34 Gastbeitrag*
34 Gastbeitrag* Datennutzung KI hebt das Kundenmanagement auf eine neue Ebene Im schwierigen Markt für Finanzdienstleistungen ist das Wissen über Bedürfnisse und Wünsche der Kunden ein essenzieller Faktor. Für etablierte Institute ergibt sich hier eine echte Chance, denn sie verfügen über Unmengen an Rohdaten ihrer Bestandskunden. In Verbindung mit Künstlicher Intelligenz macht dies Einblicke und Schlussfolgerungen in bislang unbekannter Tiefe möglich. Konkrete Anwendungsszenarien beschreibt das aktuelle Whitepaper „Künstliche Intelligenz im Vertriebs- und Kundenmanagement“ der PPI AG. Niedrige Zinsen und keine Trendwende in Sicht, junge Konkurrenz in Form von FinTechs oder BigTechs, veränderte Kundenerwartungen bei gleichzeitig zu hohen Kosten – Finanzdienstleister sind heute gezwungen, zu sparen und sich zudem ständig neu zu erfinden. Letzteres ist möglich in Form innovativer Angebote oder mithilfe digital verschlankter Vertriebswege und Serviceleistungen. Dabei darf der Kunde nicht aus den Augen verloren werden. Denn entscheidend ist letztlich die Frage, wie gut die eigene Produktwelt und Vertriebsorganisation dessen Wünsche und Anforderungen abbildet. Dass gerade die etablierten Banken beste Voraussetzungen haben, das notwendige tiefe Kundenverständnis zu erlangen, zeigt das Whitepaper „Künstliche Intelligenz im Vertriebs- und Kundenmanagement“ der PPI AG. Das Hamburger Beratungsund Softwarehaus hat sich eingehend mit den Einsatzmöglichkeiten von Künstlicher Intelligenz (KI) in der Kundenanalyse befasst und erste Anwendungsszenarien entwickelt. Die Umwälzungen im Markt haben die Art und Weise, Kunden möglichst genau kennenzulernen, in den vergangenen Jahren grundlegend verändert. Früher war die Interaktion Bank-Kunde vielfach durch das persönliche Verhältnis der Akteure geprägt. Der Mitarbeiter in der Filiale nutzte sein Wissen und seine kognitiven Fähigkeiten. So konnte er seine Kundenkenntnisse in Relation zu den Vertriebsanweisungen bringen und recht genau sagen, wer welches Produkt oder welche Serviceleistung brauchte. Das Wissen über den einzelnen Kunden war so verhältnismäßig präzise, die eindimensionale Customer Journey bescherte das Vertriebsergebnis. Schon die Kosten für diese personalintensive Vorgehensweise sind inzwischen kaum noch vertretbar, angesichts des aktuellen Marktumfelds hat es sich zudem ohnehin überlebt. Der Kunde will überall und zu jeder Zeit Zugriff auf sämtliche Leistungen, und zwar digital. In der Folge haben die meisten Institute ihr Filialnetz erheblich ausgedünnt und setzen auf elektronische Services und Customer-Touchpoints. Welche Kunden jeweils für einzelne Vertriebsmaßnahmen infrage kommen, wird im Wesentlichen zentral auf der Grundlage von Erfahrungen und Statistiken gesteuert. Das erschwert allerdings einen passgenauen Zuschnitt von Angeboten. Die Services leiden stellenweise unter der Distanz zwischen Bank und Kunde. » 1
