SPSS in der Praxis Credit Suisse "Die Data Mining Aktivitäten der Credit Suisse - Analysen und Modelle - sind voll in die Businessprozesse integriert und haben ihren Mehrwert in einer Vielzahl von unterschiedlichen Anwendungen bewiesen. Die Gesamtprojektkosten konnten innert zweier Jahre egalisiert werden. Die Nachfrage nach Mining Auswertungen innerhalb der Bank ist im stetigen Wachstum begriffen, wobei B ereits 1997 wurde der Grundstein für ein erfolgreiches CRM gelegt. Die Credit Suisse startete im Jahre 1997 ein Projekt mit dem Namen "Loyalty Based Management" (LBM). Damit wurde die Grundlage für einen umfassenden Prozess zur Identifikation, Bewirtschaftung und zum Erhalt profitabler Kunden sowie zur Unterstützung und zum Erhalt produktiver Mitarbeiter gelegt. Dies erfolgte nicht zuletzt durch die Integration von DatabaseMarketing und Front-End System. Nach heutiger Terminologie werden solche Projekte CRM-Projekte genannt. Seitens der IT besteht es aus den Komponenten Datawarehouse (DWH), Campaign Management, OLAP und Data Mining. Diesen Komponenten entsprechen seitens des Business Kampagnenmanagement, Reporting und Datenanalyse. Der Datenfluss bzw. der Informationsextraktionsprozess der Credit Suisse ist in dem folgenden Schema skizziert: Das Herzstück des CRM-Projekts: Die Analytical Engine mit Clementine Im Jahre 1997 erfolgte der Startschuss mit einer Pilotphase, in der eine erste Ausbaustufe realisiert wurde. Diese Ausbaustufe enthielt schon alle grundsätzlichen, skizzierten Komponenten. Bereits die Pilotphase erbrachte messbare Erfolge, darum wurde der Weiterausbau des Datawarehouse beschlossen. Zudem wurde die Integration des Projektes in die Linienorganisation beschlossen und vollzogen, was heisst, dass das Projekt voll in den Business Prozess von Credit Suisse integriert wurde. Zurzeit werden ca. 2.5 Mio. Kundenbeziehungen mit über 400 Attributen im DWH gespeichert. Eine Historisierung der Daten von über 2 Jahren ist ebenfalls verfügbar. Das Herzstück des Projekts ist neben dem DWH die sogenannte "Analytical Engine". Unter der "Engine" versteht die Credit Suisse die Analysetätigkeit ihres (6-köpfigen) Data Mining Teams, das die vorhandenen Daten mit dem Werkzeug Clementine von SPSS analysiert. Data Flow die strategische Komponente immer stärker zum Tragen kommt." - Dr. Alex Nippe, Leiter Datenanalyse/ Data Mining, Credit Suisse Operative Daten Daten Speicher Analyse Closed Feedback-loop Data Ware House div. Kanäle: Analytical Engine Kundenstamm Daten-Update aus den Quellen Mailings,Berater, e-mail Knowledge Speichern der Daten mit Historisierung - Predictive Models - Profitabilitätsanalysen - Potentialausschöpfung - Saldierungsanalyse Datenfluss und Businessprozesse bei der Credit Suisse Customer Relationsship Management im Finanzdienstleistungssektor Leads für Kampagnen und Programme Transaktionen Balance Aktion Output-Kanäle SPSS in der Praxis Fortsetzung, Seite 2 Mit Clementine wird modelliert mit dem Clementine Publisher werden die Modelle in die Praxis umgesetzt Mit der Vervollständigung des Datawarehouses, dem daraus gewonnenen Datenverständnis und der parallel laufenden Optimierung der Businessprozesse wurden die Anforderungen an ein Data Mining-Tool klar. Clementine von SPSS wurde im Wesentlichen aus drei Hauptgründen ausgewählt: Data Mining im Einsatz für Marketing, Management, Risikomanagement: Konkrete Anwendungen bei der Credit Suisse Die Credit Suisse setzt Data Mining vor allem für drei Kernbereiche ein: Generierung von Leads für Marketing Aktionen Generierung von Management Informationen basierend auf Kundenverhalten Risikomodellierung - Funktionalität und Flexibilität durch einen editierbaren Prozess- und Datenfluss - Genauigkeit der implementierten Algorithmen - Möglichkeit, den gesamten Scoringprozess mittels Clementine Solution Publisher auf operativen System