Kundenverlust (Customer Churn) beschreibt die Beendigung einer Geschäftsbeziehung oder die Reduzierung der Kundenbindung über einen bestimmten Zeitraum. Zwei zentrale Marketingstrategien spielen eine entscheidende Rolle bei der Erhöhung des Marktan-teils in Dollar-Wert: das Gewinnen neuer und das Bewahren bestehender Kunden. Die Kosten für das Gewinnen neuer Kunden können fünf- bis sechsmal so hoch sein wie die für die Bindung bestehender Kunden, weshalb es sinnvoll ist, in Kunden zu investieren, die ein Verlustrisiko aufweisen. Eine kausale Analyse des Verlustmodells kann vorhersagen, ob ein Kunde in absehbarer Zukunft verloren gehen wird, und Unternehmen dabei helfen, Effekte und mögliche Ursachen für den Kundeverlust zu identifizieren und dieses Wissen anschließend zur Anwendung maßgeschneiderter Anreize zu nutzen. In dieser Arbeit schlagen wir ein Framework vor, das eine tiefe Feedforward-Neuronale Netzwerk-Klassifikation mit einer sequentiellen Mustererkennungsmethode für hochdimensionale dünnbesetzte Daten kombiniert. Wir schlagen außerdem ein kausales Bayes'sches Netzwerk vor, um Wahrscheinlichkeiten von Ursachen zu berechnen, die zum Kundeverlust führen. Evaluationsmetriken an Testdaten bestätigen, dass XGBoost und unser tiefes Lernmodell frühere Techniken übertroffen haben. Experimentelle Analysen zeigen, dass einige unabhängige kausale Variablen, die den Grad der Super-Garantie-Beiträge (Super Guarantee Contribution), das Kontowachstum und die Kundengebundenheit darstellen, als störende Faktoren (confounding factors) für den Kundenerhalt mit einem hohen Grad an Überzeugung identifiziert wurden. Diese Arbeit bietet eine realweltliche Analyse des Kunderverlusts von der aktuellen Statusbestimmung bis hin zu zukünftigen Richtlinien in lokalen Pensionsfonds (superannuation funds).