#Daten_sind_der_neue_Zins
Höchst persönlich und verantwortungsvoll: Data Analytics in Regionalbanken
Ein Mangel an Publikationen zu Big Data, Künstlicher Intelligenz, Data Analytics et al. und deren genauso segensreichen wie beängstigenden theoretischen Anwendungsmöglichkeiten in Banken besteht nun wirklich nicht. Was fehlt, sind pragmatische und für die Einsatzgebiete von Regionalbanken handhabbare Lösungen. Die wenigsten Institute verfügen aktuell über hinreichende erfahrungsbasierte Datenkompetenz oder gestandene Data Scientisten, um sich der Nutzung vorhandener und ergänzbarer Daten hinzugeben oder über ausreichend Geduld auf die Bereitstellung entsprechender Tools durch zentrale Einheiten zu warten.
Der Mythos „persönliche Nähe“
Startpunkt und Fokus für einen „wir-wollen-mehr-aus-unseren-Daten-machen“-Ansatz sollte eine Stärkung der zentralen Assets einer Regionalbank sein: Regionalität, Qualität und Vertrauen – letzteres gespeist aus persönlicher Nähe. Üblicherweise haben gute Kundenberater eine tiefe analoge Verankerung in der Region und bei einem Teil ihrer Kunden. Sie sind präsent, nehmen am privaten wie gesellschaftlichen lokalen Leben teil und pflegen langjährig gewachsene Kundenbeziehungen. Diese Nähe ermöglicht es ihnen, glaubwürdig, vertrauens- und verantwortungsvoll wahrgenommen zu werden. Der Haken daran: dieses Bild entspricht schon einem Ideal, das nicht durchgängige Praxis ist und wird (kann) allenfalls mit 20-25% der zugeordneten Kunden gelebt (werden). Wer könnte nicht aus seiner privaten Erfahrung berichten wie schwer es ist, zu mehr als 20-30 Personen vitale freundschaftliche Beziehungen zu pflegen. Vergleichbares bei 300-500 zugeordneten Kundenverbünden zu erwarten, hat noch nie funktioniert und kann auf herkömmliche Weise vermutlich auch nicht funktionieren.
Vertrauen wächst aus Kundenkenntnis
Eine Vertrauensbeziehung zu Kunden entsteht immer dann, wenn es regelmäßige Kontakte gibt, diese von Qualität geprägt sind und sowohl ein wahrhaftiges Interesse an als auch ein umfassendes Wissen über die aktuelle Lebenssituation des Kunden spürbar wird. Trifft der Berater den richtigen Zeitpunkt mit einer personalisierten und den individuellen Bedarf des Kunden treffenden Dienstleistung (oder einem Produkt), wird von den meisten Kunden vermutlich eine angenehme Nähe empfunden. Standardisierte und generische Ansprachen bewirken eher das Gegenteil. Private-Banking-Kunden fühlen sich durch Postwurfsendungen zu Ratenkrediten dann irgendwie nicht so richtig angesprochen und verstanden
Jetzt aber mal zum Punkt
Wie wäre es, wenn die bestehende analoge Nähe sinnvoll durch den Einsatz von Technologie ergänzt würde? Zum einen lässt sich die analoge Teilhabe im Alltag der Kunden durch digitale Vernetzung auf den verschiedenen Kanälen und Plattformen vervollständigen. Das kann jeder Berater sofort umsetzen und sichert die bestehenden Beziehungen.
Zum anderen verfügen Banken – potenziell – über ein profundes Wissen über ihre Kunden, was eine höchst persönliche, individuelle und zeitlich punktgenaue Ansprache aller Kunden ermöglicht. Ansatzpunkt sind die Zahlungsströme des Girokontos bzw. der Kreditkarte(n).
Durch intelligente Auswertung, Verknüpfung und Berücksichtigung vielschichtiger Abhängigkeiten der Transaktionsdaten lassen sich unvergleichlich treffsichere und tagesaktuelle Aussagen über Situation und Bedarf des Kunden generieren. Man mag einwenden, Zahlungsstromanalysen seien ein alter Hut und grundsätzlich schon lange verfügbar. Allein, (systematisch) genutzt wurden sie bislang nicht, Ergänzungen über externe Daten haben nicht stattgefunden und bis vor wenigen Jahren verfügte noch niemand über die technologischen Möglichkeiten, diese Daten intelligent zu analysieren.