durchzuführen. Generierung von Leads für die Kundenberater Die Auswertung der Responses und Verkäufe aufgrund der Clementine Prognosemodelle zeigt eine eindeutige Korrelation zwischen Abschlussquote und vorhergesagtem Score. Neben Clementine werden zusätzlich komplementäre Werkzeuge, wie Matlab und Visualisierungstools (i.e. Parallelkoordinaten) eingesetzt. Nachdem in der Anfangsphase des Projekts vor allem Leads für Mailingkampagnen generiert wurden, wurde der Adressat zunehmend der Kundenberater. Kundenberater verfügen über sehr beschränkte Ressourcen und sind auf Informationen angewiesen, die es ihnen ermöglichen, diese möglichst effizient einzusetzen, also Kunden anzusprechen, die ein hohes Potential haben, das Produkt auch wirklich zu kaufen. Die selektierten Kunden müssen eine sehr hohe Kaufwahrscheinlichkeit aufweisen, um hohe Abschlussquoten zu generieren und den kostspieligen Einsatz der Berater zu rechtfertigen. In der Regel ist dies lediglich bei 1% des Kundenstamms der Fall. Ein gutes Data Mining-Vorhersagemodell gewährleistet genau eine solche Selektion: Es identifiziert innerhalb einer Kundenmenge eine sehr kleine Zielgruppe mit einer sehr grossen Abschlusswahrscheinlichkeit. Data Mining nicht nur für optimiertes Marketing, sondern zunehmend als Grundlage für strategische Management-Entscheide Der Hauptschwerpunkt der Data Mining-Aktivitäten lag zu Beginn des CRM-Projekts im produktebezogenen Database Marketing. Hierbei geht es um die Generierung von Leads, d.h. um die Identifikation von Kunden mit einer hohen Affinität zu bestimmten Bankprodukten wie z.B. Anlagefonds oder Kreditkarten. Die so ermittelten Leads können sowohl über Mailings, als auch über bera tergestützte Kampagnen gezielt angesprochen werden. Seit Mitte 2000 hat sich der Anwendungskreis über die Business Unit Credit-Suisse Banking hinaus erweitert. Weitere Business Units sowie Pro dukteentwicklung und eCommerce nehmen die Dienstleistungen der "Analytical Engine" in Anspruch. Themen sind hier zunehmend strategische Analysen auf der Basis von Kundenprofilen. In anderen Worten: das Instrument des Massenmailings kann aufgegeben werden zu Gunsten eines 1-to-1 Marketings. Gerade in diesem Feld ist ein grosser Mehrwert von Data Mining zu finden. Eine solche Vorgehensweise setzt aber die entsprechenden Algorithmen für die Modellierung voraus. Vor allem der in Clementine implementierte C5.0 Algorithmus mit Boosting hat sich in diesem Einsatzgebiet bestens bewährt. Abschlussquoten von 30% und mehr in den kontaktierten Zielgruppen sind keine Ausnahme. SPSS in der Praxis www.spss.com Fortsetzung, Seite 3 Lift 1 Anzahl selektierter Kunden Zusammenhang 'Anzahl selektierter Kunden' und Lift: in kleinen, genau idenfizierten Kundengruppen steigen die Abschlussquoten stark an. Der Eingangs skizzierte "closed Loop" erlaubt neben einer kontinuierlichen Verfeinerung auch die Überprüfung der Modelle. Die Auswertung der Responses und Verkäufe aufgrund der Clementine Prognosemodelle zeigt eine eindeutige Korrelation zwischen Abschlussquote und vorhergesagtem Score. Kundensegmentierung als Management-Information Der Kundenstamm wird laufend erforscht und beobachtet. Dadurch können Veränderungen schnell erkannt und entsprechende Reaktionen ausgelöst werden. Der oben vorgestellte Business-Prozess beruht weitgehend auf einer produktbezogenen Vorgehensweise, d.h. es werden für jedes Produkt unabhängige Modelle entwickelt und entsprechende Kampagnen lanciert. Daraus leitet sich direkt die Frage ab, wie man bei einer hohen Affinität für mehrere Produkte entscheidet, welches der Produkte am ehesten angenommen wird. Eine solche Entscheidung ist schwierig, da die ‚Scores' verschiedener Modelle nicht unbedingt direkt vergleichbar sind. Um daher von der sogenannten Produktesicht auf die Kundensicht, d.h. auf ein den Kundenbedürfnissen entsprechendes