BKB - Analytisches CRM
„Die Kampagnen sind jetzt zielgerichteter und effizienter. Es gilt Qualität vor Quantität.“
Pascal Freudiger, Data Scientist Basler Kantonalbank
Herausforderung
Wenn es um das Marketing geht, ist es bei Banken wie bei jedem anderem Unternehmen: Sie müssen in ständigem Kontakt mit ihren Kunden sein, um auf deren Bedürfnisse eingehen zu können. Sie müssen wissen, wie der Lebensstil und die Gewohnheiten ihrer Kunden aussehen. Danach sollten sich auch die Marketingkampagnen der Banken ausrichten, um dem Kunden zu seiner derzeitigen Lebenssituation passende Produkte und Dienstleistungen anzubieten. Auch die Basler Kantonalbank (BKB) ist bestrebt, personalisierte und zielgerichtete Kampagnen umzusetzen. Pascal Freudiger, Data Scientist bei der BKB, erklärt: „In der Vergangenheit haben wir Kunden anhand allgemeiner Attribute wie z.B. Geschlecht oder Altersgruppe ausgewählt. Und weil wir die Daten manuell erstellt haben, hat die Vorbereitung der Kampagne viel Zeit in Anspruch genommen. Das war nicht immer effizient.“ Um dem entgegen zu wirken und die Marketingaktivitäten zu intensivieren, musste ein neuer Plan her. Nach Auswertungen von mehreren Lösungen entschied sich die BKB für IBM® Customer Insight for Banking. Diese wurde von der BKB als benutzerfreundlich, effizient und einfach zu warten empfunden. Implementiert wurde sie von der iRIX Software Engineering AG.
Lösung
Jörg Koch, Experte im Bereich Analyselösungen für die Finanzbranche bei iRIX, erläutert die Vorgehensweise: „Wir haben an einem „Proof of Concept“ mit Predicitive Analytics Tools teilgenommen, um die BKB bei der Auswahl ihrer Kunden für bestimmte Kampagnen zu unterstützen.“ Bei einem A/B-Test wurden dabei Kunden nach der traditionellen Methode ausgewählt, während bei der anderen Gruppe die von den IBM Customer Insight-Modellen generierten Leads verwendet wurden. Pascal Freudiger bestätigt: „Mit dem traditionellen Weg verzeichneten wir eine Erfolgsquote von 7 Prozent – mit den Customer-Insight Modellen konnten wir eine Erfolgsquote von 35 Prozent erzielen.“
Statt wie zuvor Kunden manuell auszuwählen, kann die BKB nun Daten zu ihrem Kundenverhalten aus dem zentralen Data Warehouse ziehen, um einen Stammdatensatz aus 650 Feldern zu erstellen. Diese Felder lassen sich beispielsweise nach Kontowerten oder Umsätzen selektieren. Anhand dieser deskriptiven Daten werden spezifische statistische Modelle für bestimmte Anwendungsfälle erstellt. Mithilfe dieser Anwendungsfälle können anschließend die Marketingkampagnen optimiert werden. So sagen diese Modelle u.a. aus, wie Kunden auf Werbung reagieren oder wie produktaffin sie sind. Schließlich kann damit die Kundenwerbung spezifisch darauf abgestimmt werden. Pascal Freudiger erklärt: „Wir verwenden die Modelle immer wieder, um Kunden anhand von mehr als 600 Schlüsselattributen, wie Kundenstammdaten, Geschäftsvolumen oder aggregiertes Transaktionsvolumen zu bewerten und zu klassifizieren.“
Mehrwerte für den Kunden
Dank dem Einsatz von prädiktiven Modellen erzielte die Bank innerhalb des „Proof of Concepts“ eine 5 Mal höhere Response-Rate als mit der manuell selektierten Kontrollgruppe. Seither werden Machine Learning Methoden im Rahmen von Kampagnen und Vertriebsaktionen erfolgreich eingesetzt. Die Analysedienstleistungen werden vom Vertrieb ebenfalls für spontane Vertriebsaktionen genutzt. Die manuelle Selektion von Kunden hatte zuvor enorm viel Zeit in Anspruch genommen. Dies ist durch die neue Lösung nicht mehr nötig und der bisherige Aufwand konnte somit deutlich reduziert werden. Zudem erzielte die Vertriebsabteilung Effizienzgewinne, indem sie mit Verhaltensanalysen und Score-Werten der Kunden ihre Verkaufsprozesse verbesserten. Es können dadurch Kundenbeziehungen besser verfolgt und gleichzeitig wiederholte Kontaktaufnahmen vermieden werden. Pascal Freudiger freut sich über das Ergebnis: „Obwohl wir jetzt in einer einzelnen Kampagne weniger Kunden kontaktieren, hat sich der Umsatz pro Kampagne nicht wesentlich verringert, da die Kampagnen nun zielgerichteter und effizienter sind. Es gilt Qualität vor Quantität.“
Wenn es um das Marketing geht, ist es bei Banken wie bei jedem anderem Unternehmen: Sie müssen in ständigem Kontakt mit ihren Kunden sein, um auf deren Bedürfnisse eingehen zu können. Sie müssen wissen, wie der Lebensstil und die Gewohnheiten ihrer Kunden aussehen. Danach sollten sich auch die Marketingkampagnen der Banken ausrichten, um dem Kunden zu seiner derzeitigen Lebenssituation passende Produkte und Dienstleistungen anzubieten. Auch die Basler Kantonalbank (BKB) ist bestrebt, personalisierte und zielgerichtete Kampagnen umzusetzen. Pascal Freudiger, Data Scientist bei der BKB, erklärt: „In der Vergangenheit haben wir Kunden anhand allgemeiner Attribute wie z.B. Geschlecht oder Altersgruppe ausgewählt. Und weil wir die Daten manuell erstellt haben, hat die Vorbereitung der Kampagne viel Zeit in Anspruch genommen. Das war nicht immer effizient.“ Um dem entgegen zu wirken und die Marketingaktivitäten zu intensivieren, musste ein neuer Plan her. Nach Auswertungen von mehreren Lösungen entschied sich die BKB für IBM® Customer Insight for Banking. Diese wurde von der BKB als benutzerfreundlich, effizient und einfach zu warten empfunden. Implementiert wurde sie von der iRIX Software Engineering AG.
