Datengetriebenes Kundenmanagement | Teil 2: Kundensegmentierung

Die großen Mengen an kundenbezogenen Daten bieten vielfältige Möglichkeiten zur Kundensegmentierung - genutzt werden nur wenige.

Im ersten Teil unserer Blog-Serie haben wir die Möglichkeiten und Rahmenbedingungen der Datenerhebung betrachtet. Unter anderem durch die Vielzahl an unterschiedlichen Kontaktpunkten sehen sich Banken mit einer hohen Menge an kundenbezogenen Daten konfrontiert, die es zu verarbeiten gilt. Ein wesentlicher Teil dieser Verarbeitung ist die Suche nach Gemeinsamkeiten und Unterschieden über unterschiedliche
(Kunden-)Datensätze.

Die Erwartungen und Bedürfnisse der Kunden haben sich in den letzten Jahren dramatisch verändert - unterschiedliche Präferenzen in der Kontaktaufnahme, gestiegene Anzahl an Vergleichsmöglichkeiten und steigende Heterogenität in der Kaufkraft sind nur einige Beispiele für Herausforderungen in Bezug auf ihre Kundengruppen, denen Banken gegenüberstehen. Gleichzeitig bieten die durch die Kunden bereitgestellten Informationen aber auch die Möglichkeit, auf die individuellen Präferenzen einzugehen. Sie müssen nur erkannt werden.

In diesem Teil unserer Blog-Serie wollen wir einen Blick hinter die Kulissen werfen und uns mit der datengetriebenen Kundensegmentierung (dargestellt im Schaubild unter (2)) als Antwort auf die dynamischen Kundenanforderungen auseinandersetzen. Hierbei werden die erhobenen Kundendaten (siehe (1) im Schaubild) nun strukturiert und aufbereitet.

Was ist “Kundensegmentierung” und wieso ist das für Banken so wichtig?

Die Kundensegmentierung ist in ihrem Grundgedanken banal und die Einteilung von Kunden in Gruppen mit gemeinsamen Eigenschaften. Dies soll dazu führen, dass Banken maßgeschneiderte Produkte und Dienstleistungen sowie individuelle Beratungen anbieten können - zum richtigen Zeitpunkt, für den richtigen Kunden, über den richtigen Kanal.

Das volle Potenzial der Kundensegmentierung ausschöpfend, lassen sich positive Effekte insbesondere auf die Kundenzufriedenheit (“ich fühle mich als Kunde verstanden und abgeholt”) und Ressourceneffizienz (“die Erfolgswahrscheinlichkeit der Kundenansprache steigt”) erzielen, wodurch sich implizit auch eine Rentabilitätssteigerung ergeben kann.

Die Kundensegmentierung beeinflusst demnach eine Vielzahl von Bereichen der Bank, z.B.:

  • Zielgruppenmanagement (z.B. “Welche Kunden passen zur Strategie”)
  • Kundenbetreuung (z.B. “Welches Betreuungsmodell passt zu welchem Kunden”)
  • Produktentwicklung (z.B. “Welche Produkte werden benötigt”)
  • Finanzen (z.B. “Welche Kunden sind profitabel”)

Doch so einfach der Grundgedanke ist, so komplex ist auch die Umsetzung, um einen tatsächlichen positiven Effekt zu erzielen: Aus der Masse an Kundendaten müssen die Variablen identifiziert werden, die für eine Segmentierung herangezogen werden sollen.

Daraus leitet sich die Frage ab:

Welche Methoden zur Segmentierung gibt es?

Es lassen sich grundsätzlich zwei Herangehensweisen unterscheiden: die fachlich-orientierte Logik und die technisch-orientierte Logik.

Fachlich-orientierte Logik

Dies stellt die in der Praxis vornehmlich angewandten Segmentierungen dar. Hierbei werden Kunden auf Basis konkreter Datenpunkte in Gruppen eingeteilt, um fachlich-offensichtlichen Gemeinsamkeiten Sorge zu tragen. Dies kann bspw. die Einteilung nach

  • Geographischen Faktoren (Land, Wohnsitz etc.)
  • Demographischen Faktoren (Alter, Einkommen etc.)
  • Psychographische Faktoren (Interessen, Meinungen etc.)
  • Organisatorischen Faktoren (Geschäftsbereiche, Regionalzentren etc.)

sein. Die Entscheidung, welche Faktoren für die Segmentierung herangezogen werden, kann dabei durch unterschiedliche Gründe beeinflusst werden - von Erfordernissen in der Rechnungslegung (Operative Segmente gem. IFRS) bis hin zu Beschränkungen in der Datenanalyse (DSGVO-konforme Verarbeitung).

Technisch-orientierte Logik

Im Gegensatz zur fachlich-orientierten Logik werden offensichtliche Gemeinsamkeiten außer Acht gelassen und stattdessen die technologischen Möglichkeiten der Künstlichen Intelligenz (KI) - unter Berücksichtigung einer datenschutz-konformen Ausgestaltung - ausgereizt.

Hierbei werden Kunden mithilfe von maschinellem Lernen („unsupervised Machine Learning“) automatisiert in Segmente aufgeteilt. Anders als bei der fachlichen Segmentierung, bei der geographische, demographische, psychographische und organisatorische Faktoren eine Rolle spielen, erfolgt die Einteilung hier auf Grundlage komplexer Muster und Zusammenhänge in den Daten. Diese Muster können sowohl unerwartete Verhaltensweisen als auch verdeckte Präferenzen der Kunden aufdecken.

Durch den Einsatz von KI können Unternehmen auch schwer fassbare Faktoren wie Klickverhalten auf der Website oder Einkaufsverhalten in die Segmentierung einbeziehen. Die Auswahl der relevanten Merkmale und Algorithmen erfolgt im Entwicklungsprozess unter Abstimmung mit der Fachabteilung anhand einer Datenanalyse, bei der die KI-Modelle lernen, welche Datenpunkte am besten zur Gruppierung der Kunden geeignet sind.

Ähnlich wie bei der fachlich-orientierten Segmentierung gibt es auch hier verschiedene Gründe, die die Wahl der Faktoren und Algorithmen beeinflussen können. Die Kundensegmentierung mit KI-Analysen ermöglicht es Unternehmen, tiefergehende Einblicke in das Verhalten und die Bedürfnisse ihrer Kunden zu gewinnen und diese automatisiert zu erstellen.

Was lässt sich aus den unterschiedlichen Segmentierungsmöglichkeiten ableiten?

Eine Aussage zu der “richtigen” Logik oder gar zu “richtigen” und “falschen” Variablen ist pauschal nicht möglich, da instituts-spezifische Vorgaben und Besonderheiten berücksichtigt werden müssen. Es lohnt sich jedoch, die bestehenden Segmentierungen regelmäßig mit unterschiedlichen Ansätzen zu überprüfen, die Zusammensetzung der Segmente zu analysieren und den Status Quo bei Bedarf zu adjustieren.

Im unten dargestellten Beispiel wurden Kundendatensätze um Segmente angereichert, die mit Hilfe unseres PwC-Segmentierungs-Tools auf Basis der technisch-orientierten Logik gebildet wurden (graue Umrandung). Demgegenüber stehen Datenpunkte, die eine Segmentierung auf Basis der fachlich-orientierten Logik zulassen (rote Umrandung).

Neben der Erkenntnis, wie sich die Segmente auf Basis unterschiedlicher Methoden zusammensetzen, ist es auch möglich, konkrete Veränderungen bei Einführung einer neuen Segmentierung zu identifizieren. Das ermöglicht eine Analyse auf Basis konkreter Einzelkunden, um Auswirkungen von Veränderungen ex ante zu identifizieren - bspw. hinsichtlich möglicher Wechsel der Kundenbetreuung oder auch von Ertragsverschiebungen.

Insgesamt zeigt sich, dass die Kundensegmentierung für Banken weit mehr sein kann als nur eine analytische Methode. Bei Ausnutzung aller Potenziale kann die Segmentierung eine strategische Antwort auf die sich ständig verändernde Landschaft der Finanzdienstleistungen sein. Banken können damit auf das dynamische Umfeld reagieren und die End-to-End Effizienz steigern.

Wann haben Sie zuletzt eine kritische Analyse Ihrer Segmentierung vorgenommen? Lassen Sie uns gemeinsam die Hebel diskutieren - wir freuen uns auf den Austausch mit Ihnen!

In unserem nächsten Blog-Beitrag am 12.12.2023 knüpfen wir an den Kundensegmenten an und nähern uns der Einzelkundenbetrachtung mit dem Ziel eines 360-Grad-Blicks als Brücke zwischen Technologie und menschlicher Interaktion.

Lesen Sie auch andere Teile der Serie:

Laufende Updates zum Thema erhalten Sie über das regulatorische Horizon Scanning in unserer Recherche-Applikation PwC Plus. Lesen Sie hier mehr über die Möglichkeiten und Angebote.

Zu weiteren PwC Blogs

Contact

Birgitte Ellingsen

Birgitte Ellingsen

Director
Frankfurt am Main

To the top