Trends Markt Magazin

iStock.com/PPAMPicture

Datennutzung: KI hebt das Kundenmanagement auf eine neue Ebene

Niedrige Zinsen und keine Trendwende in Sicht, junge Konkurrenz in Form von FinTechs oder BigTechs, veränderte Kundenerwartungen bei gleichzeitig zu hohen Kosten – Finanzdienstleister sind heute gezwungen, zu sparen und sich zudem ständig neu zu erfinden. Letzteres ist möglich in Form innovativer Angebote oder mithilfe digital verschlankter Vertriebswege und Serviceleistungen. Dabei darf der Kunde nicht aus den Augen verloren werden. Denn entscheidend ist letztlich die Frage, wie gut die eigene Produktwelt und Vertriebsorganisation dessen Wünsche und Anforderungen abbildet.

Dass gerade die etablierten Banken beste Voraussetzungen haben, das notwendige tiefe Kundenverständnis zu erlangen, zeigt das Whitepaper „Künstliche Intelligenz im Vertriebs- und Kundenmanagement“ der PPI AG. Das Hamburger Beratungs- und Softwarehaus hat sich eingehend mit den Einsatzmöglichkeiten von Künstlicher Intelligenz (KI) in der Kundenanalyse befasst und erste Anwendungsszenarien entwickelt.

Die Umwälzungen im Markt haben die Art und Weise, Kunden möglichst genau kennenzulernen, in den vergangenen Jahren grundlegend verändert. Früher war die Interaktion Bank-Kunde vielfach durch das persönliche Verhältnis der Akteure geprägt. Der Mitarbeiter in der Filiale nutzte sein Wissen und seine kognitiven Fähigkeiten. So konnte er seine Kundenkenntnisse in Relation zu den Vertriebsanweisungen bringen und recht genau sagen, wer welches Produkt oder welche Serviceleistung brauchte. Das Wissen über den einzelnen Kunden war so verhältnismäßig präzise, die eindimensionale Customer Journey bescherte das Vertriebsergebnis.

Schon die Kosten für diese personalintensive Vorgehensweise sind inzwischen kaum noch vertretbar, angesichts des aktuellen Marktumfelds hat es sich zudem ohnehin überlebt. Der Kunde will überall und zu jeder Zeit Zugriff auf sämtliche Leistungen, und zwar digital. In der Folge haben die meisten Institute ihr Filialnetz erheblich ausgedünnt und setzen auf elek­tronische Services und Customer-Touchpoints. Welche Kunden jeweils für einzelne Vertriebsmaßnahmen infrage kommen, wird im Wesentlichen zentral auf der Grundlage von Erfahrungen und Statistiken gesteuert. Das erschwert allerdings einen passgenauen Zuschnitt von Angeboten. Die Services leiden stellenweise unter der Distanz zwischen Bank und Kunde.  » 1



Die Grundlagen sind vorhanden
Der Schlüssel für dieses Dilemma liegt in der digitalen Technik: Banken müssen diese zukünftig konsequent für ein individuelles Vertriebs- und Kundenmanagement einsetzen. Und das Verbindungsstück hierfür ist bereits vorhanden und wartet nur auf seinen Einsatz: Es sind die über Jahre und Jahrzehnte angesammelten Informationen in Form von Kundendaten, Zahlungsverkehrsdaten, Drittanbieterdaten und weiterem. Mit diesen lässt sich die Eintrittskarte für den Finanzdienstleistungsmarkt der Zukunft lösen, und zwar mithilfe von Künstlicher Intelligenz (KI). Diese untersucht die historischen Kundendaten auf Gemeinsamkeiten und Unterschiede. So werden Strukturen in den Datenmengen sichtbar, die aufgrund der schieren Masse mit menschlichen kognitiven Fähigkeiten kaum bis gar nicht erkennbar wären. KI identifiziert nach Eigenschaften verschiedene Kunden, deren Verhaltensweisen sich ähneln. Ergebnis sind am Ende deutlich bedürfnisorientiertere Produkt- und Serviceleistungen bis auf die Ebene des einzelnen Kunden hinunter. Zusätzlich schafft es KI, durch angelernte Verhaltensmuster in der Kommunikation sehr persönlich zu wirken, und mögliche Wünsche des Kunden im Voraus zu erahnen. Diese, im Gegensatz zu den starren Anforderungen einer Software, natürlich wirkende Anmutung mildert die tendenziell negativen Auswirkungen der Automatisierung auf die Kundenbindung ab.


