgemonat Churn-Reduktion nochmals verbessert.

Qualitative Effekte:

• Transparenz über die wichtigsten Support-Themen – von Symptomen zu Ursachen.
• Schnellere, datenbasierte Entscheidungen im Operations-Team durch klare Prioritäten.
• Plattform-Stabilität spürbar erhöht.
• Nachhaltiger Transfer: On-Premise-Modelle integrieren sich in bestehende Abläufe und können weiter skaliert werden.