ra2 studio - stock.adobe.com
Wie KI-Analytik die Interaktion mit Kunden personalisiert
Firmen, die ihr Kundenerlebnis verbessern wollen, sollten irrelevante Angebote vermeiden. Mit KI-gestützter Hyperpersonalisierung lässt sich herausfinden, was Zielgruppen möchten.
Nicht jeder männliche Shopper unter 30 interessiert sich für Fitness und nicht alle Frauen wünschen sich Informationen zu Kosmetikprodukten. Unpassende Angebote wirken kontraproduktiv, wenn Kundinnen und Kunden den Eindruck bekommen, dass sie nicht verstanden werden.
Aber obwohl Marketingabteilungen darauf konzentriert sind, einen hohen Kundenfokus zu haben, wissen sie teilweise nicht, was ihre Zielgruppen wollen. Die Kundschaft ist groß, vielfältig, oft wankelmütig und hat dementsprechend an verschiedenen Produkten unterschiedliches Interesse. Das Zauberwort für die Lösung dieses Problem nennt sich Hyperpersonalisierung.
Daten als Basis für Hyperpersonalisierung
Hyperpersonalisierung ist die Steigerung von Personalisierung. Dabei geht die Strategie deutlich weiter, als den Kunden beispielsweise mit seinem Namen anzuschreiben und zum Geburtstag eine Grußkarte zu versenden. In der hyperpersonalisierten Ansprache werden entlang der gesamten Customer Journey die Vorlieben und Bedürfnisse der Kunden in den Mittelpunkt gestellt. So sind Tonalität, Kontaktmedium und Uhrzeit der Ansprache exakt auf die jeweilige Zielperson abgestimmt. Vor allem aber erhält jeder Kunde genau die Angebote für Produkte und Services, die zu ihm und seiner aktuellen Situation passen.
Die Voraussetzung: Unternehmen müssen in der Lage sein, umfangreiche Erkenntnisse aus den vorhandenen Kundendaten zu ziehen. In einer aktuellen Umfrage, die FICO mit Forrester Research durchgeführt hat, sagten 71 Prozent der Führungskräfte in Finanzinstituten, dass ihre Bank die Optionen für Kommunikationskanäle für die Kundenansprache erweitert hat. 56 Prozent haben die Automatisierung des Kundendienstes ausgebaut. In Sachen Data Analytics hinken jedoch viele noch immer hinterher.
„KI beziehungsweise maschinelles Lernen sind notwendig, um personalisierte Kundenansprache in großem Umfang zu ermöglichen“, sagt Alyson Clarke, Principal Analyst bei Forrester. Laut einer Forrester-Umfrage aus dem Jahr 2022 zu Data Analytics setzt jedoch weniger als ein Drittel der befragten Unternehmen KI-Technologien ein, um die Personalisierung zu skalieren und zu optimieren.
Vertrauen in KI ist hier ein wichtiges Thema. Dies zeigt die Forrester-Umfrage Trust Imperative von 2021: Ein Fünftel der Unternehmen, die KI einsetzen oder daran interessiert sind, gibt an, dass fehlendes Vertrauen der Mitarbeiter in KI die größte Herausforderung für die Einführung von KI-gestützten Technologien im Unternehmen sei. Auf der anderen Seite erwarten die Kunden, dass Banken in Technologien investieren, die die Kundenerfahrung verbessern.
Wichtige Technologien für KI-gestützte Hyperpersonalisierung
Analytik und maschinelles Lernen können eingesetzt werden, um Modelle zu entwickeln und zu trainieren, mit denen sich Kundenverhalten besser verstehen und vorhersagen lässt. Dadurch können Unternehmen ihr Entscheidungsmanagement verbessern und kundenorientierte Strategien verfolgen.
Feature-Generierung und Data Profiling ermöglichen den Aufbau einer fortschrittlichen Dateninfrastruktur für KI-gestützte, digitale Geschäftsabläufe. Eine große Zahl an Datenmerkmalen, die mit Geschäftseinheiten in internen und kundenorientierten Entscheidungen verknüpft sind, können damit berechnet, verwaltet und dargestellt werden. Die Anwendung reicht von statischen Berechnungen und Compliance-Metriken bis hin zu komplexen Aggregationen von Ereignisreihen, die aus umfangreichen Rohdatenquellen abgeleitet werden.
Mit Verbindungsanalysen lassen sich Assoziationsnetzwerke über verknüpfte Datenspeicher hinweg identifizieren. Dadurch kann jeder einzelne Kunde ganzheitlich behandelt werden (unabhängig davon, wie unscharf er in unterschiedlichen Datensätzen dargestellt ist). Gemeinsame Merkmale sind erkennbar, um wichtige Verhaltensmuster zu erkennen.
