Erfolgsgeschichten / Datengetriebenes Kampagnen-Targeting

Datengetriebenes Kampagnen-Targeting für die Raiffeisenbank

6-fache Steigerung der Conversion Rate des Callcenters

50% höhere Erfolgsquote über alle Kanäle hinweg

Präzise Auswahl und Einschätzung aller Bankkunden

Project Brief

Wir steigerten die Conversion Rate einer Kampagne für Konsumkredite, indem wir das Kundenverhalten erfolgreich modellierten auf einer Big Data Plattform.

Dank Profinit’s AcceptAI erreichten wir eine sechsfache Steigerung der Conversion Rate unserer Kredit-Kampagnen – mit Targeting, das auf dem Kundenverhalten basierte. Das fortschrittliche Neigungs-Modell läuft auf unserer Big Data Plattform, liefert zu 50% bessere Ergebnisse als unsere alte Lösung und optimierte unsere Erfolgsquote auf allen Kanälen.

Milan Jirkovský
Head of CRM at Raiffeisenbank CZ

Der Projekt-Hintergrund

Als Teil ihrer Strategie wollte die Raiffeisenbank CZ ihre Kundendaten und Transaktions-Historie auf moderne Art nutzen, um ihren Kunden individuell relevantere Angebote machen zu können. Durch effektives Targeting sollte die Conversion Rate großer Kampagnen zum Verkauf von Kleinkrediten deutlich gesteigert werden.

Wer seine gesammelten Kundendaten wirklich smart nutzbar machen will, braucht eine anspruchsvolle Lösung, die hochkomplexe Berechnungen für Hunderte von Millionen Transaktionen ermöglicht – und zugleich alle relevanten Verbindungen zwischen Kunden, Ereignissen und Verhaltensmustern erkennt. Klassische relationale Datenbanken und Business Intelligence Lösungen reichen nicht aus, um derartige Datenmengen zu bewältigen.

Die Business-Anforderungen

Unsere Lösung musste diese Spezifikationen abdecken:

·  Steigerung der Conversion Rate großer Kundenkredit-Kampagnen

·  Einsatz diverser Kanäle und Verbesserung der Erfolgsquote

·  Einbindung der Lösung ins bestehende CRM und die Prozesse zum Kampagnen-Management

·  Strikte Einhaltung der strengen Vorgaben zur Kontaktaufnahme

Die Herausforderung

Außerdem sollte die Lösung in die bestehende Big Data Plattform (auf Hadoop Technologie) der Bank eingebunden werden. Ebenfalls musste der hieraus resultierende Kampagnen-Output technisch in die Kampagnenmanagement-Tools der Bank integriert werden – und verfahrensrechtlich im Einklang mit den Regularien zur Kundenkontaktaufnahme funktionieren.

Die Lösung

Wir setzten auf unsere einzigartige Lösung AcceptAI, welche aus Transaktionsdaten das Kundenverhalten berechnet. Basierend auf den dabei erkannten Verbindungen und Gemeinsamkeiten, nutzt AcceptAI maschinelles Lernen, um den Neigungs-Score einzelner Kunden für verschiedene Finanzprodukte zu kalkulieren.

Die hochkomplexe Rechenleistung wurde technisch durch die parallele Nutzung von Apache Spark und der Hadoop Plattform ermöglicht. Dies erlaubte es uns, sämtliche Transaktionsdaten der letzten Jahre innerhalb weniger Minuten zu verarbeiten.

Die individuellen Kundenbewertungen wurden dann im Data Warehouse für die Kampagnenmanagement-Tools der Raiffeisenbank zugänglich gemacht. Dank der Option, die Kunden strukturiert aufzulisten und miteinander zu vergleichen, war es einfach, ihnen jeweils erfolgversprechende Kontaktkanäle zuzuweisen – immer im Einklang mit den Bankvorgaben zur Kundenkontaktaufnahme.

Tools & Technologien

Profinit AcceptAI (P2L Model)
Hadoop
Apache Spark
Python

Zusammenfassung

Eine Kampagne zur Bewerbung von Konsumkrediten – mit präzisem Targeting, basierend auf der Analyse von Kunden-Transaktionsdaten – brachte folgende Ergebnisse:

  • Innerhalb von zwei Monaten erreichte die Bank rund 95.000 Kunden über verschiedenste Kanäle.
  • Unser Modell identifizierte die idealen 10% des Kundenstamms für Kontaktaufnahme durch das Callcenter.
  • Durch die Auswahl der passenden Kunden versechsfachte das Callcenter seine Conversion-Erfolgsquote.
  • Über alle Kanäle hinweg war unsere datengetriebene Lösung um 50% erfolgreicher als das vorherige Modell.

Würde Ihre Bank vom Einsatz modernster Daten-Tools und Technologien profitieren?

Wir zeigen Ihnen gerne, wie Profinit innerhalb Ihrer Organisation Daten-Zugang und -Nutzung verbessern kann.

Weitere Erfolgsgeschichten und Lösungen

Konsolidierung von Konkurrenz-Krediten

Raiffeisenbank Konsolidierung von Konkurrenz-Krediten

So unterstützte Profinit die Raiffeisenbank CZ dabei, doppelt so viele Kreditvergaben durch Konkurrenz-Banken zu erkennen – und betroffene Kunden davon zu überzeugen, ihre Kredite bei der “kundenfreundlichsten Bank” zusammenzulegen.

Mehr erfahren
Prognosen-Berechnung gegen Betrugsversuche

Česká spořitelna (Erste Group) Prognosen-Berechnung gegen Betrugsversuche

Profinit half der Česká spořitelna (Erste Group) dabei, die Betrugserkennung extrem zu beschleunigen – durch die Analyse von 1,5 Milliarden Transaktionen pro Tag.

Mehr erfahren
Zentrale Log-Überwachung für mehr Sicherheit

Erste Group Bank Zentrale Log-Überwachung für mehr Sicherheit

Profinit half der Erste Group Bank AG dabei, sich auf neue Vorschriften zur Cyber Security einzustellen – und zugleich schnellen Datenzugang zu ermöglichen.

Mehr erfahren

WIE KÖNNEN UNSERE EXPERTEN IHNEN HELFEN?
HABEN SIE EINE FRAGE?

SCHREIBEN SIE UNS EINFACH!

Wichtiger Hinweis

Wir respektieren Ihre Privatsphäre und garantieren die Sicherheit Ihrer persönlichen Daten. Sie stimmen zu, dass Sie persönliche Informationen mit Profinit teilen – ausschließlich zum Zweck der persönlichen Kontaktaufnahme. Eine Weitergabe der Daten an Dritte ist ausgeschlossen. Sie können jederzeit von Ihrem Widerrufsrecht Gebrauch machen.