Wie geht das genau? „Zeig‘ mir dein Girokonto und ich sage Dir wer du bist“
Auf dem Weg zu tiefen Erkenntnissen über die Präferenzen der eigenen Kunden werden die Zahlungsströme zunächst genau analysiert und anhand des Gegenkontos und des Verwendungszwecks vollautomatisch mithilfe fortgeschrittener Algorithmen kategorisiert. Jede Transaktion wird somit einer konkreten Kategorie zugeordnet. „Extreme Gradient Boosting“ oder „Deep Neural Networks“ heißen jene state-of-the-art Algorithmen, die mithilfe gewaltiger Rechenpower auch die verstecktesten Muster in den Daten erkennen.
So werden beispielsweise Ausgaben im Discountmarkt oder dem Bio-Supermarkt identifiziert, ebenso Ausgaben für Sport, Reisen oder Bildung und entsprechend intelligent verknüpft, um daraus Aussagen abzuleiten. Auf Basis dieser Kategorisierung lassen sich über 300 Kennzahlen generieren, die das Ausgabeverhalten jedes einzelnen Kunden (bzw. der Haushaltsverbünde) im Detail charakterisieren. Mithilfe der Zahlungsstromanalyse kann die aktuelle Lebenssituation jedes Kunden also leicht antizipiert werden. Die Beratung kann auf diese Weise noch individueller auf die persönlichen Bedürfnisse des Kunden angepasst werden. Der Berater vor Ort kennt seinen Kunden und dessen tagesaktuelle Bedürfnislage schon, bevor er ihn (zum ersten Mal) in der Filiale begrüßt.
Was lässt sich genau damit anfangen?
Den Kunden besser zu kennen klingt gut, aber welche konkreten Werkzeuge können dem Berater an die Hand gegeben werden?
Echtzeit-Kundensegmentierung:
Sie planen beispielsweise Vertriebsaktionen für einen bestimmten Fonds (z.B. zum Thema Nachhaltigkeit). Welche Kunden möchten Sie dazu kontaktieren? Kunden, die viele Transaktionen in den gleichen Kategorien tätigen, können dazu in Segmenten zusammengefasst werden. Selbst kleinste Segmente können durch diese Mustererkennung (ein sogenanntes „Micro-Clustering“) identifiziert und bei Bedarf vom Vertrieb adressiert werden. Mithilfe einer Echtzeit-Kundensegmentierung wählen Sie mit nur wenigen Mausklicks genau die Kunden aus, die hohe anteilige Ausgaben im Bereich Nachhaltigkeit und Umwelt tätigen, wie zum Beispiel Ausgaben im Bio-Supermarkt oder Spenden für Naturschutzorganisationen. Über künstliche Intelligenz lassen sich automatisch weitere ähnliche Kunden erkennen, sogar wenn diese die konkret gewünschten Ausgaben nicht aufweisen, sich aber im übrigen Zahlungsverhalten stark ähneln.
Bislang ist es gängige Praxis, willkürlich gewählte Kriterien (Einkommen, Alter, Vermögen, Kanalaffiitäten etc.) zu definieren und diese zur Segmentierung zu verwenden. Der zunehmenden Individualität der Kunden verbunden mit der Erwartung, personalisiert angesprochen zu wird der Ansatz nicht gerecht. Viel besser ist es, auf Basis des tatsächlichen Kundenverhaltens die Zugehörigkeit zu einem Cluster zu ermitteln – und das dynamisch und in Echtzeit. Dann ergeben sich Segmentierungskriterien auf der Basis dessen was bei den Kunden tatsächlich ist und nicht auf dem was ich als Bank festlege.
Next-Best-Offer (oder auch „Kunden wie Sie kauften auch…“):
Welches Produkt biete ich meinem Kunden in der Beratung an? Oder umgekehrt: welche Kunden sind affin für ein spezielles Produkt? Beide Fragen beantwortet die sogenannte Next-Best-Offer Analyse. Dabei wird Kunden genau das Produkt angeboten, das viele ähnliche Kunden bereits nutzen. Auch hier bildet die Zahlungsstromanalyse die Grundlage, um die Ähnlichkeit zwischen Kunden zu ermitteln. Anschließend werden moderne Machine-Learning-Ansätze (wie z.B. „Collaborative Filtering“) angewandt – ganz so wie es Amazon und Netflix auch heute schon tun, um den Kunden passende Produkte zu empfehlen. Auf diese Weise kann der Vertrieb eine sortierte Liste an Kunden generieren lassen, deren Wahrscheinlichkeit für den Bezug eines bestimmten (Finanz-)Produkts am höchsten ist. Aber nicht nur die klassischen „Produkte“ lassen sich so zielgerichteter empfehlen: auch die richtige Zielgruppe für die Nutzung von bestimmten Services (z.B. Apps oder andere digitale Services) lassen sich über fortgeschrittene Datenanalysen deutlich einfacher finden.
