Agile Mustererkennung – ein Schlüssel zum Wettbewerbsvorteil

Steigerung des Vertriebserfolgs durch agile Prognosen

Abonnieren Sie den kostenlosen Bank Blog Newsletter

Der Einsatz von Künstlicher Intelligenz zur Steigerung der Kundenbindung und des Vertriebserfolges steckt noch in den Kinderschuhen. Dabei kann agile Mustererkennungslösung eine Steigerung der Abschlussquoten zwischen 40 und 180 Prozent ermöglichen.

Agile Prognosen über Kundeninteressen und Beratungsbedarf

Kundenbindung und Ertrag durch Prognosen über Kundeninteressen und Beratungsbedarf

Partner des Bank Blogs

KPMG ist Partner des Bank Blogs

Der Vertrieb ist grundsätzlich immer daran interessiert, den richtigen Kunden zum richtigen Zeitpunkt mit dem passenden Produkt anzusprechen. Im Zuge der Digitalisierung scheinen dabei Daten das neue Öl und Informationen das neue Gold zu sein. Der Markt liefert hier unterschiedliche technikbasierte Antworten: Predictive Analytics, Machine Learning, Data Mining und viele andere Technologien. Die Liste der geflügelten Wörter ist lang, wenn es um Verfahren zur Mustererkennung geht.

Häufig sind die angewendeten liegenden Technologien ähnlich, den entscheidenden Unterschied macht der zugrunde liegende Datensatz und die entsprechende Erfahrung mit der neuen Technologie „Machine Learning“ (meist als künstliche Intelligenz bezeichnet). Den entscheidenden Unterschied bei diesen Systemen machen der zugrundeliegende Datensatz und die entsprechende Erfahrung mit der jungen Technologie des Machine Learning aus.

Veränderungen der Kundenbedürfnisse und Datenbasis

Alle Mustererkennungslösungen reichern das interne Datenset um relevante externe Faktoren an, mit dem Ziel, Erkenntnisse zu plausibilisieren. Sie setzen auf die kontinuierliche Simulation zur Optimierung der generierten Entscheidungsvorlagen und identifizieren in Vergangenheitsdaten Einflussgrößen, Abhängigkeiten und Ursache-Wirkungs-Beziehungen. Das übergeordnete Ziel aller Lösungen ist es, vom stetig aktualisierten Status Quo ausgehend, wahrscheinliche Zukunftsszenarien vorwegzunehmen und als Entscheidungsgrundlage zu nutzen.

Die Steigerung der Kundenbindung und des Vertriebserfolges durch Prognosen der Kundeninteressen und des Beratungsbedarfes ist in der Bankenlandschaft kein neues Thema. Verändert haben sich in den letzten Jahren dabei die zur Verfügung stehenden Datenmengen und -qualitäten sowie die Bedürfnisse der Kunden. Von allen Marktteilnehmern, ganz gleich, ob in ihrem Ursprung digital oder nicht, werden heute individuelle Lösungen und Angebote erwartet.

Schnelle Änderungen und Aktualität

Die Banking One Mustererkennungslösung der b1.ai GmbH setzt, im Gegensatz zur herkömmlichen Mustererkennungslösungen, auf Dynamik, schnelle Änderungen und Aktualität. Während üblicherweise Zeiträume von einem Jahr, oder sogar länger, zugrunde gelegt werden, optimiert Banking One die Daten auf ein bis zwei Monate. Darüber hinaus erkennt das System Lebensereignisse, wie Studium, Berufseinstieg, Jobwechsel, Familiengründung, Rente, u.a., zu denen die Kunden aktiv angesprochen werden können. Aktuell wird der Bereich der Lebensereignisse weiter ausgebaut, um möglichst alle Touchpoints eines Kunden gezielt zu analysieren und den Banken zur Verfügung stellen zu können.

Analyse vor dem Kauf

Im Unterschied zu herkömmlichen Systemen analysiert Banking One den Zeitpunkt vor dem Kauf eines Finanzproduktes. Wenn die Veränderung einer Lebenssituation, wie zum Beispiel ein Umzug, hinreichend oft den Abschluss eines Produktes indiziert, so lassen sich damit nicht nur die Affinität des Kunden zu einem Produktabschuss, sondern auch der richtige Zeitpunkt sehr gut bestimmen. Kunden, bei denen der Bedarf nach Beratung und Produkten am höchsten sind, können zielgerichtet eingeladen werden. Entsprechend können die Personalressourcen effizienter eingesetzt werden. Im Beratungsgespräch kann auf der Basis von gedeckten Bedürfnissen anderer, ähnlicher Kunden, zielgerichtet beraten werden und so eine höhere Kundenzufriedenheit erreicht werden.

Auch ohne ein Lebensereignis lässt sich über den Aufbau der Prognosemodelle eine fundierte Aussage über den bestmöglichen Zeitpunkt machen. Im Gegensatz zu anderen Modellen, wird nicht prognostiziert, welche Kunden für ein bestimmtes Finanzprodukt affin sind, sondern welche Kunden in welchem Zeitraum, zum Beispiel in den kommenden zwei Monaten, affin für das Produkt sein können. Personen, die erst in einem längeren Zeitraum, zum Beispiel in zehn Monaten, affin werden, bekommen zunächst keinen guten Score. Erst, wenn der Zeitpunkt näher rückt, wird der Score besser. Gescort wird von Null bis 100. Die Empfehlung seitens des Systems ist eine Ansprache ab einem Scorewert von 50.

Sondersituationen werden sofort berücksichtigt

Als Datengrundlage werden vor allem die Umsätze der Kunden in Verbindung mit abgeschlossenen Produkten genutzt. Dabei fließen über 25.000 Merkmale in die Prognose ein. Die Modelle werden automatisch von Monat zu Monat präziser, da der Datenrückfluss stetig steigt und jeden Monat neu eruiert wird, ob die Prognose des Vormonats zutreffend war oder nicht. Das System lernt ständig und wird automatisch angepasst. Alle Modelle werden jeden Monat neu gerechnet, so dass Sondersituationen, wie zum Beispiel die COVID19-Pandemie, sofort in die Prognosemodelle einfließen und sich direkt in den Prognosewerten der Kunden widerspiegeln.

Deutlich höhere Abschlussquoten

Die Erwartungswerte der Steigerung der Abschlussquoten, die sich zwischen 40 und 180 Prozent Erhöhung bewegen, werden kommuniziert. Im Projekt mit einer der größten Volksbanken in Deutschland wurde beispielsweise beim Einsatz von Banking One eine Steigerung von 60 Prozent in der Abschlussquote prognostiziert. In der Praxis wurde die Abschlussquote dann um 83 Prozent gesteigert. Auch die Terminquote (Anzahl der Termine, die aus der Gesamtzahl der Anrufe generiert werden konnten) wurde bei der Bank gesteigert. Die Bank war angesichts der hohen Abschlussprognosen zu Beginn eher skeptisch und dann überrascht, dass das System in der Praxis die Erwartungen wirklich erfüllen kann.

Das System kann mittels bereitgestellter IDA Berichte einfach integriert werden und ist nach nur neun Tagen einsatzbereit. Idealerweise wird ein Testzeitraum über zwölf Monate vereinbart. Es funktioniert DSGVO-konform und nach hohen Sicherheitskriterien. Es hat zu keinem Zeitpunkt Kenntnis, welcher individueller Kunde sich hinter einem Datensatz verbirgt. Die Kundendaten werden verschlüsselt übertragen und gespeichert. Die Analyse findet auf einem zusätzlich gesicherten Cluster in Deutschland statt. Der Zugriff auf pseudonymisierte Ergebnisdaten ist durch zwei Faktoren gesichert. Der externe Zugriff auf die Ursprungsdaten ist nicht möglich.

Seit vier Jahren am Markt, arbeiten inzwischen über 70 Banken in Europa mit dieser agilen Mustererkennungslösung. Durch die Zusammenarbeit mit mehreren Banken verfügt das Unternehmen über einen großen Erfahrungsschatz und entwickelt auf der Basis des ständigen Kundendialogs seine Lösung stetig weiter. Der Erfolg der Lösung liegt sicherlich auch in der konsequenten Spezialisierung begründet.

Über den Autor

Arne Horn

Arne Horn ist Geschäftsführer bei Banking One. Der studierte Wirtschaftsinformatiker und Spezialist im Bereich Machine Learning ist seit über 10 Jahre erfolgreich in High Tech Themenfeldern unternehmerisch tätig.

Bitte bewerten Sie den Artikel mit Hilfe der Sternchen

1 Stern2 Sterne3 Sterne4 Sterne5 Sterne Bewertung: 5,00 Stern(e) - 4 Bewertung(en)

Vielen Dank fürs Teilen und Weiterempfehlen


Mit dem kostenlosen Bank Blog Newsletter immer informiert bleiben:

Anzeige

Kommentare sind geschlossen

Bank Blog Newsletter abonnieren

Bank Blog Newsletter abonnieren