Mit Big Data Kundenabwanderung verhindern – Churn Management bei Banken

Ein erbitterter Preiskampf, neue Anbieter, ein besserer Zugang zu Informationen: Nie war es für Kunden einfacher, ihrem Finanzinstitut den Rücken zu kehren. Lebenslange Loyalität war gestern. Damit aus einem guten Kunden nicht plötzlich ein Ex-Kunde wird, müssen Banken in Kundenservice und –bindung investieren. Und dabei technologisch neue Wege gehen. Mit Hilfe intelligenter Big Data Lösungen können sie frühzeitig die Anzeichen für eine mögliche Abwanderung erkennen – und so wirksam gegensteuern.

Es ist weit günstiger, bestehende Kunden zu halten als neue Kunden zu gewinnen. Diese Erkenntnis ist nicht neu – und doch gilt sie für Finanzinstitute heute mehr denn je. Um im hart umkämpften Markt profitable Kunden dauerhaft zu binden, investieren Banken verstärkt in ihr Churn Management. Es gilt, den Kunden besser zu verstehen und damit gezielt auf seine Wünsche einzugehen. Dabei können die Institute auf das riesige Datenvolumen zurückgreifen, das täglich verarbeitet wird. Aus diesem gilt es die relevanten Informationen zu ziehen – schnell und automatisiert.

Was sind dabei die größten Herausforderungen? Als ein führender IT-Lösungsanbieter für die internationale Finanzbranche verstehen wir die Anforderungen an die Banken. Die Erfahrung zeigt: Diese lassen sich im Wesentlichen zwei Kategorien zuordnen

  • Um optimale Produktentscheidungen zu treffen, müssen Finanzinstitute das Kundenverhalten zuverlässig vorhersagen können
  • Um in Echtzeit personalisierte Angebote zu erstellen, müssen sie die Bedarfszyklen ihrer Kunden besser verstehen.

Auf Basis dieser Anforderungen hat GFT eine Lösung entwickelt, mit der sich das Kundenverhalten zuverlässig vorhersagen lässt. Diese wird mit Echtzeit-Analysemethoden implementiert und eingesetzt um Kundenabwanderung zu verhindern.

Wie funktioniert das Verfahren?

Die auf SAP HANA basierende Lösung ermöglicht mithilfe der In-Memory-Technologie die Grundgesamtheit der Daten auf alle Kundendaten der vergangenen Jahre in Echtzeit zu analysieren. Daten bereits abgewanderter Kunden lassen sich so nutzen um Verhaltensmuster zu erstellen und diese auf bestehende Kunden zu übertragen. Hierzu haben wir ein Churn Modell in Form einer Scorekarte entwickelt. Darin sind die Parameter hinterlegt, aus deren sich eine Abwanderungsgefährdung ableiten lässt. Die Abwanderungsgeschwindigkeit wird dann mit mathematisch-statistischen Verfahren aus der Summe der einzelnen Scorewerte ermittelt. Dabei ist eine adäquate Trennschärfe wichtig. So müssen die eingesetzten Scorekarten beispielsweise zuverlässig Kunden mit Potenzial identifizieren und von solchen ohne Potenzial unterscheiden. Um die Genauigkeit der Vorhersage zu steigern, werden dann im nächsten Schritt die Daten mit externen Informationsquellen angereichert. Auch die Berücksichtigung einer wahrscheinlichen Kundenreaktion im Sinne eines „Uplift Modelings“ ist sinnvoll, um nur die Kunden anzusprechen, die in gewünschter Weise reagieren.

Was sind die Vorteile?

War es bislang so, dass riesige Datenmengen in Finanzinstituten oft wenig kombiniert und damit kaum verwendet werden konnten, lässt sich mithilfe des GFT Ansatzes eine einheitliche Datenbasis über Systemgrenzen hinweg schaffen, und das unabhängig von der IT-Landschaft der Bank. Dank SAP HANA lässt sich die Datenbasis deutlich erweitern und damit die Genauigkeit der Vorhersage erhöhen. Die Anwendung kann dabei in Echtzeit auf einzelne Kunden oder auf das gesamte Kundenportfolio des Instituts angewandt werden. Beide Optionen legen dieselben Datensätze und Algorithmen zugrunde und nutzen SAP HANA.

