Credit Suisse

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