Eine Frage der Anwendbarkeit
Doch warum wird KI trotz dieser weitreichenden Möglichkeiten von Finanzinstituten im Kundenmanagement aktuell kaum eingesetzt? Es fehlt ein kritisches Puzzleteil: die Anwendungsfälle. Diese zu konzipieren, ist eigentlich nicht komplex. Benötigt werden grundlegendes Wissen, Kreativität und die passenden Business Cases. Schließlich soll im Vergleich mit den bisherigen Verfahren nicht nur ein qualitativer Vorteil entstehen, sondern am Ende auch ein quantitativer. Zunächst ist eine Prüfung sinnvoll, ob potenzielle Anwendungsfälle überhaupt realisierbar sind. Dazu gilt es, verschiedene Handlungsfelder zu analysieren, um am Ende zumindest die folgenden Aussagen treffen zu können:

  • Die Menge verfügbarer Daten ist ausreichend groß.
  • Die Verwendung ist nach den Datenschutzbestimmungen, insbesondere der EU-Datenschutzgrundverordnung (EU-DSGVO), zulässig.
  • Die notwendige Genauigkeit lässt sich mit KI-Modellen erreichen. 
  • Das Einsatzfeld ist für KI geeignet.
  • Die Anwendung von KI schafft einen wirtschaftlichen Mehrwert.

Im Whitepaper benennen die PPI-Experten eine Reihe von Beispielen für Anwendungsszenarien von KI im Vertriebs- und Kundenmanagement. Vertieft behandelt wird insbesondere das Thema Churn Management, also Kündigungsprävention. Bisher werden entsprechende Maßnahmen auf diesem Feld mittels Experteneinschätzungen aus der Bank durchgeführt. Als Grundlage dienen statistische Erkenntnisse und die Einschätzungen der Bankmitarbeiter. Auf dieser Basis folgen Gespräche mit den jeweiligen Kunden oder, gerne auch kombiniert, zentrale beziehungsweise dezentrale Vertriebsaktionen. Eine quantifizierbare Abwanderungswahrscheinlichkeit und eine Relation zwischen dieser und dem Kundenwert können mit diesen Instrumenten allerdings nicht errechnet werden. KI kann dies leisten.


Datenaufbereitung und Modellierung als Grundlage
Im ersten Schritt gilt es, die vorhandenen Kundendaten richtig aufzubereiten. Dazu sind die Identifizierung und Zusammenführung der Datensätze bereits abgewanderter Kunden notwendig. Nur so lässt sich die bei KI-Algorithmen essenzielle Analyse der Gemeinsamkeiten und Unterschiede zwischen abgewanderten und treuen Kunden durchführen. Je mehr Datensätze vorhanden, je besser die Qualität ist und je aussagekräftiger die Daten sind, desto besser werden die erzielten Ergebnisse.So ist beispielsweise das Alter des Kunden ein Feature, das unter Umständen eine hohe Relevanz für die Beurteilung der Abwanderungsgefährdung hat. Es sollte also zwingend vorhanden sein. Die kontinuierliche Bearbeitung des Eigenschaftsstamms der Kunden geht solange weiter, bis eine ausreichende Qualität und Aussagekraft vorhanden ist. Diese Datenaufbereitung ist entscheidend für den Gesamterfolg eines KI-Projekts und eine der Haupttätigkeiten für Data Scientists. Dann folgt im zweiten Schritt das Modelltraining. Will heißen, der KI-Algorithmus wird auf Daten mit Labeln angewendet und soll die Gemeinsamkeiten und Unterschiede in Bezug auf das jeweilige Label herausfinden und in Form eines Modells abbilden. Label bezeichnet die Zieleigenschaft, im vorliegenden Fall also die Aussage, ob ein Kunde abgewandert ist oder nicht.