Gastbeitrag* 35 01 | Methodenvergleich im Vertriebs- und Kundenmanagement Die Grundlagen sind vorhanden Der Schlüssel für dieses Dilemma liegt in der digitalen Technik: Banken müssen diese zukünftig konsequent für ein individuelles Vertriebs- und Kundenmanagement einsetzen. Und das Verbindungsstück hierfür ist bereits vorhanden und wartet nur auf seinen Einsatz: Es sind die über Jahre und Jahrzehnte angesammelten Informationen in Form von Kundendaten, Zahlungsverkehrsdaten, Drittanbieterdaten und weiterem. Mit diesen lässt sich die Eintrittskarte für den Finanzdienstleistungsmarkt der Zukunft lösen, und zwar mithilfe von Künstlicher Intelligenz (KI). Diese untersucht die historischen Kundendaten auf Gemeinsamkeiten und Unterschiede. So werden Strukturen in den Datenmengen sichtbar, die aufgrund der schieren Masse mit menschlichen kognitiven Fähigkeiten kaum bis gar nicht erkennbar wären. KI identifiziert nach Eigenschaften verschiedene Kunden, deren Verhaltensweisen sich ähneln. Ergebnis sind am Ende deutlich bedürfnisorientiertere Produkt- und Serviceleistungen bis auf die Ebene des einzelnen Kunden hinunter. Zusätzlich schafft es KI, durch angelernte Verhaltensmuster in der Kommunikation sehr persönlich zu wirken, und mögliche Wünsche des Kunden im Voraus zu erahnen. Diese, im Gegensatz zu den starren Anforderungen einer Software, natürlich wirkende Anmutung mildert die tendenziell negativen Auswirkungen der Automatisierung auf die Kundenbindung ab. Eine Frage der Anwendbarkeit Doch warum wird KI trotz dieser weitreichenden Möglichkeiten von Finanzinstituten im Kundenmanagement aktuell kaum eingesetzt? Es fehlt ein kritisches Puzzleteil: die Anwendungsfälle. Diese zu konzipieren, ist eigentlich nicht komplex. Benötigt werden grundlegendes Wissen, Kreativität und die passenden Business Cases. Schließlich soll im Vergleich mit den bisherigen Verfahren nicht nur ein qualitativer Vorteil entstehen, sondern am Ende auch ein quantitativer. Zunächst ist eine Prüfung sinnvoll, ob potenzielle Anwendungsfälle überhaupt realisierbar sind. Dazu gilt es, verschiedene Handlungsfelder zu analysieren, um am Ende zumindest die folgenden Aussagen treffen zu können: ■ Die Menge verfügbarer Daten ist ausreichend groß. ■ Die Verwendung ist nach den Datenschutzbestimmungen, insbesondere der EU-Datenschutzgrundverordnung (EU- DSGVO), zulässig. ■ Die notwendige Genauigkeit lässt sich mit KI-Modellen erreichen. Offline (direkte persönliche Betreuung) Digitalisierung ohne KI-Einsatz Digitalisierung mit KI-Einsatz – Beginn Digitalisierung mit KI-Einsatz – nach längerer Einsatzzeit Kritisch Quelle: PPI AG. Ressourcenverbrauch Unkritisch mit Verbesserungsbedarf Persönlichkeit Durchschnittlich Kundenkenntnis Zielgenauigkeit der Angebote Ideal ■ Das Einsatzfeld ist für KI geeignet. ■ Die Anwendung von KI schafft einen wirtschaftlichen Mehrwert. Im Whitepaper benennen die PPI-Experten eine Reihe von Beispielen für Anwendungsszenarien von KI im Vertriebs- und Kundenmanagement. Vertieft behandelt wird insbesondere das Thema Churn Management, also Kündigungsprävention. Bisher werden entsprechende Maßnahmen auf diesem Feld mittels Experteneinschätzungen aus der Bank durchgeführt. Als Grundlage dienen statistische Erkenntnisse und die Einschätzungen der Bankmitarbeiter. Auf dieser Basis folgen Gespräche mit den jeweiligen Kunden oder, gerne auch kombiniert, zentrale beziehungsweise dezentrale Vertriebsaktionen. Eine quantifizierbare Abwanderungswahrscheinlichkeit und eine Relation zwischen dieser und dem Kundenwert können mit diesen Instrumenten allerdings nicht errechnet werden. KI kann dies leisten. Datenaufbereitung und Modellierung als Grundlage Im ersten Schritt gilt es, die vorhandenen Kundendaten richtig aufzubereiten. Dazu sind die Identifizierung und Zusammenführung der Datensätze bereits abgewanderter Kunden notwen-