Kündigeranalyse:
Auch ein intelligentes „Frühwarnsystem“ für abwanderungsgefährdete Kunden ist problemlos auf Basis der existierenden Zahlungsdaten möglich. Eine abnehmende Anzahl der Transaktionen im Zeitverlauf oder ausbleibende Gehaltszahlungen könnten selbstverständlich für einen Kontowechsel sprechen. Jedoch verstecken sich auch zahlreiche weitere Muster in den Zahlungsströmen, die das menschliche Auge ohne maschinelle Unterstützung nicht erkennen kann. Durch die Nutzung fortgeschrittener Data-Analytics-Tools können die gefährdeten Kunden identifiziert und durch eine frühzeitige Ansprache oft von einer Kündigung abgebracht werden.
Und der Datenschutz?
Zweifellos ist all das für eine Regionalbank nur vertretbar, wenn sämtliche Verbraucher-/ Datenschutzgesetze und Grundverordnungen eingehalten werden, Zweck der Analyse immer nur der Mehrwert für die Kunden ist und ein genauso achtsamer wie verantwortungsvoller Umgang mit den Daten/Analysen sichergestellt ist. Hierbei stellt sich auch die Frage, ob aktiv ein explizites Einverständnis der Kunden einzuholen ist oder ob es im Sinne einer „Hinweislösung“ ausreicht, die Kunden zu informieren und eine aktive Verweigerung des Einverständnisses zu berücksichtigen. Dazu existieren bereits einschlägige Verlautbarungen der Verbände, die eine „Hinweislösung“ als praktikabel erscheinen lassen.
Bei allen berechtigten Datenschutzbedenken ist natürlich zu berücksichtigen, dass seit Inkrafttreten der PSD2-Richtlinie seitens der Banken Dritten die Möglichkeit des Zugriffs auf Transaktionsdaten einzuräumen ist. Wäre es da nicht sinnvoller, die eigenen Kundendaten im Kundeninteresse selber zu nutzen als sie nur anderen (z.B. FinTechs) zur Verfügung stellen zu müssen?
Und jetzt ein 12-Monats-Projekt zum Preis einer Eigentumswohnung (in Schwabing)?
Zunächst: um einen solchen Ansatz umzusetzen, braucht es keine Schnittstellen zum Kernbanksystem und die Daten verlassen auch nicht die Hoheitsgewässer der Bank. Das geht einfacher.
Entgegen herkömmlicher Segmentierungsprojeke, die üblicherweise zeitraubend, spaßfrei und unruhestiftend sind und sowohl haufenweise manuelle Schritte erfordern als auch zum Ende des Projektes eigentlich schon wieder überholungsbedürftig sind, ermöglichen Data-Analytics-Ansätze die Generierung von besseren Ergebnissen bereits nach ca. 4 Wochen. Segmentierung ist dann kein einmaliger Kraftakt, sondern eine kontinuierliche und automatisierte Aufgabe. Zudem ermöglicht der Technologieeinsatz eine dramatische Reduzierung der Kosten, da CPU-Zeit in der Regel deutlich günstiger als Tagessätze zu haben ist. Das Schwierigste des gesamten Vorhabens ist nur der Mut, es tatsächlich zu tun und im Anschluss auch zu nutzen.
Und damit schmeißen wir die ganzheitliche Beratung wieder über Bord?
Ein zentraler Aspekt der ganzheitlichen Beratung ist die möglichst umfassende Kenntnis von Zielen, Wünschen und aktueller Lebenssituation der Kunden. Auf dieser Basis möchte die Bank bedarfsgerechte Dienstleistungen und Produkte anbieten. Wenn ich als Berater alle zwei Jahre ein ganzheitliches Kundengespräch führe, fehlen mir wichtige Informationen, die ich versuchen muss in dem Gespräch zu erhalten. Wäre es da nicht besser und letztlich auch kundennäher, ich wüsste vieles bereits vor Beginn des Gesprächs und wäre entsprechend vorbereitet? Und in den 729 Tagen zwischen den ganzheitlichen Gesprächen will ich als Berater ja auch nah dran sein und etwas anbieten können, wenn der Bedarf entsteht. Das fällt ja üblicherweise eher zufällig auf den Zeitpunkt des terminierten Gesprächs.