Churn voorspellen met data: zie klantverloop aankomen voor het te laat is

Churn voorspellen doe je met signalen die je al hebt, niet met een duur AI-model.

Denk aan een klant die minder inlogt, minder gebruikt, of plots vaker support contacteert. Die patronen kondigen vertrek weken vooraf aan.

Het verdict: de truc is niet om churn te voorspellen met geavanceerde wiskunde. De truc is de signalen op tijd zien en er iets mee doen.

Hieronder: welke signalen klantverloop voorspellen en hoe een B2B-bedrijf met zijn eigen data ingrijpt voor een klant opstapt.

Bij Customer Impact draait alles om sturen op klanten en klantbehoud.

Een klant die je behoudt is bijna altijd goedkoper dan een nieuwe binnenhalen via je klantacquisitiekosten. In B2B, waar één relatie jaren kan lopen, weegt elk vertrek zwaar.

Daarom is churn voorspellen geen luxe maar een logisch onderdeel van je data-analytics.

Reken het zelf uit: bereken de levenslange waarde van een klant met onze gratis LTV-calculator.

Wat is churn precies?

Churn, of klantverloop, is het aandeel klanten dat je in een bepaalde periode verliest.

Wat dat concreet is, hangt af van je model:

• SaaS-bedrijf: opzeggingen van abonnementen
• Retainer-B2B: klanten die hun maandelijkse samenwerking stopzetten of niet verlengen

Hoe bereken je churn?

Deel het aantal verloren klanten door het aantal klanten aan het begin van de periode.

Voorbeeld: Salesforce rekent met een bedrijf dat van 500 naar 450 klanten gaat. Dat is een churn van 10 procent.

Naast klantverloop bestaat ook omzetverloop. Daar reken je met verloren maandomzet (MRR), en upgrades van bestaande klanten kunnen dat verlies compenseren.

Meer over het begrip lees je in onze wiki over churn.

Wat is het verschil met churn voorspellen?

Churn voorspellen gaat een stap verder.

In plaats van achteraf te tellen wie er vertrok, bepaal je vooraf welke klanten op het punt staan te vertrekken.

Het is in de kern een ja-of-nee-vraag per klant: gaat deze klant de komende maanden opstappen?

Dat klinkt complex, maar het antwoord zit vaak verstopt in gedrag dat je al meet.

Een opzeggingscijfer vertelt je wat er gebeurd is. Een churnvoorspelling vertelt je waar je nu moet ingrijpen.

En dat tweede is het enige waar je écht iets aan hebt.

Welke signalen voorspellen klantverloop?

De meeste klanten vertrekken niet uit het niets. Ze laten een spoor na in je data, vaak weken voordat ze opzeggen.

Drie signalen springen er voor B2B uit.

Signaal 1: Dalend gebruik

Een klant die je product of dienst steeds minder gebruikt, is de duidelijkste voorbode.

Waar je het ziet:

• Bij SaaS: minder sessies of acties in de app
• Bij een retainer: minder meetings, minder reacties, minder betrokkenheid bij wat je oplevert

Gebruik is de hartslag van de klantrelatie. Een dalende hartslag is zelden toeval.

Signaal 2: Uitblijvende logins

Een specifieke en harde vorm van dalend gebruik: hoe lang is het geleden dat de klant nog inlogde of contact had?

Tijd sinds laatste login is een van de krachtigste enkele indicatoren voor SaaS-churn.

Voorbeeld: een klant die drie weken niet inlogde, gebruikt je product niet meer in zijn dagelijkse werk. En wat niet gebruikt wordt, wordt uiteindelijk opgezegd.

Signaal 3: Toon en frequentie van support-tickets

Klanten die plots vaker contact opnemen, of waarvan de toon negatiever wordt, geven een waarschuwing af.

Samen vormen deze drie een sterke voorspeller:

• het aantal interacties met support
• de onderwerpen van hun vragen
• hun tevredenheidsscores

Let op: ook het tegenovergestelde is een rood signaal. Een klant die volledig stil valt en nergens meer op reageert, staat ook op de rand.

