Menü
< ZURÜCK ZU FALLSTUDIEN

Darum entschied sich eine Bank für den Salford Predictive Modeler, um Kosten zu senken und die Nutzung ihrer mobilen App durch die Kunden auszuweiten

Als eine landesweit tätige Geschäftsbank in China eine Kampagne für ihre Smartphone-App durchführte, konnten 24 Millionen Downloads verzeichnet werden. Eines der wichtigsten Ziele der Kampagne bestand darin, dass die Kunden ihre Kreditkarten mit der App verknüpfen und dadurch häufiger verwenden sollten. Allerdings wurde dieses Ziel nur bei 13 Millionen Kunden erreicht.

Die Herausforderung

Die Bank plante eine weitere Kampagne, um die Kunden dazu anzuregen, ihre Karten mit der mobilen App zu verknüpfen. Bei einem Team aus 100 Callcenter-Mitarbeitern, die jeweils 200 Anrufe pro Tag tätigen konnten, hätte es allerdings fast 2 Jahre gedauert, alle 13 Millionen Kunden zu kontaktieren, die ihre Karte nicht verknüpft hatten.

Die Bank musste gezielt eine Gruppe von Kunden ermitteln, die gut auf eine solche Telemarketing-Kampagne ansprechen würden. Wie konnte diese Zielgruppe möglichst schnell gefunden werden?

Der Verantwortliche für Datenanalytik in der IT-Abteilung und seine Mitarbeiter wurden beauftragt, mit Hilfe der vorhandenen Werkzeuge für maschinelles Lernen eine Lösung zu suchen, da hiermit Prognosen auf der Grundlage der vorhandenen Daten möglich sind. Dieses Team versuchte, ein Modell zu trainieren, auszuwerten und bereitzustellen, mit dem gezielt eine Kundengruppe definiert werden konnte, die gut auf die Kampagne ansprechen würde. Die vorhandene Softwarelösung war allerdings wenig benutzerfreundlich. Es wurden Kenntnisse beim Erstellen von Modellen benötigt, um derartig präzise Prognosen treffen zu können. Außerdem mussten die Anwender Erfahrung beim Optimieren und Skalieren der Modelle haben.

Einsatz von SPM

QY Datatech Inc, der autorisierte Partner von Minitab in China, stellte der Bank den Salford Predictive Modeler (SPM) vor. Das Team nutzte CART® und TreeNet®, zwei Modellierungsmodule im SPM, die besonders im Hinblick auf große und sehr komplexe Datensätze mit unterschiedlichen Variablen äußerst leistungsfähig sind. In diesem Fall handelte es sich bei den Variablen um eine Kombination aus den Stammdaten und anderen Daten in Bezug auf den Kunden, z. B. die Häufigkeit, mit der ein Kunde die App der Bank verwendete.

Das CART-Modellierungsmodul erzeugte einen Klassifikationsbaum, der anhand kategorialer Daten einen qualitativen Wert prognostizierte und historische Daten in einen Satz von Ja/Nein-Regeln segmentierte. Mit dieser Segmentierung wird die Antwortvariable (y) auf der Grundlage der Prädiktoreinstellungen (x) in Partitionen aufgeteilt. Durch stetiges Erweitern und „Pruning“ des CART-Baums konnte das Team schnell weitere Ursachen der außergewöhnlichen Streuung in diesem Prozess ermitteln. Nachdem das Team einige wesentliche Prädiktorvariablen ermittelt hatte, wurden entsprechende Maßnahmen getroffen, um die Ergebnisse auf Kunden einzugrenzen, die bestimmten Kriterien entsprachen, z. B. Kunden mit einem Alter über 25 Jahren oder Kunden mit einem Jahreseinkommen über 40.000 USD. Mit diesen Kriterien sollte der Kundenkreis auf Personen eingeschränkt werden, die mit hoher Wahrscheinlichkeit die mobile App mit ihrem Bankkonto verknüpfen würden.

 

Das CART-Modell eröffnete dem Team noch weitere Möglichkeiten, z. B. Kundengruppen, die bestimmten Regeln oder Kriterien entsprechen. Eine solche Gruppe zu ermitteln, kann mit herkömmlichen Abfragen, die mit der Regression und ANOVA erstellt werden, schwierig sein. Jede Teilung in der Grafik oben zeigt, dass die Daten auf der Grundlage des Werts einer Prognosevariablen in zwei Gruppen segmentiert werden.
Das Diagramm für die partielle Abhängigkeit in TreeNet zeigt intuitiv verständlich die Beziehung zwischen einer Variablen und einem Ziel.

