Um Kundentransaktionen nützlich analysieren zu können, sollten sie zuerst einmal klassiert werden. Beim sogenannten Personal Finance Managern (kurz PFM) macht dies der Kunde heutzutage häufig gleich selber und zwar entweder völlig manuell oder mittels Vorschlägen vom System. Hat man sich einmal dazu entschieden, welche Datenklassen für die spätere Weiterverwendung hilfreich sind, bietet sich für die automatische Klassierung ein Verfahren aus dem Bereich des maschinellen Lernens an. Gute Ergebnisse wurden dabei mit dem SVM-Verfahren (Support Vector Machine) erzielt. Dazu braucht es ein mittelgroßes und gut diversifiziertes Training-Set und ein ebenbürtiges Test-Set an Transaktionsdaten. Nebst dem reinen Text der Transaktion sind Metadaten wie Textcodes, Buchungstypen etc. sehr hilfreich. Um erste Erfahrungen zu sammeln, sollte die Klassengröße zu Beginn bei 10 bis maximal 15 Klassen liegen. Die optimale Anzahl hängt auch mit dem Umfang und der Qualität von zusätzlichen Metadaten zusammen. Die Prüfung der Klassifikationsqualität mithilfe des Test-Sets ist hierbei von unschätzbarem Wert. Mit dessen Hilfe lassen sich Qualitätskennzahlen wie Ausbeute und Präzision oder Kombinierte Kennzahlen wie F1 (harmonisches Mittel von Ausbeute und Präzision) ermitteln. Ob Ausbeute oder Präzision wichtiger ist, hängt von der Anzahl der Klassen und der weiteren Verwendung der Resultate ab. Tendenziell sollte die Qualität höher gewichtet werden.
Analyse für Kundenbindung
Sind die Transaktionen einmal in guter Qualität vorhanden, können darauf aufbauend weitere Verfahren zur Analyse gemacht werden. Dies können wieder komplexe mathematische Verfahren sein oder auch ganz banale im Sinne von: „Alle Kunden mit Transaktionen der Klasse „Kleinkindnahrung und Zubehör“ der letzten zwei Monate von mehr als EUR 100.00 die noch kein Jugendkonto bei uns haben.“ Letztere lässt sich, wenn man die Transaktionsklassierung in die Datenbank speichert, mit einer relativ einfachen Datenbankabfrage umsetzen. Das Ziel dieser Analyse ist klar: Man möchte dem jungen Nachwuchs ein Jugendkonto offerieren und (zukünftige) Kunden an das eigene Haus binden. Es gibt unzählige Informationen, die man ableiten kann. Am besten beschränkt man sich zunächst auf ein paar wenige Themen, um die potenziellen Kunden dazu ermitteln zu können. Als Beispiele lassen sich Kunden anführen, die bald ein Eigenheim kaufen möchten; die Interesse an Wertpapieren zeigen; die eine Debitkarte verwenden, wo eine Kreditkarte sinnvoller wäre; oder die Transaktionen wiederkehrend manuell ausführen, die sich aber automatisieren lassen, wie etwa eine E-Rechnung oder ein Lastschriftverfahren.
Die richtige Fragestellung macht‘s
Als weiterführender Schritt braucht es jetzt Ideen, wie man die gewonnen Informationen in der Praxis verwendet. Mögliche Fragestellungen hierfür sind: Bekommt der Kundenberater eine Liste und muss die Kunden anrufen? Wird die Information zur Kreditkarte auf der nächsten Debitkartenabrechnung angedruckt? Wird das Angebot für eine Eigenheimfinanzierung dem Kunden im E-Banking mit Kontaktmöglichkeit angezeigt? Zusammen mit dem Channel-Management für die Verwendung der gewonnenen Informationen kann auch gleich die Messung der Wirksamkeit definiert werden. Schließlich soll sich die Investition in technologische Verfahren auch lohnen.
Das Recht nicht außen vor lassen
Bei all den technischen Möglichkeiten darf man die Aspekte vom Datenschutz und Compliance nicht außer Acht lassen. Nicht alles, was möglich ist, ist auch erlaubt oder wird gern gesehen. Beim Thema „Kundenüberwachung“ läuft man trotz Facebook & Co. als Bank immer noch Gefahr, einen Reputationsschaden zu erleiden.
So hat beispielsweise der Schweizerische Datenschutz- und Öffentlichkeitsbeauftragter in einem konkreten Fall diesen Sommer entschieden, dass das Finanzinstitut Transaktionen von Kunden nur dann auswerten darf, wenn der Kunde darüber informiert worden ist und dieser Auswertung zugestimmt hat. Es lohnt sich daher, die rechtlichen und regulatorischen Rahmenbedingungen gründlich abzuklären und vorzusorgen. Reine interne technische Versuche ohne reale Nutzung mit anschließender Vernichtung oder Anonymisierung der Daten um die Möglichkeiten zu evaluieren, sollten grundsätzlich kein Problem sein.
