News und Trends aus dem Retail Banking Markt Schweiz

Wie können Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank

0

Von Prof. Dr. Andreas Dietrich und Dr. Fabio Sigrist

Wie schon einmal erwähnt, hat der Bereich Business Analytics derzeit im Rahmen der Digitalisierung im Bankenbereich (noch) nicht die Bedeutung, die er eigentlich haben könnte. Der Umgang mit Daten ist unseres Erachtens aber ein zentrales Element einer Digitalisierungs-Strategie. Banken verfügen traditionell über viele Daten und mit fortschreitender Digitalisierung wachsen die Datenmengen und auch die Auswertungsmöglichkeiten weiter. Die Frage ist nun vor allem auch, wie Banken diese Daten für eine individuellere Kundenansprache nutzen und damit indirekt auch monetarisieren können. Nachfolgend werden wir einerseits potenzielle verschiedene Anwendungsfälle für Data Analytics für Retail Banken vorstellen. Andererseits werden wir ein Projekt kurz vorstellen, welches das IFZ in Zusammenarbeit mit der Schwyzer Kantonalbank entwickelt hat. Das Ziel dieses Projekts war es, automatisch aus Kundendaten Produktempfehlungen zu generieren.

Was ist Data Analytics?

Allgemein bezeichnet Data Analytics, oder kurz Analytics, das Untersuchen von Daten, um nützliche Informationen zu sammeln, welche für bessere Unternehmensentscheidungen und eine individuellere Kundenkommunikation genutzt werden können. Data Analytics nutzt dabei Daten um auf Faktenbasierte Entscheidungen zu fällen und dadurch einen Zusatznutzen für die Kunden (und damit auch für die Bank) zu generieren. Dabei werden Methoden aus der modernen Statistik und Machine Learning eingesetzt, um erklärende, prädiktive und präskriptive Modelle zu entwickeln. Nachfolgend werden fünf mögliche Einsatzgebiete («Use Cases») von Analytics kurz vorgestellt:

Use Case 1: Churn Prediction

„Customer Churn“ bezeichnet die Wechselwilligkeit und damit das Verlieren von Kunden. Das Ziel eines Churn-Modells ist es, Frühwarnsignale zu generieren, um Kunden zu identifizieren, welche eine hohe Absprung-Wahrscheinlichkeit haben. Machine Learning Modelle versuchen typische Muster zu finden, welche zum Beenden der Kundenbeziehung führen. Dies erlaubt es der Bank Massnahmen zu ergreifen, um den Verlust von Kunden zu verhindern. Gleichzeitig muss man jedoch zwischen den Kosten für diese Massnahmen und den finanziellen Einbussen durch den etwaigen Verlust dieser Kunden abwägen.

Use Case 2: Customer Lifetime Value

Im engen Sinne bezeichnet der Customer Lifetime Value den gesamten Ertrag, den ein Kunde während seines „Kundenlebens“ generieren kann. Häufig beinhaltet die Analyse vom Customer Lifetime Value verschiedene Komponenten. Eine wichtige Komponente ist die Vorhersage vom zukünftigen Vermögen der einzelnen Kunden. Dies erlaubt es Kunden mit viel Entwicklungspotenzial zu identifizieren. Anderseits sind auch Kunden interessant, welche zum jetzigen Zeitpunkt bereits über ein zusätzliches Vermögen bei anderen Banken verfügen. Mit Modellen, welche Vermögen bei Drittbanken erkennen und abschätzen, versucht man die entsprechenden Kunden zu identifizieren und die nötigen Massnahmen zu ergreifen, um die Hauptbank dieses Kunden zu werden.

Use Case 3: Kundensegmentierung

Die Kundensegmentierung wird von der Mehrheit der Schweizer Retail Banken noch immer über das Vermögen und das Alter des Kunden gemacht. Daneben gibt es jedoch noch eine Vielzahl an weiteren Kundenattributen wie zum Beispiel Transaktionsdaten, Kauf- und Produkt-Nutzungsverhalten, oder auch Verhaltensdaten wie z.B. Web-Nutzungsverhalten, welche für eine Segmentierung verwendet werden könnten. Eine präzisere Segmentierung der Kunden ist aus unserer Sicht für Banken zentral und bietet einen Mehrwert im Bereich eines gezielteren Marketings bei der Preisgestaltung oder auch bei neuen Produktlancierungen.