Das Team konnte anschließend mit dem TreeNet-Modellierungsmodul rasch die Variablen mit den stärksten Auswirkungen ermitteln und die Beziehung zwischen den Variablen und dem Ergebnis darstellen. Das Ergebnis war die Wahrscheinlichkeit, mit der die Kunden die App mit ihrem Bankkonto verknüpfen würden. Zu den in diesem Beispiel ermittelten Variablen gehörte u. a. das monatliche Einkommen, wie in der Abbildung oben dargestellt.

Der Verantwortliche für Datenanalytik evaluierte das Modell mit einem Gain-Diagramm in TreeNet. TreeNet stellt Gain-/Lift-Statistiken dar, indem Trainingsdaten in mehrere Segmente aufgeteilt werden („Bagging“). Der Benutzer kann außerdem Trainings-/Testdaten oder zusammengefasste aufgeteilte Daten mit anderen Verfahren analysieren, z. B. mit der Grenzwertoptimierungskurve (ROC). Die ROC-Kurve ist eine wichtige Auswertung für die binäre Prognose. Je höher der ROC-Wert ist, umso besser ist die Leistung des Modells.
Im Zusammenfassungsfenster in TreeNet werden einige wesentliche Statistiken angezeigt. In diesem Diagramm wird die „negative Log-Likelihood“ dargestellt, ein statistisches Maß zum Prüfen und Vergleichen von Modellen, bei dem die Wahrscheinlichkeitsinterpretation für Modellprognosen im Vordergrund steht.

Durch Training, Tests und die Eliminierung von Kunden mit einer geringen Reaktionswahrscheinlichkeit aus der Liste und der anschließenden Optimierung und Validierung der Modelle konnte das Team eine Zielgruppe herausarbeiten. Anhand der generierten Modelle konnten die Eigenschaften von Kunden mit einer hohen Erfolgswahrscheinlichkeit ermittelt werden. Hierzu wurde die Reaktionsquote auf der Grundlage der Reaktionen des Kunden auf Kampagnen der Bank im letzten Jahr ausgewertet.

Für das Team der Bank war die beste Eigenschaft des SPM seine Benutzerfreundlichkeit. Mit wenigen Klicks und ohne die Notwendigkeit, irgendetwas programmieren zu müssen, konnten erste Modelle erstellt werden. Die dafür benötigte Zeit konnte von mehreren Monaten auf wenige Tage reduziert werden. Tatsächlich dauerte es sogar nur ganze sieben Tage, ein komplexes Modell zum Prognostizieren der Zielgruppe zu trainieren und bereitzustellen.

Ergebnisse

Da nicht mehr wie anfänglich angenommen 13 Millionen Kunden, sondern nur eine ausgewählte Gruppe von 2 Millionen App-Benutzern angesprochen werden musste, konnte das Telemarketing-Team innerhalb von wenigen Monaten alle Kunden kontaktieren. Dies führte zu einer Steigerung von 300 % bei der Anzahl der Kunden, die ihre Karten mit der mobilen App verknüpften. Außerdem sparte die Bank die Kosten zum Einstellen zusätzlicher Callcenter-Mitarbeiter ein, steigerte die Effizienz und konnte gleichzeitig umsatzgenerierende Services gezielt ausgewählten Kunden anbieten. Das Telemarketing-Team, das die Kunden davon überzeugen sollte, ihre Karte mit der mobilen App zu verknüpfen, verzeichnete gegenüber anderen Kampagnen eine um 35 % höhere Erfolgsquote. Mit dem Salford Predictive Modeler unterstützte das Projektteam die Bank dabei, vorhandene Daten auszuwerten und faktengestützte Einblicke zu erhalten, anhand derer Entscheidungen getroffen werden konnten, die zu einer Einsparung von Kosten führten.

ORGANISATION

Eine landesweit tätige Geschäftsbank in China

ÜBERSICHT

  • Seit über 30 Jahren in 24 Provinzen in China tätig
  • Über 300.000 Geschäftskunden, 34 Millionen Privatkunden, 57 Millionen Kreditkartenkunden und 24 Millionen Kunden im Mobile Banking

HERAUSFORDERUNG

13 Millionen Kunden, die die mobile App der Bank nutzten, verknüpften diese nicht mit ihrer Bankkarte

VERWENDETE PRODUKTE

Salford Predictive Modeler®

ERGEBNISSE

  • 300 % Steigerung bei der Anzahl der Nutzer, die ihre Karte mit der mobilen App verknüpften, im Vergleich zu früheren Kampagnen
  • 35 % höhere Erfolgsquote der Telemarketing-Mitarbeiter, die die Kunden davon überzeugen sollten, ihre Karte mit der App zu verknüpfen
  • Kostensenkung durch Steigerung der Effizienz beim Telemarketing-Team
  • Bewerben von umsatzsteigernden Angeboten bei den Kunden
clear