36 Gastbeitrag* dig. Nur
36 Gastbeitrag* dig. Nur so lässt sich die bei KI-Algorithmen essenzielle Analyse der Gemeinsamkeiten und Unterschiede zwischen abgewanderten und treuen Kunden durchführen. Je mehr Datensätze vorhanden, je besser die Qualität ist und je aussagekräftiger die Daten sind, desto besser werden die erzielten Ergebnisse. So ist beispielsweise das Alter des Kunden ein Feature, das unter Umständen eine hohe Relevanz für die Beurteilung der Abwanderungsgefährdung hat. Es sollte also zwingend vorhanden sein. Die kontinuierliche Bearbeitung des Eigenschaftsstamms der Kunden geht solange weiter, bis eine ausreichende Qualität und Aussagekraft vorhanden ist. Diese Datenaufbereitung ist entscheidend für den Gesamterfolg eines KI-Projekts und eine der Haupttätigkeiten für Data Scientists. Dann folgt im zweiten Schritt das Modelltraining. Will heißen, der KI-Algorithmus wird auf Daten mit Labeln angewendet und soll die Gemeinsamkeiten und Unterschiede in Bezug auf das jeweilige Label herausfinden und in Form eines Modells abbilden. Label bezeichnet die Zieleigenschaft, im vorliegenden Fall also die Aussage, ob ein Kunde abgewandert ist oder nicht. Verlaufsdaten sind notwendig Bei einem Einsatzfeld wie dem Churn Management, aber auch bei anderen Use Cases ist darauf zu achten, dass die Daten einen zeitlichen Vorlauf mit abbilden müssen. So repräsentieren die Datensätze in ihrem Zustand zum Zeitpunkt der Abwanderung eines Kunden die Abwanderungswahrscheinlichkeit eben genau in diesem Moment. Wird der Algorithmus damit trainiert, kommt die Erkenntnis, dass ein Kunde abwandern wird, wahrscheinlich erst, wenn seine Kündigung bereits im Briefkasten liegt. Der Einsatz von KI macht aber nur Sinn, wenn diese eine Kündigungsbereitschaft ermittelt, bevor der Kunde selbst da ran denkt. Deshalb sollten die historischen Daten eines Kunden zu unterschiedlichen Zeitpunkten, beispielsweise monatsweise, vorliegen. So werden Muster vor einer Kündigung erkennbar und lassen sich mithilfe eines Modells abbilden. Menge an Daten bei Banken in die Karten. Die Abwanderungswahrscheinlichkeit ist interessant, aber erst einmal ein mathematischer Wert. Mit dem Kundenwert in Beziehung gesetzt, werden die Vorteile deutlich. Denn: Eine hohe Abwanderungswahrscheinlichkeit ist nicht zwingend negativ, sondern lässt sich auch nutzen, um Kunden mit geringem Geschäftspotenzial gehen zu lassen. Ist andererseits der Kundenwert hoch, die Abwanderungswahrscheinlichkeit aber auch, können sich aufwendige Maßnahmen lohnen, um den Verbleib des Kunden beim Institut zu sichern. Es ist davon auszugehen, dass diese und ähnliche Anwendungsfälle von KI in den kommenden Jahren weiter an Bedeutung gewinnen und die Finanzwirtschaft verändern werden. Sowohl bei der Optimierung von Vorgängen, als auch beim Erschließen neuer Geschäftsfelder wird diese Technologie eine treibende Rolle spielen. Kritische Faktoren sind vor allem passende Use Cases und korrekte, verwendbare Daten. Denkbare Anwendungsszenarien sind vorhanden, allerdings in den meisten Fällen noch nicht auf ihre Realisierbarkeit mittels KI geprüft worden. Ist dies einmal der Fall, wird die Digitalisierung greifbar und kann den etablierten Finanzdienstleistern helfen, Marktanteile zurückzugewinnen. Das Whitepaper „Künstliche Intelligenz im Vertriebs- und Kundenmanagement“ enthält weitere Anwendungsszenarien aus den Bereichen ■ Kundenanalyse ■ Kundenbedarfsmanagement ■ Cross- und Upselling ■ Prozesse und Abläufe ■ Kundenservice und erläutert das PPI-eigene Vorgehensmodell zur Identifikation relevanter Anwendungsfälle. Es steht auf der Website der PPI AG kostenlos zum Download zur Verfügung: www.ppi.de/wp-ki-kundenmanagement Vorteil gegenüber herkömmlichen Methoden Aber macht KI einen so großen Unterschied aus, dass sich der Aufwand rechnet? Ja, denn die Variabilität und die Granularität der Eigenschaftsauswertung ist deutlich besser. Herkömmliche Methoden stoßen aufgrund der großen Datenmengen und deren Dimensionalität schnell an ihre Grenzen und können keine genaueren Aussagen mehr liefern. KI-Ansätze nutzen genau diese Restriktion, denn erst bei großen Datenmengen kommen ihre Vorzüge voll zum Tragen. Dem spielt die wachsende Autoren Guido Köhler ist Manager bei der PPI AG. Stephan Heinze ist Senior Consultant bei der PPI AG.
Nachgewiesene Kompetenz: Zertifikatslehrgänge Anzeige 37 Bei allen Lehrgängen erhalten Sie nach Teilnahme an allen Modulen und Bestehen der Abschlussprüfung ein Zerti fikat. Wir freuen uns auf Ihr Kommen! Datenschutzbeauftragte/r (DSB) für Kreditinstitute 8. bis 9. September 2020 in Köln Beauftragte/r für den Schutz von Kundenfinanzinstrumenten und -geldern 30. September bis 1. Oktober 2020 in Köln Basiswissen für Business Continuity Manager (BCM) in Kreditinstituten 27. bis 28. Oktober 2020 in Köln Informationssicherheitsbeauftragte/r (ISB) für Kreditinstitute 17. bis 20. November 2020 in Köln Geldwäschebeauftragte/r (GWB) für Kreditinstitute 7. bis 10. Dezember 2020 in Köln JETZT ANMELDEN! events@ bank-verlag.de Anmeldung und Information: per Fax: 0221-5490-315 | Tel.: 0221-5490-133 (Stefan Lödorf) | events@bank-verlag.de Bank-Verlag GmbH | www.bv-events.de
Twitter