Use Case 4: Produktempfehlungen generieren

Mit einem Recommender-System kann eruiert werden, welche Produkte oder Dienstleistungen mit grösster Wahrscheinlichkeit von Kunden noch zusätzlich gebraucht werden. Dieses von Amazon bekannte Beispiel («Kunden, die A gekauft haben, haben auch B gekauft») hilft vor allem im Bereich von Cross-und Up-Selling. Algorithmisch generierte Leads können Vertriebskanal übergreifend eingesetzt werden. Je nach Kunde und Vertriebspräferenz, kann man Produktempfehlungen z.B. im direkt Kontakt durch den Kundenberater oder über einen digitalen Kanal machen.

Recommender System der Schwyzer Kantonalbank

Auch die Schwyzer Kantonalbank (SZKB) hat sich entschieden, in Zusammenarbeit mit dem IFZ, ein Recommender System zu verwenden. Das Ziel des Projekts ist es, klare(re) Hinweise darauf zu haben, welche Produkte für welche Kunden möglicherweise spannend sein könnten. Solche Leads können unter anderem direkt online in einem Webportal, im direkten Kontakt mit dem Kundenberater oder für spezielle Promotionen verwendet werden. Der entsprechende Algorithmus wurde dabei individuell auf die Bedürfnisse der SZKB abgestimmt. Bei der Entwicklung wurde eine Vielzahl von möglichen Machine Learning Lösungen getestet und diejenige ausgewählt, welche am Besten auf die Datengrundlage und die Bedürfnisse der SZKB passt. Grob gesagt funktioniert das entwickelte Recommender System so, dass der Algorithmus automatisch lernt, welche Kombinationen von Hat-Produkten und Kundenattributen dazu führen, dass ein Kunde ein weiteres Produkt kauft. Als Bank muss man zudem oft abwägen zwischen Produkten, welche am ehesten zusätzlich vom Kunden gekauft werden, und Produkten, welche man als Bank gerne empfehlen möchte. Die Erfahrung zeigt, dass dies nicht immer dieselben Produkte sind. In diesem Sinne kann die SZKB Präferenzen angeben und das entwickelte Recommender System einfach adjustieren, so dass gewisse Produkte eher empfohlen werden als andere.

Wichtige Punkte bei der Umsetzung

Nebst der Entwicklung und dem Roll-out einer Analytics Lösung, ist auch das anschliessende Monitoring sehr wichtig. Mit Hilfe von Kontrollgruppen lässt sich entscheiden, ob eine neue Analytics Lösung auch tatsächlich einen Mehrwert bringt. Im einfachsten Fall geht man dabei so vor, dass man zwei gleich grosse Gruppen, zufällig ausgewählter Kunden, bildet. Für Kunden der sogenannten „Kontrollgruppe“ wendet man die neue Analytics Lösung nicht an. Man behandelt diese Kunden so, wie man es bis anhin gemacht hat. Je nach Fall, benutzt man weiterhin das bestehende System, überlässt die Entscheidungen dem Kundenberater oder unternimmt nichts Spezifisches. Für Kunden der sogenannten „Experimentalgruppe“ hingegen wendet man die neue Analytics Lösung an. Nach einer Testphase kann dann eruiert werden, ob es signifikante Unterschiede zwischen den zwei Gruppen gibt.
Zudem ist es wichtig, dass Erkenntnisse und Feedbacks aus einer Pilot, oder auch späteren Umsetzungsphasen, wieder in die Entwicklung bzw. Verbesserung der Analytics Lösung fliesst. So ergibt sich ein fruchtbarer Zyklus, in welchem analytische Systeme datenbasiert stets verbessert werden.

Fazit

Die hier vorgestellte Auswahl an Use Cases ist bei weitem nicht vollständig. Es gibt eine Vielzahl an weiteren interessanten und potenziell wichtigen Anwendungen, bei welchen Data Analytics zum Einsatz kommt. Dies beinhaltet unter anderem die automatische Betrugserkennung, die Vorhersage von Kreditwürdigkeit oder die Analyse von Marketingkampagnen. Dass die automatische Auswertung und Verwendung einer wachsenden Datenmenge in Zukunft immer wichtiger sein wird, dürfte unbestritten sein. Welche Analytics Lösungen und Anwendungen schlussendlich den grössten Mehrwert für Retail Banken generieren, wird die Zukunft zeigen. Wichtig scheint aus unserer Sicht aber, dass sich auch Retail Banken bald intensiver mit diesem Thema auseinandersetzen.

Comments are closed.