Modellieren, überzugehen, muss grundsätzlich anders vorgegangen werden. Die Basis für eine Kundenorientierung bildet eine Feinsegmentierung des Kundenstamms: diese Segmentierung wird anhand eines 'Clusteralgorithmus' induktiv durchgeführt, wobei die Dimensionen sich direkt an den Kundenbedürfnissen orientieren. Hierbei hat sich der 'Twostep' Algorithmus als überaus leistungsfähig erwiesen, sowohl hinsichtlich der Geschwindigkeit der Modellierung, als auch in der 'Klarheit' bzw. Interpretierbarkeit der resultierenden Cluster. Jeder der einzelnen Cluster ist nun der Ausgangspunkt für individuelle Marktbearbeitungsaktionen. Der weitere Vorteil dieser hierarchischen Vorgehensweise liegt in seiner explorativen Komponente: Der Kundenstamm wird laufend erforscht und beobachtet. Dadurch können Veränderungen schnell erkannt und entsprechende Reaktionen ausgelöst werden. SPSS in der Praxis www.spss.com Fortsetzung, Seite 4 Programmoptimierung durch Mining Agents Die Implementierung wurde mit Clementine realisiert; da dank des Solution Publisher die Möglichkeit besteht, einen ganzen 'Stream' automatisiert und periodisch wiederkehrend ausführen zu können. Als Programme werden regelmässige, zeitlich wiederkehrende Kampagnen bezeichnet. Im Gegensatz zu klassischen Kampagnen reagieren sie auf individuelle, genau definierte Veränderungen bei einem einzelnen Kunden und schlagen die entsprechenden Massnahmen vor. Ein klassisches Beispiel, dass in jeder CRM Implementierung eine zentrale Rolle spielt, ist die Früherkennung von Kundensaldierungen (Kontenkündigungen durch Kunden). Die Saldierungen werden anhand der zeitlichen Entwicklung des Vergangenheitsprofils prognostiziert und dem Kundenberater direkt angezeigt. Die Implementierung wurde mit Clementine realisiert; da dank des Solution Publisher die Möglichkeit besteht, einen ganzen 'Stream' automatisiert und periodisch wiederkehrend ausführen zu können. werden - die potentiellen Kunden waren zwar interessiert, genügten aber nicht Bonitätskriterien. Verfeinerte Modelle haben im nächsten Schritt auch das Ablehnungsrisiko in Betracht gezogen. Es gelang auf diese Weise, bei späteren Kampagnen die Ablehnungsquote durch eine verbesserte Auswahl der angesprochenen Kunden auf fast die Hälfte zu reduzieren. Diese Reduktion bedeutet eine erhebliche Aufwandseinsparung bei der Prüfung der Kreditwürdigkeit der Antragsteller. Nachweisbare Kosteneinsparungen durch die Data Mining-Aktivitäten bei der Credit Suisse Die Data Mining Aktivitäten bei der Credit Suisse - Analysen und Modelle - sind voll in die Businessprozesse integriert und haben ihren Mehrwert in einer Vielzahl von unterschiedlichen Anwendungen bewiesen. Die Gesamtpro jektkosten konnten nicht zuletzt aufgrund des analytischen Bereiches innert zweier Jahre egalisiert werden. Die Nachfrage nach Mining Aus wertungen innerhalb der Bank ist im stetigen Wachstum begriffen, wobei die strategische Komponente immer stärker zum Tragen kommt. Risikomodellierung im Privatkreditbereich Die erzielte Reduktion bedeutet eine erhebliche Aufwandseinsparung bei der Prüfung der Kreditwürdigkeit der Antragsteller. Die Resultate bisheriger Kampagnen wurden gezielt zur Optimierung der nächsten Aktionen eingesetzt ("closed loop"). Erste Modelle zeigten nach Auswertung der Kampagnen nicht nur eine Korrelation zwischen Affinitätsscore und Kaufinteresse; in ähnlicher Weise wie das Kaufinteresse, stieg auch die Ablehnungsquote. Dadurch mussten immer mehr Anträge abgelehnt SPSS Schweiz AG, Schneckenmannstr. 25, 8044 Zürich, Tel. +41.1.266.90.30, Fax +41.1.26690.39 Weitere Information über SPSS erhalten Sie unter www.spss.ch SPSS is a registered trademark. All other SPSS products named are trademarks of SPSS Inc. All other names are trademarks of their respective owners. Printed in Germany. Copyright © 2001 SPSS Inc. CRESUISSAPP-1101GE