Predictive Analytics: So verbessern Banken mit Big Data ihren Vertrieb

Big Data war lange Zeit so etwas wie eine sensationalisierende Worthülse. Akteure aus Wissenschaft, Wirtschaft und Technik staunten, welch große Datenmengen plötzlich anfallen, und bis heute warnen viele vor den Gefahren, die damit verbunden sind. Allerdings lernen wir auch, mit der Hilfe von Maschinen diese Daten nutzbar zu machen. Marketingexperten, Wissenschaftler und Geheimdienste finden immer neue Möglichkeiten, mittels Anwendungen, die auf künstlicher Intelligenz und Maschinenlernen basieren, aus den Daten echtes Wissen abzuleiten und damit ihre Tätigkeiten zu stützen. Und das können auch Banken. Schließlich haben diese jede Menge Geschäfts- und Kundendaten, mit denen sich Rückschlüsse für Marketing und Vertrieb ziehen lassen.

Das Prinzip ist in der Theorie denkbar einfach: Mit Predictive Analytics werden Daten über die Vergangenheit bzw. Gegenwart genutzt, um Voraussagen über die Zukunft zu treffen. Mittlerweile stehen uns sehr viele Methoden zur Datenerhebung und -analyse offen. Außerdem können wir auf Computerprogramme zurückgreifen, die uns beim Aufstellen statistischer Modelle helfen sowie aus Abweichungen lernen – schlauer werden – um immer genauere Voraussagen zu treffen. Damit können wir die uns zur Verfügung stehenden Daten nutzen, um unsere Geschäftsprozesse und -ergebnisse immer weiter zu verbessern.

Die Methoden, mit denen sich das realisieren lässt, sind gar nicht so neu.

Beim Data Mining versuchen wir, in vorhandenen Datensätzen wiederkehrende Muster oder Trends zu entdecken. Bei extrem großen Datensätzen (Sie wissen ja: „Big Data“) helfen uns KI-basierte Computerprogramme und Datenbanksysteme, das zu bewerkstelligen. Wichtig dabei: Daten müssen erstmal in einer Form vorliegen, die es zulässt, dass wir sie auf diese Weise analysieren können. In vielen Unternehmen ist das nicht der Fall. Das heißt, zunächst müssen alle möglicherweise relevanten Daten identifiziert und in eine Form gebracht werden, in der Maschinen damit arbeiten können. Das heißt beispielsweise, dass auf Papier Vorhandenes digitalisiert wird und dass Daten aus verschiedenen Quellen (zum Beispiel unterschiedlichen Abteilungen) aufgrund derselben Logik in einem gemeinsamen System integriert werden.

In vielen Kommunikationsformen (intern, in der Presse, mit dem Kunden, …) fällt jede Menge unstrukturierter Text an. In E-Mails, Zeitungsartikeln, Befragungen, auf Social-Media-Kanälen und Bewertungsportalen wird viel mit und über Unternehmen geschrieben. Diesen unstrukturierten Text können wir zu nutzbaren Daten machen. Es gibt technologiebasierte Analyseverfahren, mit denen wir Textmengen auf Schlüsselbegriffe untersuchen, Trends und Stimmungen erforschen, diese mit Ereignissen in Verbindung bringen können und viel(!) mehr.

Mittels statistischer Analyseverfahren können Erkenntnisse aus den quantitativen Eigenschaften von Daten und Datensätzen gezogen werden. Das beinhaltet eine ganze Palette mathematischer Verfahren, die zu umreißen hier den Rahmen sprengen würde. Die Verfahren haben in der Regel zum Ziel, die Datensätze genauer zu beschreiben und aufgrund ihrer Eigenschaften Rückschlüsse auf Daten zu ziehen, die sich nicht in der erhobenen Stichprobe befinden. Das wird zum Beispiel in der Wahlforschung versucht, wenn aufgrund repräsentativer Befragungen das Wahlergebnis für die ganze Bevölkerung vorausgesagt werden soll.

Womit wir bei dem Kern von Predictive Analytics wären, nämlich Modelle über die Zukunft aufzustellen: Es geht darum, aufgrund vergangener Ergebnisse oder Ereignisse vorauszusagen, was in der Zukunft passieren könnte. Und daraus Maßnahmen abzuleiten, um die Wahrscheinlichkeit negativer Ereignisse zu minimieren. Das können Banken in Use Cases überführen, die ihr Geschäft effizienter oder effektiver macht. Zum Beispiel im Vertrieb.

Wenn Kunden unzufrieden sind, suchen sie sich einen neuen Anbieter. Das gilt auch bei Banken. Sofern man damit zu tun hat, dass einen viele Kunden verlassen, können wir aufgrund vorhandener Daten herausfinden, woran das liegt. Wir können analysieren, welche Kunden uns verließen und was diese gemeinsam hatten. Gibt es derzeit vielleicht Kunden, auf die ähnliche Eigenschaften zutreffen? Was können wir tun, um diese zufriedener zu machen?

Das kennen Sie von Amazon und anderen Webshops: Diese Seiten erzählen Ihnen, was sie außer den Produkten, die Sie gerade betrachten, noch interessieren könnte. Oft nicht besonders filigran, aber das muss auch nicht so laufen. In Unternehmen wie Banken, mit zugespitzten Zielgruppen, kann genauer nachgeschaut werden: Welcher Typ Kunde kaufte in der Vergangenheit Produkt X? Können wir eine Werbekampagne für diesen Kundentypus starten, die genau dieses Produkt bewirbt? Mit der Zeit werden solche Kampagnen dann immer genauer, denn es gibt Programme, mit denen sich diese automatisieren lassen – über potenziell alle Produkte und Kundentypen hinweg.