Eine Filiale einer beliebten landesweit tätigen Bank in China hatte ein Problem mit der Bindung von Privatkunden. Die Bedingungen für die Konten sahen ein tägliches Mindestsaldo von 10 Millionen CNY (1,5 Millionen USD) vor. Daher war der Bank bewusst, dass es deutlich kostenintensiver sein würde, neue Kunden zu gewinnen als die Bestandskunden zu halten. Allerdings war die Abwanderungsquote, d. h. der prozentuale Anteil der Kontoinhaber, die die Dienstleistungen der Bank nicht mehr in Anspruch nehmen wollten, in den letzten Quartalen höher als erwartet.
Die Bank stellte fest, dass über mehrere Monate zwischen 5 % und 13 % der Privatkunden mit ihren Sparkonten zu anderen Produkten oder anderen Banken abwanderten. Die höchste Abwanderungsquote wies dabei die Abteilung Termingeschäfte und Anlageprodukte auf. Die Marketingabteilung der Bank wurde damit beauftragt, eine Werbekampagne durchzuführen. Diese sollte gezielt auf die Kunden abgestimmt werden, die am ehesten ihre Spareinlagen abziehen würden. Hierbei lag die Herausforderung darin herauszufinden, welche dieser besonders interessanten Kunden am ehesten abwandern würden, und dann mit Hilfe zielgruppenorientierter Werbeangebote die Abwanderung zu verhindern.
Das Projektteam setzte das TreeNet® -Modul für maschinelles Lernen im Salford Predictive Modeler (SPM) ein, um die potenzielle Kundenabwanderung zu prognostizieren. QY Datatech Inc, der autorisierter Partner von Minitab in China, stellte dem Team den Salford Predictive Modeler (SPM) vor. Die Mitarbeiter entschieden sich für TreeNet aufgrund seiner Flexibilität und Genauigkeit sowie wegen der Möglichkeit, Datenstrukturen mit einer Vielzahl von Beobachtungen zu verarbeiten.
Mit TreeNet konnte das Projektteam schnell die Variablen ermitteln, die die stärksten Auswirkungen hatten, und die Beziehung dieser Variablen zur Wahrscheinlichkeit einer Abwanderung visuell darstellen. Mit dem TreeNet-Modell können Wechselwirkungen auf verschiedenen Ebenen zwischen komplexen Variablen dargestellt werden. In diesem Fall gehörten zu den Variablen die Höhe der Spareinlagen, der Kauf von Gold und anderen Geldanlagen, Transaktionszeit, Transaktionsbetrag, Unternehmen, Position im Unternehmen, Sozialversicherung, Schulden, Kreditkartenlimit sowie Besitz von Immobilien und Autos.
Indem Kunden mit einer niedrigen Reaktionswahrscheinlichkeit aus der Liste entfernt und die Modelle validiert wurden, konnte eine klar definierte Gruppe von VIP-Kunden ermittelt werden. Mit den Modellen konnte die Reaktion der Kunden auf Marketingkampagnen anhand der Erfahrungen aus früheren Kampagnen prognostiziert werden.
Das Team verwendete hierzu TreeNet-Analysen, da das anfängliche Modell mit wenigen Klicks und dank der Automatisierung zuverlässige Ergebnisse lieferte. Nach wenigen Tagen lag eine komplexere Analyse vor.
Die Bank konnte mit einer Genauigkeit von 80–90 % prognostizieren, dass in zwei Monaten 1.700 von 12,9 Millionen Privatkunden zu einer anderen Bank oder einem anderen Finanzdienstleister wechseln würden.
Die Bank startete daraufhin eine an diese Kunden gerichtete Marketingkampagne und erreichte ihr Ziel, die Abwanderung dieser VIP-Kunden zu reduzieren und deren Einlagen in der Bank zu halten. Das verwaltete Vermögen (Asset under Management, AUM) bei der Bank, d. h. Einlagen, Termingeschäfte, Aktien und Gold, stieg außerdem um 16 %.
Filiale einer landesweit tätigen Bank in China