Früher betreute ein Bankberater wenige Kunden, wusste über deren Bedürfnisse Bescheid und konnte proaktiv anbieten, was seine Kunden brauchten. Gerade in Zeiten, in denen die Neukundengewinnung für viele Banken immer schwieriger wird, ist diese Entwicklung von Bestandskunden essentiell für den Betriebserfolg, schicken Florian Dall, Director Simon-Kucher & Partners Österreich, und Iraklis Kordomatis, Manager, Simon-Kucher Schweiz, bei ihrem morgendlichen Vortrag zu „Bedürfnisorientierte Kundensegmentierung mit AI“ voraus (Präsentation siehe nachstehend). Doch woher weiß der Bankberater, was der Kunde braucht, wenn es immer weniger persönliche Betreuung und fast nur noch passive Kundenbeziehungen gibt? „Mit modernsten analytischen Methoden wie Machine Learning erkennen wir“, so Dall und Kordomatis, „Muster in Kundenverhalten und ‑entwicklung und können zukünftige Bedürfnisse oder mögliche Abwanderungstendenzen antizipieren und aktiv ansprechen.“
Wie aber kann der Kundenberater rechtzeitig erkennen, wie sich die Bedürfnisse seiner Kunden verändern und welche Chancen und Risiken sich dadurch ergeben? Meist muss sich der Kundenberater dazu die Daten zum Nutzungsverhalten seines Kunden aus verschiedenen Systemen zusammensuchen. Dabei reicht es nicht, wenn er die gesammelten Daten einzeln betrachtet. Um Einblicke in das Nutzungsverhalten und die Bedürfnisse des Kunden zu erhalten, müssen die Nutzungsdaten intelligent kombiniert werden. Beispielsweise wird ein Kundenberater am reinen Volumen im Depot oder an der Anzahl Positionen des Kunden nicht erkennen können, ob dieser seine Investitionsentscheide lieber der Bank delegieren möchte. Der Kundenberater muss sich das Portfolio des Kunden im Detail anschauen und sich einen Überblick über sein Nutzungsverhalten verschaffen. Eine solche Analyse ist für den Kundenberater zeitaufwändig und kann daher meist nicht regelmäßig für das gesamte Kundenbuch durchgeführt werden. Zudem ist es für den Kundenberater oft schwierig zu verstehen, welche Informationen überhaupt relevant sind, um die Wahrscheinlichkeit einer Kundenabwanderung oder Cross- und Up-Selling-Potenziale vorherzusagen. Sicherlich weiß er zum Beispiel, dass Erben eine viel höhere Abwanderungswahrscheinlichkeit aufweisen als seine angestammten Kunden.
Mithilfe einer umfassenden Datenanalyse des Kundenverhaltens lassen sich jedoch Abwanderungsrisiken frühzeitig erkennen, beschreiben Dall und Kordomatis (Simon-Kucher & Partners hat naturgemäß auch entsprechende Tools dazu). Hierbei wird untersucht, wie sich Kunden, die in der Vergangenheit abgewandert sind, von denjenigen unterscheiden, die geblieben sind. Die Erkenntnisse aus dieser Analyse werden dann angewendet, um die Abwanderungswahrscheinlichkeit der Bestandskunden vorherzusagen. Zuerst werden also Hypothesen gebildet, welche Faktoren die Entscheidung eines Kunden zum Abwandern erklären könnten und welche Daten zu diesen Faktoren systemtechnisch überhaupt verfügbar sind. Diese Daten müssen danach aus dem internen Datawarehouse extrahiert werden. Da es sich teilweise um Informationen zu Kunden handelt, die schon abgewandert sind, stellt dies manchmal eine besondere Herausforderung dar.
Als Nächstes werden die verfügbaren Daten daraufhin analysiert, welche Faktoren in der Vergangenheit einen Erklärungsbeitrag zur Kundenabwanderung erbracht haben. Das Ergebnis dieser Analyse ist eine Sammlung von Faktoren, welche die Abwanderungswahrscheinlichkeit eines Kunden begünstigen und solchen, welche diese reduzieren. Basierend auf den Erkenntnissen kann dann die Abwanderungswahrscheinlichkeit von jedem einzelnen Bestandskunden vorhergesagt werden. Die Abwanderungswahrscheinlichkeit kombiniert mit dem Kundenwert für die Bank ist die Grundlage für eine Priorisierung der Kunden für die Marktbearbeitung. Kunden mit hoher Abwanderungswahrscheinlichkeit und hohem Kundenwert sollten zuerst angegangen werden, diejenigen mit tiefer Abwanderungswahrscheinlichkeit und tiefem Kundenwert zuletzt.
In einem nächsten Schritt werden die Massnahmen erarbeitet, mit denen abwanderungsgefährdete Kunden stärker gebunden werden und Cross- und Up-Selling-Potenziale ausgenutzt werden können. Der Kundenberater kann also mit Hilfe des Tools und der Schätzung der Abwanderungswahrscheinlichkeit schnell erkennen, welche Kunden er prioritär angehen muss. Bevor er einen solchen Kunden kontaktiert, macht er sich im Tool ein Bild von seinem Nutzungsverhalten und leitet daraus mögliche Kundenbedürfnisse ab. Während des Kundengesprächs schlägt der Berater von den vorgeschlagenen Maßnahmen diejenigen vor, welche für den jeweiligen Kunden sinnvoll und erfolgsversprechend sind. Dall und Kordomatis. „Eine maßgeschneiderte, umfassende Beratung braucht gut aufbereitete, toolbasierte Informationen und führt zu höherer Kundenzufriedenheit sowie weniger Abwanderung.“
Download der 24-seitige Präsentation „Bedürfnisorientierte Kundensegmentation mit AI” von Florian Dall & Iraklis Kordomatis beim FMVÖ-Financial Breakfast am 06.12.19.
In Abwandlung des Klassikers „Wissen ist Macht“ bilanzierten FMVÖ-Präsident Erich Mayer und FMVÖ-Vorstandsmitglied Wolfgang Ronzal die Demonstration des „Machine Learnings“ profan: „Daten sind die neue Macht … besser: Wissen um das Kundenbedürfnis“.