Präskriptive Analytik ist the Next Big Thing in der KI für Banken. Frei nach dem Motto: Wenn man mit prädiktiver Analytik die Zukunft zu bestimmten Fragen bereits voraussagen kann (zum Beispiel Zahlungsausfallwahrscheinlichkeit), warum diese nicht auch gleich modellieren? Millionen von möglichen Aktionen (zum Beispiel Next Best Action oder Kreditkonditionen) werden in Bruchteilen einer Sekunde durchgerechnet und die beste sowohl für den Kunden als auch die Bank ermittelt.
Zwar verfügen die Banken in der Regel über umfangreiche Daten aus langjährigen Kundenbeziehungen. Doch dieser Datenschatz wird entweder gar nicht oder nur für vereinzelte Bereiche genutzt. Dabei lassen sich hier wichtige Informationen über die finanziellen Ziele und die Risikobereitschaft der Kunden ziehen. Darüber hinaus können Transaktionsdaten ein Anhaltspunkt dafür sein, wann eine Person aktiv ihr Bankkonto nutzt – ein wichtiger Faktor für das Timing der Kommunikation mit diesem Kunden. Angaben zu Alter und Familienstand wiederum ermöglichen Angebote für altersspezifische Finanzdienstleistungen oder Anlageprodukte für Familien.
Wie verhindere ich Datensilos?
Die von der KI verwendeten Daten müssen aber abteilungsübergreifend verfügbar sein, um optimal genutzt werden zu können. Oftmals sind die relevanten Informationen in unterschiedlichen Anwendungen gespeichert oder existieren lediglich in Form von frei zugänglichen, jedoch unstrukturierten und schwer nutzbaren Daten aus internen und externen Quellen.
Durch den Einsatz moderner Cloud-Lösungen besteht die Möglichkeit, die Datenerfassung, den Austausch und die Zuordnung innerhalb des Unternehmens effizient zu gestalten. Mit einer Entscheidungsplattform können die Informationen und Datenprodukte dann konsolidiert, analysiert und unternehmensweit verfügbar gemacht werden. So wird der Wert der Daten realisiert und sie können für fundierte Entscheidungen genutzt werden.
Woher weiß ich was der Kunde möchte?
Eine der größten Hürden besteht in der Fülle der Daten in Kombination mit der immensen Vielschichtigkeit eines kundenorientierten Angebotsmanagements. Beim Kreditentscheidungsprozess einer Bank beispielsweise potenziert sich schnell die Anzahl an Möglichkeiten: Nehme ich drei verschiedene Angebote, verteile diese auf fünf unterschiedliche Kundentypen (definiert durch Kreditrisikoprofil, Demografie oder Zahlungsfähigkeit) und fokussiere mich auf bestimmte Kommunikationskanäle wie SMS, Brief und Online-Portal, erscheinen Kombinationsmöglichkeiten im Hunderttausender-Bereich.
„Viele Unternehmen verfügen bereits über ausreichend Daten, um eine hyperpersonalisierte Kundenansprache erfolgreich umzusetzen.“
Jens Dauner, FICO
Hier können Technologien auf Basis von KI und Machine-Learning-Modellen unterstützen. Für sie ist die Verarbeitung riesiger Datenmengen in kürzester Zeit kein Problem. Mit Methoden wie prädiktiver und präskriptiver Analytik sowie Entscheidungsregeln können unzählige Szenarien bei veränderlichen Bedingungen simuliert werden. Mit solchen Simulationen lässt sich abschätzen, wie gut etwa eine Marketingstrategie oder ein Produkt bei Kunden ankommen wird.
Fazit
Viele Unternehmen verfügen bereits über ausreichend Daten, um eine hyperpersonalisierte Kundenansprache erfolgreich umzusetzen. Dass es sich lohnt, näher dran zu sein am Kunden und seinen Bedürfnissen, steht ebenfalls außer Frage. Ziel sollte es nun sein, die vorhandenen Daten zu nutzen und Erkenntnisse in konkrete Maßnahmen umzusetzen. Unternehmen, die bereits an gut informierten, hyperpersonalisierten Kundeneinblicken, maßgeschneiderten Behandlungen und einer präzisen Szenarienplanung arbeiten, können sich hier als Vorreiter positionieren und ihre Kunden besser verstehen, effektiver mit ihnen interagieren und sie langfristig binden.
Über den Autor:
Jens Dauner ist Vice President und Managing Director Continental Europe bei FICO, einem führenden Unternehmen für Analytiksoftware.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
