Ueli Schwarz wohnt mit seiner Frau und drei Kindern in einem schmucken neuen Eigenheim am Fusse der Alpen. Regelmässig fischt er Werbung für Immobilienkredite aus seinem Briefkasten – ausgerechnet von seiner eigenen Hausbank, die ihm voriges Jahr sein Reihenhaus finanziert hat. Dass ihm die Serienbriefe inzwischen gehörig auf die Nerven gehen, weiss die Zentrale der Bank noch nicht; der Filialleiter ahnt es wohl, hat aber keinen Einfluss auf die Marketingabteilung. Dort wiederum ist man sich zumindest bewusst, dass es fünfmal so viel kostet, einen neuen Kunden zu gewinnen, wie einen Bestandskunden zu halten. Und doch umwirbt sie Herrn Schwarz, als wäre er einer dieser aufwendigen Neukunden.

Gefährdete Beziehungen retten

Der Bank kann geholfen werden – mit einem Umdenkprozess unterstützt von ihrer IT. Mit aktuellen Methoden und Werkzeugen könnte sie gefährdete Beziehungen zu ihren Kunden besser erkennen und gleichzeitig Chancen entdecken, das Verhältnis zu Menschen wie Herrn Schwarz zu verbessern. Den Schlüssel hierzu liefert ein Ansatz, der je nach Blickwinkel als «analytisches Customer Relationship Management» (aCRM) oder «Customer Intelligence» bezeichnet wird. Hinter diesem Begriff verbirgt sich zum einen jenes breite Spektrum an Anwendungen und Technologien, das in der Wirtschaft als Business Intelligence (BI) bekannt ist – Data Warehou-sing, Data Mining, Online Analytical Processing (OLAP) –, zum anderen verbergen sich dahinter die Methoden des CRM.

Umdenken der Unternehmen

Dass diese neuen «intelligenten» Konzepte – Intelligenz ist definiert als Fähigkeit, Wissen sinnvoll anzuwenden – für ihre Kundenansprache wertvoll sein werden, erkennen immer mehr Unternehmen. Vorhaben im Bereich «Analytisches Kundenbeziehungsmanagement» stehen laut der Capgemini-Studie «IT-Trends» weit oben in der Prioritätenliste. Die einen wollen ihr eingeführtes operatives CRM komplettieren, weil sie davon ausgehen, dass sich ihr Investment in CRM dann erst richtig bezahlt macht. Andere nähern sich dem Thema von der Seite der Business Intelligence. Unternehmens- und Wettbewerbsdaten werden über Prozesse und Werkzeuge in entscheidungsrelevantes Wissen transformiert.

Anzeige

Im konkreten Fall der oben erwähnten Bank liegt das Problem darin, dass die Daten des Herrn Schwarz über viele operative Informationssysteme verteilt sind. Die Kreditabteilung hat umfangreiche persönliche Daten. Gleiches gilt für die Giro-Abteilung, und dann gibt es noch die Kundenstammdatenverwaltung.

Es fehlt die kundenübergreifende Sicht, die Herrn Schwarz nicht mehr in mehrere virtuelle Persönlichkeiten aufspaltet, sondern ihn mit all seinen genutzten Bankprodukten und persönlichen Daten als den einen Menschen wahrnimmt, der er im richtigen Leben ist. Mit anderen Worten: Die Datenbasis für analytisches CRM muss so beschaffen sein, dass sie eine konsolidierte Sicht auf Herrn Schwarz als Kunde der Bank erlaubt. Dazu zählen alle Kontotransaktionen und Kontostände der vergangenen zwei Jahre, der laufende Immobilienkredit, aber auch sein Alter, der Wohnort, sein Familienstand sowie die Tatsache, dass Herr Schwarz ein Haus besitzt. Das alles gehört ins Data Warehouse, in dem die Daten – anders als in den operativen Systemen – über einen Zeitraum von einigen Jahren nutzbar bleiben. In diesem «Datenlagerhaus», das zusätzlich zu den operativen Datenbasen betrieben wird, sind die Datenbestände daraufhin optimiert, dass die Bank schnell und einfach Analysen durchführen kann.

Der logische erste Schritt für die Bank ist, zu ermitteln, ob Herr Schwarz ein «guter» Kunde ist – einer, an dem sie immer genug verdient hat. War der Deckungsbeitrag, den die Geschäftsbeziehung zu Herrn Schwarz unter dem Strich abgeworfen hat, dauerhaft zu niedrig, stuft ihn das System als eher unprofitablen Kunden ein, den zu halten sich womöglich gar nicht lohnt. Diese Herangehensweise hat einen schwerwiegenden Haken: Sie betrachtet nur die Vergangenheit. Der Bank muss es aber um zukünftige Gewinne gehen. Ihr Ziel ist es, den «Wert» eines Kunden über seinen gesamten Lebensweg hinweg zu prognostizieren, also seinen «Customer Lifetime Value» abzuschätzen. Dazu benötigt die Bank ihre «historischen» Daten. Darin soll der Computer Informationen über Kunden finden, deren Lebensumstände mit denen des Herrn Schwarz vergleichbar sind, die ihm aber ein paar Jahre voraus sind. So filtert die Bank aus ihren guten und schlechten Erfahrungen mit älteren Kunden – oder solchen, die früher ihr Häuschen gebaut haben – eine Prognose darüber heraus, ob Herr Schwarz in der Zukunft ein wertvoller Kunde sein wird.

