Erfolgsgeschichten / Kaufneigung-Scores

Kaufneigung-Scores von Kunden für Kleinkredit-Angebote

Identifizierung von Kunden mit hoher Kaufneigung

Business-Mehrwert für 70% des Kundenstammes

Effektiv für Kunden ohne Kredit-Vorgeschichte

Project Brief

Entwicklung eines Vorhersage-Modells, um mögliche Kreditkunden mit hoher Kaufneigung zu identifizieren und so das Kampagnen-Targeting zu optimieren.

Profinit’s Neigungs-Modell brachte unserem Business echten Mehrwert bei rund 70% unseres Kundenstammes – inklusive schwer greifbarer Segmente wie neuen und inaktiven Kunden.

Peter Baláži
Head of Credit Risk, Equa bank

Der Projekt-Hintergrund

Equa Bank – eine schnell wachsende, aufstrebende Bank aus Tschechien und langjähriger Partner von Profinit – bat unser Team ein Neigungs-Score-Modell zu entwickeln. Das Ziel: Die Identifikation von Kunden, die in naher Zukunft ein hohes Interesse an Kleinkrediten haben dürften. Das Projekt erforderte die Verarbeitung von über zwei Jahren Transaktionshistorie für rund 400.000 Equa Bank Kunden – sowie die Analyse ihrer Sozio-Demografie und verfügbarer Produktinfos.

Die Business-Anforderungen

Die Lösung musste folgende Ziele erreichen:

  • Steigerung der Conversion Rate bei Angeboten für Kleinkredite
  • Erstellung präziser Einschätzungen für Equa’s gesamten Kundenstamm
  • Beurteilung des geschaffenen Mehrwerts für verschiedene Kundensegmente

Die Herausforderung

Um ein ausreichend präzises Vorhersage-Modell zu entwickeln, mussten wir eine Vielzahl hochkomplexer Berechnungen durchführen – basierend auf einem gewaltigen, unstrukturierten Datensatz. Wir standen vor der Mammutaufgabe, mehrere 10 Millionen Transaktionsdaten und Hunderte Millionen von Links innerhalb des Kundennetzwerks zu analysieren.

Uns war klar, dass hierfür relationale Datenbanken oder konventionelle, statistische Methoden wie die segmentierte Regression nicht ausreichen würden. Diese Herausforderung verlangte nach einer ausgereiften, technologischen Lösung.

Die Lösung

Unser einzigartiger Ansatz zur Berechnung der Kaufneigungs basiert auf der Modellierung vom Kundenverhalten und Social Similarity Networks. Hieraus entwickelten wir die nötigen Insights, um Mikrosegmente im Kundenstamm zu erkennen. Dabei setzten wir auf moderne Methoden für maschinelles Lernen – entwickelt in enger Zusammenarbeit mit unseren Forschungspartnern der Charles Universität in Prag.

Um die gigantische Datenmenge bewältigen zu können, erschufen wir eine Big Data Pipeline unter Einsatz von eigens hierzu designten Datenstrukturen auf Apache Spark und der Hadoop Plattform. Die Resultate unserer Kundendaten-Bewertung, wurden unabhängig überprüft durch die Data Analysts der Equa Bank. Sie bestätigten die hohe Präzision unseres Vorhersage-Modells (87% AUC). Und nicht nur das: Sie kamen zu dem Ergebnis, dass unser Kaufneigungs-Score bei rund 70% des Kundenstammes effektiv war – inklusive neuer Kunden, inaktiver Kunden und jenen ohne Kredit-Vorgeschichte.

MEHRWERT FÜR DAS TARGETING PROFINIT MODELL TRADITIONELLES MODELL 68% 1% 31% SPARER UND KAUM AKTIVE KUNDEN STANDARD-KUNDEN UND NEUE KUNDEN REGELMÄSSIGE KREDITNEHMER

Tools & Technologien

  • Profinit’s Kaufneigungs-Score-Lösung
  • Hadoop
  • Apache Spark
  • Python

Zusammenfassung

Bei unserem Kunden Equa Bank führten wir ein hochmodernes Modell zur Berechnung der Kaufneigung ein. Damit konnte die Aufnahme von Kleinkrediten wie folgt verbessert werden:

  • Berechnete Neigungs-Scores für alle Bankkunden
  • Hoch-präzises Vorhersage-Modell für zukünftige Kredit-Anträge
  • Geschaffener Business-Mehrwert für rund 70% des Kundenstammes – bestätigt durch Equa Bank Analysten
  • Anwendbar sogar bei neuen und inaktiven Kunden ohne Kredit-Vorgeschichte.

Würde Ihre Bank von der Nutzung dieser Spitzen-Technologie profitieren?

Profinit verbessert die Art und Weise, wie Organisationen intern auf Daten zugreifen und sie für ihr Business nutzen. Wir zeigen Ihnen gerne, wie das geht.

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.