Artikel

Strategische Lücken bei Business Intelligence

Unternehmen fehlt häufig eine dezidierte Business Intelligence-Strategie. Zu diesem Ergebn... mehr »

Die NSA-Bedrohung verändert staatliche IT-Auftragsvergaben

Staatliche Stellen wie etwa die Polizei in Norddeutschland rüsten sich mit moderner IT für... mehr »

Kurzsichtige Handelsbranche

Der mittelständische Handel genießt den aktuellen Verkaufsboom. Dabei vernachlässigt er je... mehr »

Management-Umfrage: Der moderne CIO hat viele Chefs

Chief Information Officer (CIO) entwickeln sich zu strategischen Mitarbeitern des Topmanag... mehr »
16.10.2011, Zürich, Oliver Bachmann und Giuseppe Calabrese

Predictive Analytics

Mit analytischer Vorhersage auf Basis von Mustererkennungsverfahren können Finanzinstitute das Potential ihrer Kunden frühzeitig erkennen und die Profitablen langfristig binden.

Die meisten Banken investieren erhebliche Geldsummen in Data Warehouse, um daraus große Mengen statistischer Berichte, Ad-hoc-Analysen oder Dashboards zu erstellen. Dadurch können sie ihre Produktivität erheblich steigern und insbesondere den operativen mit dem strategischen Bereich in Einklang bringen.

Dieses Vorgehen stößt jedoch an Grenzen: Aufgrund der steigenden Zahl an Reports und Dashboards wird deren Analyse durch manuellen Eingriff immer komplexer. Für die Entscheidungsfindung erweisen sich diese manuellen Verfahren als produktivitätshemmend. Dies kann durch Predictive Analytics überwunden werden.

Das Verfahren beruht auf komplexen Analysemethoden und ermöglicht dadurch eine noch nie dagewesene Auswertung der Bankdaten. Das tiefere Verständnis dieser Daten führt zu entscheidenden Wettbewerbsvorteilen und kann für eine große Anzahl von Bankaktivitäten angewendet werden. Beispiele sind Marketing oder Compliance, aber auch Markt-, Kredit- und Betriebsrisikomanagement. Dies ermöglicht eine deutlich effizientere Entscheidungsfindung. Um die Leistungen ihrer Kundenberatung zu optimieren, wählte die St. Galler Kantonalbank diesen Ansatz und erzielte damit bemerkenswerte Ergebnisse. Sie steht wie alle Finanzinstitute vor einer doppelten Herausforderung: Einerseits müssen die Banken ihre Kundenbeziehungen intensivieren. Andererseits hat dies unter dem Postulat der Wirtschaftlichkeit zu erfolgen. Für das Privatkundengeschäft bedeutet dies den Abschied vom Gießkannenprinzip. Nicht alle Kunden können gleichermaßen betreut werden. Personalintensive Kundenkontakte sollen gezielt für «gute» Kunden eingesetzt werden. Dazu gehören – neben den profitablen Beziehungen – vor allem Potentialkunden, die erst in ein paar Jahren Gewinn bringen und in der Zwischenzeit gezielt betreut und langfristig an die Bank gebunden werden sollen.

In der Praxis sind Potentialkunden jedoch nicht so einfach zu ermitteln, da ihr Potential heute noch nicht sichtbar ist. Vor diesem Hintergrund wurden die Privatkundendaten der St. Galler Kantonalbank mittels Predictive Analytics analysiert. Mittels analytischer Methoden will das Finanzinstitut Regeln und Verhaltensmuster finden, die für Potentialkunden typisch sind. In einer zweiten Phase will sie außerdem Verhaltensmuster von Kunden identifizieren, die im Zusammenhang mit Kündigungen vorkommen.

Im Rahmen eines Initialworkshops wurden die Machbarkeit eines Predictive Analytics-Projekts geprüft und die Daten selektiert. Gesamthaft standen Daten von mehreren hunderttausend Privatkunden für einen mehrjährigen Zeitraum zur Verfügung. Besonderes Gewicht wurde auf die Datensicherheit und -vertraulichkeit gelegt, beispielsweise eigens spezielle Sicherheitsstandards eingeführt.

So wurden die Daten in der Vorverarbeitung und der Transformationsphase qualitätsgeprüft, bereinigt und zu einer statistisch auswertbaren Tabelle zusammengeführt. Diese beinhaltete sämtliche relevanten Privatkundendaten über den betrachteten Zeitraum. Anschließend wurden die Kundenparameter, soweit nötig, in eine für die Analyse geeignete Form transformiert. Zu Beginn der Datenanalyse wurden bewährte Verfahren wie Korrelations- und Sensitivitätsanalysen eingesetzt, um aus über 300 verfügbaren Kundenparametern diejenigen auszuschließen, die stark mit anderen Faktoren korrelieren sowie keinen Einfluss auf das Kundenpotential oder das Kündigungsrisiko haben.

Anschließend wurden mithilfe modernster Mustererkennungsverfahren, wie etwa Assoziationsregeln, Entscheidungsbäumen oder neuronalen Netzen, hochsignifikante Regeln und Verhaltensmuster ermittelt, die für Potentialkunden typisch sind. Durch die Anwendung dieser Regeln identifizierte das Institut mehrere tausend Potentialkunden, die sich in den nächsten Jahren mit weit überdurchschnittlicher Wahrscheinlichkeit zu profitablen Kunden entwickeln. Diese Potentialkunden können nun gezielt betreut werden. Eine Implementierung der Regeln und Muster in die Kundendatenbank ermöglicht zudem zukünftig die zuverlässige Ermittlung von Potentialkunden bereits kurz nach der Aufnahme einer Kundenbeziehung.

Im Rahmen einer weiteren Analyse wurden die wichtigsten Risikofaktoren identifiziert, die für Kündigungen und Kundenabwanderungen verantwortlich sind. Durch die Implementierung dieser Regeln und Muster als entsprechende Filter lassen sich nun abwanderungswillige Kunden in einer frühen Phase erkennen und pro-aktiv ansprechen.

Die Anwendung von unterschiedlichen analytischen Verfahren zur Wissensextraktion lieferte einen ganzheitlichen Blick auf das Kundenmanagement der St. Galler Kantonalbank. Die ermittelten Regeln und Muster wurden mit unterschiedlichen Modellen gerechnet. Dadurch wurde die Interpretation der Resultate robust gegenüber Besonderheiten in den Daten. Predictive Analytics auf der Basis von Data Mining-Technologien erwies sich daher als sinnvolle Ergänzung zum traditionellen Kundenmanagement, insbesondere da bisherige Methoden des Kundenmanagements aufgrund der Komplexität der Fragestellung an ihre Grenzen stießen.

Kommentare