Big Data und Machine Learning im Bankvertrieb

Big Data und Machine Learning ermöglichen eine stärkere Personalisierung im digitalen Bankvertrieb

Die Konkurrenz wird härter, die Aufmerksamkeitsspanne der Kunden schrumpft. Personalisierungstechnologie kann mithelfen, Kunden passgenaue Angebote zu machen und so den Marketing-ROI zu optimieren.

Partner des Bank Blogs

Das Web wird persönlicher, schon seit Jahren. Algorithmen analysieren das Surfverhalten der Kunden und passen Angebote der Webseiten an. Ganz simpel gesagt: Wer online ist, erwartet, dass in den Amazon-Empfehlungen tatsächlich kaufenswerte Angebote angezeigt werden, Facebook irrelevante Inhalte ausfiltert und YouTube passende Videovorschläge zu den eigenen Vorlieben liefert. Die großen eCommerce-Portale treiben die Entwicklung an vorderster Front voran, um ihre Konversionsraten zu optimieren und damit den ROI der Marketingausgaben zu erhöhen. Es ist leicht zu sehen, wo die Vorteile für den Handel liegen: Die Konkurrenz ist mörderisch, die Kunden sind preissensitiv und ungeduldig. Also muss auf dem begrenzten Platz der Seite und in der kurzen Aufmerksamkeitsspanne des Kunden das bestmögliche Angebot gemacht werden, um die Erfolgswahrscheinlichkeit zu erhöhen.

Was bedeutet das für Banken?

Banken und Sparkassen können dieses Spiel nicht einfach mitspielen: Als Multichannel-Unternehmen mit starkem Filialgeschäft sind die Anforderungen komplexer als bei reinen Webshops. Aber auch auf den Webseiten von Finanzdienstleistern muss rasch festgestellt werden, was der Kunde genau sucht und wo er im Entscheidungsprozess steht: Wer einfach nur Informationen oder direkte Angebote der eigenen Lieblingsprodukte anbietet, riskiert, dass der Kunde sich nach Alternativen umschaut − die Konkurrenz ist ja immer nur einen Klick entfernt. Die Neukundengewinnung wird so nicht nur schwieriger, sondern auch enorm teuer, da durch fehlende Personalisierung zu breit gefächert geworben wird. Eine Erhöhung der Besucherzahlen ist aber nicht gleichzusetzen mit einer Erhöhung der Abschlüsse.

Ein Gedankenspiel: Wir nehmen eine Regionalbank mit ein paar Dutzend Filialen. Potenzielle Kunden aus der Region, die über Google auf die Seite kommen, bringen einige Informationen mit: Uhrzeit, Suchbegriff, Ort, eventuell mehr. Die Seite kann das mit einer entsprechenden Personalisierungstechnologie erkennen und in Echtzeit anpassen: Sie kann passende Angebote, von der Eigenheimfinanzierung bis zum Konsumkredit, hervorheben und sogar Layout und Farben ändern. Im Gegensatz zu einfachen Optimierungsmaßnahmen durch beispielsweise A/B-Testing, ist Deep Learning ein konstanter, sich stets selbst verbessernder Prozess, der nicht auf Hypothesen beruht, sondern sich auf konkrete Datenmuster stützt.

Aber das ist nicht alles: Sie kann auch direkt die Lage der nächsten Filiale anzeigen, vielleicht mit einer Schätzung der Entfernung vom Standort des Nutzers und ein Bild des zuständigen Beraters einblenden. Dieser Prozess verbessert das Erlebnis des Kunden und erhöht die Erfolgswahrscheinlichkeit der Bank zu einem Abschluss zu kommen.

Denn der Wandel ist nicht nur Problem, sondern auch Chance: Wer Kunden passgenaue Angebote machen kann, wird sich auch gegen größere Konkurrenz durchsetzen, kann Fast-Mover-Vorteile mitnehmen und die Neukundengewinnung vereinfachen.

Deep Learning und Algorithmen-basierte Conversion-Optimierung

Ein Pionier im Bereich Deep Learning ist das deutsche Unternehmen Adtelligence mit Sitz in Mannheim. Die Machine Learning-Algorithmen von Adtelligence nutzen die Parameter eines Besuchers, etwa Ort, Tageszeit oder Suchterminini, setzen diese zueinander in Beziehung, identifizieren Faktoren zur Lead-Generierung und steuern die erstellten Besuchergruppen auf dynamische, auf den Nutzer angepasste Inhalte aus. 2014 wurde Adtelligence vom World Economic Forum mit dem “Technology Pioneer”-Preis ausgezeichnet.

Seinen neuesten Algorithmus stellte Adtelligence zur Digitalkonferenz DMEXCO im September vor. Die neueste Version des Personalisierungsalgorithmus, ein neuronales Netz, das auf Servern in Deutschland gehostet ist und nach deutschen Datenschutzbestimmungen agiert. Der neue Algorithmus steigert die Konversionsrate im Schnitt um 15 bis 30 Prozent, je nach Anwendungsfall beim Kunden. Derartige Steigerungen sind ohne die Nutzung von Big Data wie CRM, DMP oder Verhaltensdaten sowie der Nutzung von Algorithmen zur automatischen Optimierung nicht machbar. Die Daten sind eben das “Öl” für den Algorithmus-Motor um automatisch das beste Kundenerlebnis zu erzeugen. Und im Gegensatz zu großen SaaS-Lösungen wie SAP kann die Big-Data-Personalisierungstechnologie von Adtelligence direkt out of the box genutzt werden. Wie etwa bei Salesforce kann sofort mit der Integration von einem kleinen Code-Snippets implementiert werden kann gestartet werden.

Kongress zum Thema Personalisierung im Bankenwesen

Am 4. Oktober lädt Adtelligence an der Deutschen Börse in Frankfurt zu einem Kongress zu den Themen Big Data, Personalisierung, Predictive Analytics und künstliche Intelligenz mit Speakern aus Agenturen, Banken und von Adtelligence selbst ein. Dabei werden nicht nur die Herausforderungen der digitalen Transformation besprochen, sondern auch die flexible, technische Integration der Adtelligence-Software, die problemlos integriert werden kann, vorgestellt.