Anzeige

Aufgrund seines Verhaltens der Bank gegenüber (Erwerb der «richtigen» Bankprodukte, pünktliche Tilgung usw.) sowie weiterer beruflicher und privater Merkmale wird Herr Schwarz dabei definierten Kategorien zugeordnet: Gut verdienender Familienvater und Hauseigentümer, der gerade seinen Kredit abzahlt und noch etwas Geld übrig hat.

Kunden geben, was sie brauchen

Solche Segmentierungen in einigermassen homogene Kundengruppen sind die Voraussetzung dafür, dass der Kontoinhaber nicht durch unpassende Werbung verärgert wird. Zwar haben die Mitarbeiter einer Bank eine qualifizierte Vorstellung davon, für welche Kunden welche Angebote in Frage kommen. Analysiert man aber mit Hilfe eines Data Warehouse zum Beispiel, was denn die gut verdienenden Familienväter nach der Aufnahme des Immobilienkredits bisher von der Bank angefragt haben, weicht das Ergebnis manchmal vom gewohnten Weltbild ab.

Es ist lohnend, diese Abweichungen zu diskutieren. Dabei kann es zu der Erkenntnis kommen, dass unerwarteterweise auch andere Bankprodukte rege nachgefragt wurden. Oder es kommt zu Tage, dass versäumt wurde, Herrn Schwarz auf die für sein Kundenprofil typischen Bankprodukte anzusprechen. Herr Schwarz will das Geld, das am Monatsende übrig bleibt, gewinnbringend anlegen. Dazu kommen Anlageformen wie Bausparen, Festgeldanlagen, Fonds (Aktien und Renten) in Betracht. Warum sollten nicht auch die Kinder von Herrn Schwarz Bankkunden werden? Das Sponsoring von Oma und Opa ist gewiss. Was, wenn unvorhergesehene Unfälle Herrn Schwarz und seine Familie aus der Bahn werfen? Eine Berufsunfähigkeits- oder eine Risikolebensversicherung könnte sein Risiko absichern.

Das Marketing muss umdenken

Herr Schwarz ist grundsätzlich aufgeschlossen gegenüber Angeboten seiner Bank. Aber er erwartet, dass sie sich merkt, wenn er ablehnend auf ein Mailing reagiert, und dass sie ihm keine offensichtlich unpassenden Angebote schickt. Das ist natürlich nicht nur eine Frage des IT-Einsatzes, sondern auch des Managements. Zur Customer Intelligence gehört auch ein Perspektivwechsel im Marketing: Anstatt Produkte in den Mittelpunkt zu stellen und dazu die passenden Kunden zu suchen, kann sie sich auf den Kunden fokussieren und die zu seinem Profil passenden Produkte entwickeln. Es gibt keine unprofitablen Kunden, sondern nur unpassende Produkte.

Nach traditioneller Denkweise kommt an dieser Stelle das Argument, die Bank habe diese Produkte doch gar nicht alle in ihrem Portfolio. Doch in einer Zeit, in der der Wert einer Kundenbeziehung in den Mittelpunkt rückt, wandelt sich auch dies: Dann vermarktet die Bank eben auf Provisionsbasis Produkte von Dritten. Das ist allemal besser als zuzusehen, wie ein profitabler Kunde zur Konkurrenz abwandert.

Data-Mining- Algorithmen helfen, in den Transaktionen aus der Vergangenheit Verhaltensmuster zu erkennen, die charakteristisch sind für Kunden, die auf dem Sprung sind. Ein Alarmzeichen für die Bank aus unserem Beispiel war, dass Herr Schwarz eines Tages angefangen hat, regelmässig 20% seines Monatsgehalts auf Konten bei anderen Instituten zu überweisen. In 70% der Fälle, das zeigt die Sta-tistik, wechseln diese Kunden früher oder später ihre Bankverbindung.

Gewappnet mit dem Wissen aus der Analyse der Kundenbeziehung, hat die Bank noch rechtzeitig erkannt, dass Herr Schwarz für sie auch zukünftig profitabel sein wird – und ihm eine massgeschneiderte Geldanlage verkauft, die ihn wieder versöhnt hat.