Waar vind je die signalen?

Bijna altijd zitten ze al ergens in je systemen: gebruiksdata, logingedrag en support-interacties.

Je hoeft ze niet te verzamelen. Je hoeft ze alleen samen te brengen en te bekijken.

Wie die signalen in één score giet, bouwt een customer health score.

Heb je een AI-model nodig om churn te voorspellen?

Bijna nooit.

De churnvoorspelling uit de media gaat vaak over telecomgiganten met miljoenen klanten en teams van datawetenschappers.

Voor hen loont een geavanceerd machine-learningmodel. Een fractie procent minder verloop levert daar al miljoenen op.

Waarom is het overkill voor B2B?

Een typisch B2B-bedrijf heeft een overzichtelijk klantenbestand.

Je hebt geen voorspelmodel nodig om te zien dat een klant op de rand staat die zes weken niet inlogde en zijn laatste twee meetings afzegde. Dat zie je met een simpele lijst.

Ook de ingebouwde voorspellingen in Google Analytics vragen volume. GA4 toont een “churn probability” pas als minstens 1.000 terugkerende gebruikers churnden en minstens 1.000 niet, binnen 7 dagen van de laatste 28 (GA4-hulp over voorspellende statistieken).

Veel B2B-bedrijven halen dat nooit.

Zo ziet die voorspellende doelgroep eruit in GA4:

Hoe begin je klein?

Stel drie of vier regels op die een klant als risicoklant markeren.

Bijvoorbeeld deze drie:

Zet die regels in een overzicht en bekijk het wekelijks.

Dat eenvoudige systeem vangt het overgrote deel van je echte risicogevallen. Vandaag al, zonder één regel modelcode.

Wanneer loont automatisch scoren wel?

Pas als je de regels onder de knie hebt en je klantenbestand echt groot wordt.

Dan kan je overwegen om gedrag automatisch te scoren. Hoe dat bij leads werkt, lees je in predictive lead scoring met AI.

Vuistregel: eerst de lijst, dan pas het model.

Hoe grijp je op tijd in?

Door elke klant op je risicolijst persoonlijk op te volgen.

Een voorspelling zonder actie is een rapportje voor in de la. De waarde zit in wat je doet zodra een klant op je lijst verschijnt.

Waarom maar een handvol klanten?

Je kan onmogelijk elke klant persoonlijk achternalopen. Dat zou te duur zijn en de moeite niet lonen.

Maar je hebt geen tien procent van je klanten op de rand staan. Je hebt er een handvol.

Juist die paar verdienen een telefoontje, een check-in, of een aanbod dat hen weer aan boord trekt.

Hoe ziet zo’n gesprek eruit?

Verschijnt een klant op de lijst, dan neem je proactief contact op. Nog voor de klant zelf met opzegplannen komt.

Drie stappen:

• vraag wat er speelt
• los de wrijving op
• laat zien wat ze missen

Vaak is een vertrekkende klant niet ontevreden, maar simpelweg vergeten welke waarde je levert. Een tijdig gesprek draait dat om.

Een vast moment daarvoor is een kwartaalgesprek. Lees hoe je een QBR inzet voor retentie.

Welke klant eerst?

De klant bij wie ingrijpen het meeste oplevert. Hier komen churn voorspellen en customer lifetime value berekenen samen.

Een behouden klant met een hoge LTV blijft maandenlang factureren. Die verliezen kost je veel meer dan het binnenhalen van een nieuwe lead.

Harvard Business Review citeert onderzoek waarbij een nieuwe klant “five to 25 times more expensive” is dan een bestaande houden (HBR, 2014).

In hetzelfde stuk: 5 procent meer klantbehoud levert volgens Bain 25 tot 95 procent meer winst op.

Weeg je risicolijst daarom op klantwaarde. Dan weet je niet alleen wie dreigt te vertrekken, maar ook waar ingrijpen het meeste oplevert.

