Kundensegmentierung mit KI

Ein Beispiel für angewandtes Machine Learning

Wenn über angewandte KI und Machine Learning gesprochen wird, können sich viele Menschen nur schwer etwas darunter vorstellen. Dieser Artikel hat zum Ziel am Beispiel der Kundensegmentierung zu zeigen, welche Resultate erzielt werden können.

Ziel der Kundensegmentierung ist es, einen Kundenstamm in verschiedene Segmente mit ähnlichen Merkmalen oder Verhaltensweisen zu unterteilen, um gezieltere und effektivere Marketing-, Verkaufs-, Produktentwicklungs- und Servicestrategien zu ermöglichen.

Kontext – Eine kleine Gemeinschaftsbank, die ihren Kunden Kreditkarten und die damit verbundenen Dienstleistungen anbietet.

Ziele - Auf der Grundlage des bisherigen Erfolgs ihrer Kreditkartenprodukte und -dienstleistungen möchte die Bank personalisierte Kampagnen zum 'Upselling' bei bestehenden Kunden und zur Neukundengewinnung durchführen. Darüber hinaus möchte sie ihren Kundenservice verbessern, indem sie das Modell zur Erbringung von Dienstleistungen modernisiert, da ihre Kunden die Qualität der Supportleistungen als sehr niedrig eingestuft haben.

Die Direktion hat sich entschieden, einen Prototyp zur Kundensegmentierung durchzuführen. Da der Datenschutz von entscheidender Bedeutung ist, stellten sie vorerst einen Datensatz von einem Jahr mit begrenztem Inhalt zur Verfügung. Dieser umfasst folgende Daten: den durchschnittlichen Gesamtausgabenrahmen für Kreditkarten pro Kunde, die Gesamtzahl der Kreditkarten pro Kunde und Daten über die Nutzung der verschiedenen Interaktions-/ Kommunikationskanäle mit der Bank (persönliche Besuche, Anrufe, Online-Aktivitäten).

Erkenntnisse und Empfehlungen

Die Ergebnisse des Prototyps basieren auf einer Datenanalyse und dem Training eines Machine-Learning-Modells, das drei Segmente als optimale Anzahl für die bereitgestellten Daten ergab.

Datenanalyse

• 75% der Kunden befinden sich unterhalb der durchschnittlichen Kreditkartenlimite von 48k CHF. Rund 92% aller Kunden befinden sich in einer durchschnittlichen Kreditkartenlimite von bis zu 77k CHF.
• Die Spanne der gesamten Anzahl Kreditkarten je Kundenkonto liegt zwischen 1 und 10. Der aktuelle Datensatz müsste mit demografischen Daten (z.B. Haushaltsgrösse) und Kundendaten angereichert werden, um zu verstehen, warum Kunden mehr oder weniger Kreditkarten haben.

• Etwa 30% der Kunden rufen 5-10 Mal im Jahr bei der Bank an, was in Zeiten von Online-Banking, Life-Chat und Chat-Bots hoch erscheint. Dies könnte mit der Altersspanne der Kunden und/oder dem schlechten Ranking der Supportdienste zusammenhängen. Evtl. müssen Kunden mehrmals anrufen, bevor ihre Probleme gelöst werden. Es gibt ein Potenzial für die Rationalisierung des Kundendienstes.

• 68% der Kunden bevorzugen einen Besuch in der Bank mehr als einmal im Jahr. Die Anreicherung des aktuellen Datensatzes mit demographischen Daten und Informationen über die Art der Anfrage am Schalter wird es ermöglichen, dieses Verhalten besser zu erklären. Die Nutzung von Online-Kanälen ist im Allgemeinen eher gering und ein Bereich, in dem der Kundenservice verbessert und der Zugang zu den Dienstleistungen und Produkten der Bank erleichtert werden könnte.

• Die Nutzung von Online-Kanälen ist im Allgemeinen eher gering und ein Bereich, in dem der Kundenservice verbessert und der Zugang zu den Dienstleistungen und Produkten der Bank erleichtert werden könnte.

Kundensegmentierung

Das Kundensegmentierungsmodell ergab 3 relativ unterschiedliche Kundensegmente.

Der Ausgabenbereich ist abgeleitet vom durchschnittlichen Kreditrahmen und der Anzahl Kreditkarten je Kundenkonto → um diese Annahme eindeutig zu belegen, müsste ein Abgleich mit den tatsächlichen Ausgaben je Kreditkarte gemacht werden.

Erkenntnisse und Empfehlungen aus der Kundensegmentierung

1. Die Studie kann genutzt werden, um zu ermitteln, welche Up-Sell-Produkte am besten zu welchem Segment passen und wie die Segmente erreicht werden können. Das Umsatzpotenzial- und das Premiumsegment sollten die Hauptziele sein. Wir schlagen vor, die Kundensegmentierung auf einem mit weiteren Kundenmerkmalen (z.B. Ausgabenkategorien, Ausgabehäufigkeit) angereicherten Datensatz erneut durchzuführen.
2. Im Umsatzpotenzial-Segment könnten Betriebskosten mit maßgeschneiderte Online-Angeboten eingespart werden, die die personalintensiven Besuche der Kunden in der Bank reduzieren.
3. Ein Ziel der Kundensegmentierung war es, Erkenntnisse zu bekommen, um personalisierte Kampagnen zur Neukundengewinnung durchzuführen. Mit dem vorliegenden Datensatz ist dies nur in begrenztem Maße möglich. Wir benötigen verwandte demografische und verhaltensbezogene Daten, um Vorhersagen treffen zu können, die uns helfen, personalisierte Kampagnen für neue Kunden der Bank durchzuführen und/oder Kreditkarten an bestehende Kunden zu verkaufen.

Die Entwicklung verfolgen

Nach Anwendung der oben genannten Empfehlungen kann das Modell mit den aktualisierten Daten erneut angewandt werden, und wir können beobachten, ob sich (a) die Segmentmerkmale geändert haben und (b) ob Kunden von einem Segment in ein anderes gewechselt sind und was sie dazu bewogen hat.

Mit angereicherten Kundendaten (demografisch und verhaltensbezogen) können die Segmentmerkmale erweitert und die Erkenntnisse für gezielte Marketingkampagnen an potenzielle Kunden genutzt werden.

Die Segmentierung wurde mit der #KNIME Analytics Platform durchgeführt (eine sogenannte 'no- / low-code open-source Data Analytics/Science, AI and Machine Learning' Anwendung).