Die Echtzeit-Methode bietet die Möglichkeit, sofort das Abwanderungsrisiko für einen Kunden zu berechnen, wenn dieser die Bank über einen der verfügbaren Kanäle kontaktiert und ermöglicht die schnelle Auswahl geeigneter, personalisierter Angebote. Die Analyse des Kundenstamms erlaubt es Finanzunternehmen, Informationen über ganze Kundengruppen zu nutzen, um im Backoffice optimale Entscheidungen zu Produkt- und Serviceangeboten zu treffen. Erreicht wird dies durch den Einsatz eines Simulationsprozesses, bei dem SAP Business Objects detaillierte und grafikbasierte Berichte liefert, die auf genauen Recherchen beruhen.

Ein Beispiel: Erhöht etwa ein Wettbewerber einer Bank den Zinssatz für Tagesgeldeinlagen, kann der Berater durch die Veränderung der eigenen Zinskonditionen unmittelbar im Kundenkontakt die Abwanderungswahrscheinlichkeit simulieren. Handelt es sich bei dem Kunden um einen Potenzialkunden, kann direkt das passende Angebot ermittelt und vorschlagen werden.

Die folgenden Grafiken zeigen die Ergebnisse einer Simulation auf der Basis einer bestimmten Differenz (Zinsdelta) zwischen dem Einlagenzinssatz der Bank und den durchschnittlichen Marktzinssätzen.

Abbildung 1 zeigt die Wahrscheinlichkeit der Abwanderung eines Kunden für ein bestimmtes Zinsdelta (in diesem Fall 0,2) nach verschiedenen Kriterien gruppiert (beispielsweise der Gesamteinlagebetrag des Kunden, die Dauer der Geschäftsbeziehung, etc.). Es wird angezeigt wie wahrscheinlich es ist, dass der Kunde auf der Grundlage dieser Parameter zu einem anderen Finanzinstitut wechselt und wie hoch der resultierende Einlageverlust für die Bank wäre:

gft_bigdata_banking_churn_1
Abbildung 2 zeigt ein mögliches Szenario für einen Einzelkunden. Die Grafik illustriert die Wahrscheinlichkeit der Abwanderung in Anhängigkeit von der Zinsdifferenz (Zinsdelta). Diese Informationen können beispielsweise genutzt werden, um das potenzielle Abwanderungsrisiko eines Kunden vorherzusagen, noch während er im Gespräch mit dem Callcenter-Agenten oder dem Finanzberater ist. Darüber hinaus kann dem Agenten oder Berater ein Angebot zur Verfügung gestellt werden, das attraktiv genug ist, um das Abwanderungsrisiko zu reduzieren:

gft_bigdata_banking_churn_2

In beiden Fällen sind die durch die Anwendung erfassten Daten die entscheidenden Informationen für das Finanzinstitut, um die richtigen Entscheidungen zu treffen. Eine umfassende Analyse des Kunden ermöglicht es der Bank, sich auf diejenigen Kunden zu konzentrieren, die im Hinblick auf den Kundenertragswert das höchste Potenzial haben. Weiterer Vorteil: Die Anwendung ist erweiterbar, sodass der Vertrieb höherwertiger Produkte (Up-Selling) oder ergänzender Produkte (Cross-Selling) möglich wird.

Fazit: Die von GFT entwickelte Anwendung versetzt Finanzinstitute in die Lage, bereits vorhandene Daten optimal zu nutzen, um die Abwanderung von Kunden zu verhindern. Entscheidungen in Echtzeit werden damit ebenso möglich wie passende, personalisierte Produkt-und Serviceangebote für Kunden – beides kann im hart umkämpften Markt ein entscheidender Wettbewerbsvorteil sein.

 

Möchten Sie mehr über die GFT Lösung erfahren? Besuchen Sie uns auf dem SAP-Forum für Banken am 4. und 5. Juni 2014 in Mainz. Unsere Experten freuen sich auf den Austausch mit Ihnen.

Comment Area

  1. E Ramirez25/01/2020

    Sehr interessanter Artikel. Was ist der Unterschied zwischen churn_$ und churn_sim_$ auf der Abbildung?

    1. Vielen Dank! Der Unterschied ist der Vergleich (und damit auch die methodische Validierung) einer simulierten Abwanderungswahrscheinlichkeit mit der realen Abwanderung im Rahmen eines Trainings der Systeme.

Core Application Renewal

Finanzhäuser gleichen teils Technologiemuseen: Die digitale Transformation beginnt im Backend. Zu unserem neuesten Whitepaper:

Read more