Lösung
Jörg Koch, Experte im Bereich Analyselösungen für die Finanzbranche bei iRIX, erläutert die Vorgehensweise: „Wir haben an einem „Proof of Concept“ mit Predicitive Analytics Tools teilgenommen, um die BKB bei der Auswahl ihrer Kunden für bestimmte Kampagnen zu unterstützen.“ Bei einem A/B-Test wurden dabei Kunden nach der traditionellen Methode ausgewählt, während bei der anderen Gruppe die von den IBM Customer Insight-Modellen generierten Leads verwendet wurden. Pascal Freudiger bestätigt: „Mit dem traditionellen Weg verzeichneten wir eine Erfolgsquote von 7 Prozent – mit den Customer-Insight Modellen konnten wir eine Erfolgsquote von 35 Prozent erzielen.“
Statt wie zuvor Kunden manuell auszuwählen, kann die BKB nun Daten zu ihrem Kundenverhalten aus dem zentralen Data Warehouse ziehen, um einen Stammdatensatz aus 650 Feldern zu erstellen. Diese Felder lassen sich beispielsweise nach Kontowerten oder Umsätzen selektieren. Anhand dieser deskriptiven Daten werden spezifische statistische Modelle für bestimmte Anwendungsfälle erstellt. Mithilfe dieser Anwendungsfälle können anschließend die Marketingkampagnen optimiert werden. So sagen diese Modelle u.a. aus, wie Kunden auf Werbung reagieren oder wie produktaffin sie sind. Schließlich kann damit die Kundenwerbung spezifisch darauf abgestimmt werden. Pascal Freudiger erklärt: „Wir verwenden die Modelle immer wieder, um Kunden anhand von mehr als 600 Schlüsselattributen, wie Kundenstammdaten, Geschäftsvolumen oder aggregiertes Transaktionsvolumen zu bewerten und zu klassifizieren.“
Mehrwerte für den Kunden
Dank dem Einsatz von prädiktiven Modellen erzielte die Bank innerhalb des „Proof of Concepts“ eine 5 Mal höhere Response-Rate als mit der manuell selektierten Kontrollgruppe. Seither werden Machine Learning Methoden im Rahmen von Kampagnen und Vertriebsaktionen erfolgreich eingesetzt. Die Analysedienstleistungen werden vom Vertrieb ebenfalls für spontane Vertriebsaktionen genutzt. Die manuelle Selektion von Kunden hatte zuvor enorm viel Zeit in Anspruch genommen. Dies ist durch die neue Lösung nicht mehr nötig und der bisherige Aufwand konnte somit deutlich reduziert werden. Zudem erzielte die Vertriebsabteilung Effizienzgewinne, indem sie mit Verhaltensanalysen und Score-Werten der Kunden ihre Verkaufsprozesse verbesserten. Es können dadurch Kundenbeziehungen besser verfolgt und gleichzeitig wiederholte Kontaktaufnahmen vermieden werden. Pascal Freudiger freut sich über das Ergebnis: „Obwohl wir jetzt in einer einzelnen Kampagne weniger Kunden kontaktieren, hat sich der Umsatz pro Kampagne nicht wesentlich verringert, da die Kampagnen nun zielgerichteter und effizienter sind. Es gilt Qualität vor Quantität.“
Verwendete Technologien
IBM Customer Insights for Banking, SPSS Modular
Weitere Kundenprojekte
Optimierung der Planungsprozesse
Dank Jedox zu deutlich effizienteren und fehlerfreieren Planungsprozessen