Hoe CAC en LTV samen je ruimte bepalen, lees je in onze uitleg over de CAC:LTV-ratio.

Hoe begin je hier vandaag mee?

Door je data te verbinden, niet door te voorspellen.

Waarom zie je het patroon nu niet?

Het struikelblok in B2B is bijna nooit een gebrek aan data, maar versnippering:

• Gebruiksdata: in je product of analytics zoals Google Analytics 4
• Support-data: in je helpdesk
• Klantwaarde: in je CRM of facturatie

Zolang die los van elkaar staan, zie je het patroon niet.

Onze ervaring: de fouten die we in CRM’s het vaakst zien, zijn data die niet synchroon loopt en deals die niet bijgewerkt worden. Dan valt een risicoklant tussen de mazen.

Stap 1: Breng alles samen op klantniveau

Zet gebruiksgedrag, logingegevens en support-interacties naast hun omzet. Daarvoor koppel je je data-analyse aan je CRM.

In je CRM is de klantfase je startpunt. Kijk naar de definitie van “Customer” onderaan deze lijst:

De standaard lifecycle stages in de HubSpot Knowledge Base, bekeken in oktober 2026. Churnsignalen koppel je aan contacten in de fase Customer.

Vanaf “Customer”, een contact met minstens één gesloten deal, wil je gebruik en support per klant zien. Meer over die koppeling in CRM marketing.

Stap 2: Bepaal je drempels en zet ze in een dashboard

Neem de regels uit de tabel hierboven als vertrekpunt. Zet ze in een marketing dashboard en kijk er wekelijks naar.

Dat is alles wat de meeste bedrijven nodig hebben om churn weken vooraf te zien aankomen.

Stap 3: Volg de trend per cohort

Kijk niet alleen naar losse klanten, maar ook naar groepen die in dezelfde periode startten.

Een cohortanalyse toont of je verloop daalt. Een retentiecurve toont waar klanten afhaken.

Stap 4: Maak er een verhaal van

Wil je die risicolijst overtuigend overbrengen aan directie of team? Verdiep je dan in data storytelling.

Zo geef je je cijfers een verhaal dat aanzet tot actie.

Veelgestelde vragen

Wat is een goede churn-ratio voor B2B?

Dat verschilt sterk per sector en model, dus een universeel cijfer bestaat niet. Belangrijker dan het absolute getal is de trend: daalt je verloop, dan doe je iets goed. Vergelijk jezelf met je eigen historie, niet met een benchmark die in een andere markt is gemeten.

Hoe ver vooruit kun je churn voorspellen?

Met gebruiksdata zie je risicoklanten meestal enkele weken tot een paar maanden vooraf. Hoe langer je verkoopcyclus en contractduur, hoe verder je vooruit kunt kijken. Voor maandelijkse abonnementen werk je met de gebruiksdata van de voorbije maand, voor jaarcontracten kijk je over een langere periode.

Moet ik machine learning gebruiken?

Voor de meeste B2B-bedrijven niet. Begin met simpele regels op basis van gebruik, logins en support. Geavanceerde modellen lonen pas bij grote klantenaantallen waar kleine verbeteringen veel geld opleveren.

Welke data heb ik minimaal nodig?

Drie dingen: hoe vaak en hoeveel een klant je product of dienst gebruikt, wanneer hij voor het laatst actief was, en hoe het contact met support verloopt. Dat heb je vrijwel altijd al ergens staan.

Kan GA4 churn voorspellen?

Ja, met de voorspellende statistiek “churn probability”. Maar GA4 vraagt minstens 1.000 terugkerende gebruikers die churnden en 1.000 die dat niet deden. Voor de meeste B2B-sites is dat te weinig volume.

Klaar om klantverloop voor te zijn?

Churn voorspellen hoeft geen datawetenschapsproject te zijn. Het begint met de signalen die je al hebt samenbrengen en er wekelijks naar kijken.

Wil je weten welke klanten bij jou op de rand staan? Wij helpen je je data te koppelen en een werkbare risicolijst op te zetten.

Neem contact op