Verlaufsdaten sind notwendig
Bei einem Einsatzfeld wie dem Churn Management, aber auch bei anderen Use Cases ist darauf zu achten, dass die Daten einen zeitlichen Vorlauf mit abbilden müssen. So repräsentieren die Datensätze in ihrem Zustand zum Zeitpunkt der Abwanderung eines Kunden die Abwanderungswahrscheinlichkeit eben genau in diesem Moment. Wird der Algorithmus damit trainiert, kommt die Erkenntnis, dass ein Kunde abwandern wird, wahrscheinlich erst, wenn seine Kündigung bereits im Briefkasten liegt. Der Einsatz von KI macht aber nur Sinn, wenn diese eine Kündigungsbereitschaft ermittelt, bevor der Kunde selbst da­ran denkt. Deshalb sollten die historischen Daten eines Kunden zu unterschiedlichen Zeitpunkten, beispielsweise monatsweise, vorliegen. So werden Muster vor einer Kündigung erkennbar und lassen sich mithilfe eines Modells abbilden.


Vorteil gegenüber herkömmlichen Methoden
Aber macht KI einen so großen Unterschied aus, dass sich der Aufwand rechnet? Ja, denn die Variabilität und die Granularität der Eigenschaftsauswertung ist deutlich besser. Herkömmliche Methoden stoßen aufgrund der großen Datenmengen und deren Dimensionalität schnell an ihre Grenzen und können keine genaueren Aussagen mehr liefern. KI-Ansätze nutzen genau diese Restriktion, denn erst bei großen Datenmengen kommen ihre Vorzüge voll zum Tragen. Dem spielt die wachsende Menge an Daten bei Banken in die Karten. Die Abwanderungswahrscheinlichkeit ist interessant, aber erst einmal ein mathematischer Wert. Mit dem Kundenwert in Beziehung gesetzt, werden die Vorteile deutlich. Denn: Eine hohe Abwanderungswahrscheinlichkeit ist nicht zwingend negativ, sondern lässt sich auch nutzen, um Kunden mit geringem Geschäftspotenzial gehen zu lassen. Ist andererseits der Kundenwert hoch, die Abwanderungswahrscheinlichkeit aber auch, können sich aufwendige Maßnahmen lohnen, um den Verbleib des Kunden beim Institut zu sichern. Es ist davon auszugehen, dass diese und ähnliche Anwendungsfälle von KI in den kommenden Jahren weiter an Bedeutung gewinnen und die Finanzwirtschaft verändern werden. Sowohl bei der Optimierung von Vorgängen, als auch beim Erschließen neuer Geschäftsfelder wird diese Technologie eine treibende Rolle spielen. Kritische Faktoren sind vor allem passende Use Cases und korrekte, verwendbare Daten. Denkbare Anwendungsszenarien sind vorhanden, allerdings in den meisten Fällen noch nicht auf ihre Realisierbarkeit mittels KI geprüft worden. Ist dies einmal der Fall, wird die Digitalisierung greifbar und kann den etablierten Finanzdienstleistern helfen, Marktanteile zurückzugewinnen.

­­



Das Whitepaper „Künstliche Intelligenz im Vertriebs- und Kundenmanagement“ enthält weitere Anwendungsszenarien aus den Bereichen

  • Kundenanalyse
  • Kundenbedarfsmanagement
  • Cross- und Upselling
  • Prozesse und Abläufe
  • Kundenservice

und erläutert das PPI-eigene Vorgehensmodell zur Identifikation relevanter Anwendungsfälle. Es steht auf der Website der PPI AG kostenlos zum Download zur Verfügung: www.ppi.de/wp-ki-kundenmanagement 

 



Autoren

Guido Köhler ist Manager bei der PPI AG.
Stephan Heinze ist Senior Consultant bei der PPI AG.

 


 

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge