Acquire and Retain: Wie man Personalisierung im Banking perfektioniert und Kundenloyalität aufbaut

Statistiken belegen, dass die Personalisierung im Banking einen strategischen Wert erlangt hat. Über 70 % der Kunden bewerten maßgeschneiderte Angebote als sehr wichtig für Banken und andere Finanzunternehmen. Ironischerweise bleiben Bankinstitute die letzte Bastion der Personalisierung, da nur 14 % der Banken kontextrelevante Erfahrungen bereitstellen.

Fehlende Personalisierung bei Finanzinstituten scheint verwirrend. Jeden Tag generieren Banken eine riesige Menge an Kundendaten. Dennoch bleibt es oft ungenutzt, um dem Kunden einzigartige Angebote zu liefern.

In unseren Gesprächen mit Kunden sehen wir, dass Führungskräfte im Bankwesen dennoch bestrebt sind, die Kundenzufriedenheit durch personalisierte Kundenerlebnisse zu verbessern. Marketing-, Kundendienst- und Kundenerfahrungsteams erkennen, dass personalisiertes Banking entscheidend ist, um indirekte Einnahmen zu erzielen.

Durch den Aufbau personalisierter Beziehungen zu Kunden erhalten Banken unter anderem zusätzliche finanzielle Vorteile wie Up- und Cross-Selling, neue Kunden durch Empfehlungen und Überweisungen zwischen Banken. All dies ergänzt direkte Einnahmequellen und ist das Ergebnis der Markenaffinität.

Also, was ist das Problem? Warum nutzen Banken ihre Kundendaten nicht voll aus?

Herausforderungen auf dem Weg zur Personalisierung in Finanzdienstleistungen

Ein tiefes Verständnis der Kundenpersönlichkeiten und -präferenzen führt zu einem maßgeschneiderten Erlebnis im Bereich Finanzdienstleistungen. Granulare Angebote werden jedoch oft durch allgemeine Einschränkungen im Bankwesen behindert.

Legacy-Software

Veraltete Technologien gelten laut Deloitte als Haupthindernis auf dem Weg zu einer tieferen Personalisierung. Tech-Schulden, das Fehlen von Echtzeit-Datenanalysen und unflexible Kundendatenbanken lassen das Kundenverhalten unmotiviert, Unternehmen zu finanzieren. Infolgedessen mangelt es Unternehmen an starken kanalübergreifenden Angeboten, Umsatzwachstum und vor allem an einer ganzheitlichen Sicht auf ihre Kunden.

Darüber hinaus hindert der Mangel an konsistenter Datenanalyse Banken daran, bereits verfügbare Daten zu nutzen. Dies bedeutet, dass Bankinstitute standardmäßig nicht in der Lage sind, mit technisch versierten Banken zu konkurrieren, wodurch Gewinne und potenzielle Stammkunden verloren gehen.

Organisatorische Silos

Isolierte Daten und isolierte Abteilungen behindern auch die erfolgreiche Einführung einer kundenorientierten Denkweise. Die Silo-Mentalität ist sowohl internen als auch externen Richtlinien abträglich, da sie den Datenfluss auf eine bestimmte Niederlassung oder einen bestimmten Mitarbeiter beschränkt. Infolgedessen ist kein einheitlicher Data-Governance-Ansatz möglich, was eine Personalisierung in allen Phasen unmöglich macht.

Typischerweise beziehen sich organisatorische Silos auf inkompatible technische Systeme, die nicht programmatisch miteinander interagieren können. Infolgedessen sind Daten in einer Abteilung fixiert und von anderen Teilen der Systemarchitektur getrennt. Daher können Unternehmen vor der Implementierung eines neuen Setups entweder eine gesamte Infrastruktur aktualisieren oder Legacy-Systeme mit der neuen Infrastrukturkomponente verbinden.

Vernachlässigte Kundenbedürfnisse

Allzu oft konzentriert sich die Bankenbranche eher auf Produkte und Dienstleistungen als auf Kundenbedürfnisse. Eine gründliche Erforschung der Kundenbedürfnisse ist jedoch für umsatzstarke Initiativen unabdingbar. Ohne ein gutes Kundenerlebnis ist es unmöglich, effektiv zu verkaufen und Ihre Rentabilität zu steigern.

Eine wohlgeformte Kundenvision legt den Grundstein für:

• Wettbewerbsfähiger Kundenservice;
• Relevante Gebühren für Bankkonten;
• Bequeme Filialstandorte;
• Nachgefragte Arten von Dienstleistungen;
• Positives Markenimage;
• Gut definierte Zinssätze.

Glücklicherweise können die oben genannten Herausforderungen beseitigt werden. Technologieunternehmen lösen diese Probleme, indem sie Banken dabei unterstützen, alle ihre Kundendaten zu erfassen, zu analysieren und maßgeschneiderte Angebote zur richtigen Zeit und am richtigen Ort zu erstellen.

Fünf Geheimnisse der Gewinnung und Bindung von Bankkunden durch Personalisierung

Die gute Nachricht ist, dass Personalisierung im Banking möglich ist. Durch die Implementierung fortschrittlicher technischer Tools und digital versierter Ansätze können Bankunternehmen die Herzen und Köpfe ihrer Kunden ansprechen und Initiativen auf den Punkt bringen. Hier ist Ihre geheime Zutat, die Ihnen helfen wird, Kunden zu gewinnen und mehr Wert zu erzielen.

Richten Sie eine Single Source of Truth ein

Einige Finanzorganisationen haben ihre Kundendaten abteilungsübergreifend gespeichert, wodurch sie vom Rest der Organisation isoliert sind. Infolgedessen sind die Customer Journey und die Personas unvollständig, wenn sie überhaupt erstellt wurden.

Saubere, relevante und zugängliche Daten sind der Schlüssel, um die Reize, Vorlieben und das Finanzverhalten Ihrer Kunden zu erkennen. Um eine einheitliche Sicht auf den Kunden zu schaffen, sollten Finanzdienstleistungsunternehmen die verschiedenen verfügbaren Betriebsdaten vereinheitlichen und aktivieren.

Die Vereinheitlichung und Aktivierung von Daten erfordert jedoch die Beseitigung organisatorischer Silos und eine Systemmodernisierung. Data Lakes und Warehouses tragen zu einer 360°-Kundenansicht bei und fördern die Interoperabilität und Unveränderlichkeit von Daten. Darin werden Daten von mehreren Standorten abteilungsübergreifend abgerufen, wobei alle Eingaben nach bestimmten Kriterien analysiert werden.

Sobald die Analyseergebnisse einsatzbereit sind, visualisieren benutzerdefinierte oder plattformbasierte Business-Intelligence-Tools die Erkenntnisse und bereiten Daten für die Berichterstellung vor, sodass Unternehmen wichtige Kennzahlen und KPIs überwachen und vergleichen können. Beispielsweise kann eine Kreditabteilung spezifische Transaktionsdaten aus einem riesigen Datenspeicher abrufen, um die Entscheidungsfindung für Kredite jederzeit zu verbessern.

Darüber hinaus werden umfassende Data-Governance-Richtlinien die Nutzung von Daten maximieren und die Datenerfassung und -klassifizierung über Organisationsgrenzen hinweg ausrichten. Data Governance verbindet auch die Datenpunkte in einem zusammenhängenden Ganzen und standardisiert sie über Warehouses, Lakes, Cloud-Speicher und Datenbanken hinweg.

Um einen Kunden besser zu verstehen, bereichern Bankführer ihre Datensammlung auch durch externe APIs. Dies verbessert den Zugriff auf zusätzliche Kundenerkenntnisse, die in Unternehmens- und Buchhaltungssystemen sowie Partner- und öffentlichen Datensätzen wie PSD2-Kontoinformationen enthalten sind.

Nutzen Sie künstliche Intelligenz, maschinelles Lernen und Deep Learning

Ihre Daten sprechen nicht, es sei denn, Sie fragen danach. Künstliche Intelligenz (KI), maschinelles Lernen (ML) und Deep Learning (DL) können verborgene Beziehungen zwischen Datenwerten aufdecken und eine einzigartige Kundenwahrnehmung liefern. Während alle drei gleichermaßen hilfreich bei der Entdeckung von Datenmustern sind, wird Deep Learning in den meisten Beispielen für Personalisierung im Bankwesen genannt.

Als Zweig von KI und ML zeichnet sich Deep Learning dadurch aus, dass es ein Flickwerk von Kundendaten aggregiert und umsetzbare Erkenntnisse für maßgeschneiderte Produkte generiert. Darüber hinaus sind DL-Modelle darauf spezialisiert, sowohl strukturierte als auch unstrukturierte Daten zu analysieren. Letztere machen rund 80 % der Bankdaten aus und sind ohne spezielle Algorithmen nicht zu analysieren.

Deep-Learning-Algorithmen können unerklärliche Muster in Daten erkennen und zukünftige Ergebnisse auf der Grundlage riesiger Informationsmengen vorhersagen. Die manuelle Analyse kann niemals mit intelligenten Systemen mithalten, da die traditionelle Datenanalyse nur allgemeine Schlussfolgerungen durch visuelle Zusammenfassungen und Excel-Tabellen ziehen kann, ohne einen tiefen Einblick in das Problem oder die Korrelation.

Deep-Learning-Modelle können Kaufmuster, Demografie, Transaktionsvolumen und Audiodateien im Alleingang analysieren, um gezielte Kredit- oder Sparangebote zu erstellen, die für Banken risikoarm, aber für Kunden von hohem Wert sind. Alle diese umsetzbaren Ergebnisse basieren lediglich auf verfügbaren Datensätzen. Ohne Deep Learning werden Finanzunternehmen Jahre damit verschwenden, manuell Verbindungen zwischen Kundenprofilen herzustellen.

Maschinelles Lernen als Ganzes kann die Personalisierung für jeden Kunden vorantreiben, seien es High-Roller- oder Low-Value-Kunden. Auf diese Weise können intelligente Algorithmen versteckte und subtile Ausgabentendenzen erkennen und eine maßgeschneiderte Lösung oder kontextualisierte Kundenerlebnisse für alle Kunden vorschlagen.

Außerdem können sowohl ML als auch KI Datenanalysemodelle erweitern und Banken und Kreditgenossenschaften eine Wettbewerbsdifferenzierung verschaffen. Wenn beispielsweise ein bestimmter Prozentsatz bestehender Kunden mit einem Jahreseinkommen von X dazu neigt, Geld für Reisen auszugeben, anstatt für Einzahlungen, werden ML-Modelle diesen Zusammenhang entdecken. Dies bedeutet, dass Banken dieser Kundengruppe maßgeschneiderte Cashback-Angebote für Hotels und dergleichen anbieten können.

Erstellen Sie Lookalike Audiences mit ML

Da es unmöglich ist, maßgeschneiderte Erfahrungen für jeden Kunden bereitzustellen, implementieren Finanzinstitute häufig Look-Alike-Modelle. Diese Klassifizierungstechnik hilft dabei, Kundengruppen zu identifizieren, die ähnliche segmentspezifische Daten teilen, seien es Ausgabegewohnheiten oder Altersgruppen.

Durch die Analyse einer Vielzahl von Metriken erzeugen ML-basierte Look-Alike-Modelle sich entwickelnde Kundenprofile. Eine genaue Segmentierung wiederum ermöglicht es den Banken, die Kunden vorherzusagen, die am wahrscheinlichsten auf bestimmte Finanzdienstleistungen reagieren. Einfach ausgedrückt erhalten Finanzunternehmen einen intelligenten Chancenindex, der es ihnen ermöglicht, äußerst zielgerichtete Erfahrungen zu schaffen, die den Kunden einen echten Mehrwert bieten.

Integrieren Sie Lebensereignisdaten

Kundenprofilierung kann nie zu tiefgreifend sein. Daher trägt jede noch so kleine wertvolle Information zu mehr Bewusstsein für das Kundenverhalten bei. Auf dieser Linie können Ereignisdaten, die von einem Client durchgeführte Aktionen beschreiben, messbare oder anderweitig analysierbare Erkenntnisse liefern. Dadurch können Finanzunternehmen sofort auf neue Interaktionen reagieren und Personalisierungen bereitstellen.

Bankunternehmen können die Ereignisdatenkonsolidierung von Drittanbietern nutzen, um nach neuen Kunden zu suchen. Dazu können Kommunikationstools, Social-Media-Daten und andere Datenbanken und Anwendungen von Drittanbietern gehören. Um automatisierte Prozesse und Datenverfolgung in Echtzeit zu ermöglichen, müssen Finanzinstitute diese Daten in interne Tools integrieren.

Da sich die Praktiken des Datenaustauschs mit Drittanbietern jedoch verschärfen, unterliegen Integrationsansätze einer Vielzahl von Regulierungsgesetzen, darunter DSGVO, Dodd-Frank, MiFID II und andere.

Alternativ können Banken interne Ereignisdaten sammeln und integrieren, um die Loyalität zu erhalten. Die Finanzinfrastruktur vor Ort mit ereignisbasierter Architektur und Ereignisstreaming ist bereits mit Daten aus Unternehmensquellen überschwemmt. Durch die gemeinsame Nutzung von Ereignissen im gesamten Unternehmen verfügen Finanzunternehmen über einen Ereignisdatensatz, der zur Analyse bereitsteht. Wenn wir historische Daten mit Echtzeit-Einblicken kombinieren, fügt dies den Ereignisströmen eine weitere Vorhersagefähigkeit hinzu.

Darüber hinaus können Ereignisdaten allein kontextualisierte Gelegenheiten zur Kundenbindung in Echtzeit schaffen. Das bedeutet, dass das System die Bank über die verpasste Gelegenheit informiert, wenn sich der Kunde beispielsweise bei der Online-Überprüfung seines Guthabens für neue Kontoangebote entscheidet und das Antragsformular nicht ausfüllt. Dies wiederum ermöglicht es den Banken, den Kunden sofort wieder zu engagieren.

Ein weiteres Beispiel für gelungenes Veranstaltungsdatenmanagement ist die Echtzeit-Kategorisierung von Ausgaben. Wenn ein Kunde in einem Lebensmittelgeschäft einkauft oder tankt, informieren die Geldüberwachungstools der Bank den Kunden über die Art der Ausgaben und das Budgetportfolio und halten den Kunden über sein Ausgabenverhalten auf dem Laufenden. Diese nette Geste fördert die Markenbindung, auch ohne echte Interaktion mit dem Kunden.

Seien Sie dort, wo Ihre Kunden sind

90 % der Kunden erwarten konsistente Interaktionen über alle Kanäle hinweg. Daher ist Omnichannel-Exzellenz keine Option, sondern eine Notwendigkeit. Digital-First-Finanzunternehmen sollten ihren Kunden über mehrere Kanäle gleichzeitig ein einheitliches Erlebnis und einen einheitlichen Service bieten. Dies wiederum verbindet alle Kundenkontaktpunkte und ermöglicht es Unternehmen, den Kunden mit maßgeschneiderten Angeboten anzusprechen, die auf früheren Interaktionen mit den Plattformen des Unternehmens basieren.

Beispielsweise können Kunden mit granularen Anzeigen in sozialen Medien oder auf werbefreundlichen Websites bedient werden, nachdem sie sich Informationen zu einer bestimmten Bank, Kreditkarten- oder Kreditangeboten angesehen haben. Auch unterbrochene Antragsprozesse können mit personalisierten mobilen Benachrichtigungen behoben werden, wenn ein Kunde eine Banking-App auf seinem Smartphone hat.

Um die Marketingabteilung zu entlasten, können Banken auf Marketing Automation zurückgreifen. Letztere übernimmt multifunktionale Marketingaufgaben und ermöglicht das Versenden personalisierter Angebote über alle Kanäle hinweg, egal ob Baufinanzierung oder Altersvorsorge. Unternehmen, die Marketing-Automatisierung nutzen, landen tendenziell mehr als 451 % qualifizierter Leads.

Aus technischer Sicht stützen sich Marketing-Automatisierungstools auf Cross-Channel-Daten und speisen sich aus E-Mails, Websites, Apps und anderen Interaktionen. Die Software streamt dann Segmentierungs- und Targeting-Prozesse, um die richtigen Zielgruppen zu gruppieren und die Nachrichten an jeden Kunden automatisch auf der Grundlage seines Profils zu kalibrieren. Als Wettbewerbsvorteil erreicht die Marketingautomatisierung Kunden auf personalisierter Ebene, unabhängig von der Zielgruppengröße.

Gestalten Sie das Banking-Erlebnis Ihrer Kunden neu

Aus inaktiven Kunden Bankevangelisten zu machen, ist ein harter Kampf. Persönliche Erfahrungen können jedoch Ihren Umsatz ankurbeln und Sie näher an die Kunden bringen. Maßgeschneiderte, aussagekräftige und zeitnahe Nachrichten helfen Finanzinstituten, ohne zusätzliche Risiken oder langwierigen Aufwand tiefere Beziehungen zu Kunden aufzubauen.

Um Personalisierungsinitiativen zu ermöglichen, müssen Finanzinstitute eine aktualisierte Dateninfrastruktur einrichten, die Echtzeitanalysen, umfassende Datenerfassung und intelligente Funktionen ermöglicht. Eine prägnante Data-Governance-Strategie bindet alle Komponenten Ihres Setups und initiiert ein Datenschwungrad, um kontinuierliche Kundeneinblicke zu erhalten.

Unser beratungsbasierter Ansatz ermöglicht es Unternehmen, eine robuste Datenstrategie zu entwerfen und eine Reihe neuer Funktionen für das Management der Wertschöpfungskette von Daten zu Entscheidungen aufzubauen. Setzen Sie sich mit unseren Experten in Verbindung und wir werden alle Datenkomplexitäten überwinden, die Sie möglicherweise haben.

Der Artikel ist ursprünglich hier veröffentlicht.