1 / 76

Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan

Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan Deskriptive Analyse Kundenwertkonzept Klassifikationsmodell Kampagnenauswertung. Die Linusbank Allgemeine Marktübersicht. höhere Preissensitivität Häufig 2 bis 4 Bankverbindungen

Download Presentation

Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan Deskriptive Analyse Kundenwertkonzept Klassifikationsmodell Kampagnenauswertung

  2. Die LinusbankAllgemeine Marktübersicht • höhere Preissensitivität • Häufig 2 bis 4 Bankverbindungen • Entwicklung kostenloser Girokonten: • 2000: gesamt: 6 % • 2005: gesamt: 10 % - 2 % Onlinekonten • 2010: gesamt 20 % - 19 % Onlinekonten • Allgemeine Demografie am Markt: • 21 % jünger als 30 • 15 % älter als 70 Jahre • 19 % zwischen 40 und 49 • andere Altersgruppen jeweils ca. 15 %

  3. Die LinusbankUnternehmenssicht • mittelgroße Filialbank mit 500.000 Kunden • 5 Produkte : • umfangreiches Data Warehouse mit historisierter Datenbasis • sowohl Online- als auch Filialgeschäft

  4. Die Linusbank Problembeschreibung Was der Kunde sagt Was der Kunde will Projektplan Deskriptive Analyse Kundenwertkonzept Klassifikationsmodell Kampagnenauswertung

  5. ProblembeschreibungWas der Kunde sagt "Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“

  6. ProblembeschreibungWas der Kunde will • Kosten für Kampagnen sehr hoch • Kunden nutzen wenige Produkte • Keine Erfolgsmessung der Kampagnen • Wertvolle Kunden unbekannt • Ziele: • Kundenzufriedenheit und Bindung erhöhen • Wertvolle Kunden identifizieren • Kosten reduzieren • Erfolgsmessung für Marketingkampagnen einführen

  7. Die Linusbank Problembeschreibung Projektplan Projektablauf Koordination der Projektarbeit Deskriptive Analyse Kundenwertkonzept Klassifikationsmodell Kampagnenauswertung

  8. ProjektplanProjektablauf • Orientierung des Projektablaufes an den Phasen des CRISP-DM • Einarbeitung in Bankgeschäft und Daten der Linusbank • Festlegen der Teilziele für Projektablauf • Erarbeiten von Kennzahlen auf Basis der vorhandenen Daten • Evaluation der erstellten Modelle und ableiten von Handlungsempfehlungen

  9. ProjektplanKooperation der Projektarbei

  10. Projektplan Data Understanding Übersicht über vorhandene Daten Produktverteilung Produkterträge Kundenstruktur Kundenwertkonzept Klassifikationsmodell Kampagnenauswertung

  11. Deskriptive AnalyseÜbersicht über vorhandene Daten

  12. Deskriptive AnalyseProduktverteilung • Girokonto hat größten Produktanteil • Kredit nur vergleichsweise geringer Anteil • Anteil für Riester und Spaern minimal

  13. Deskriptive AnalyseProdukterträge • Riester und Kredit haben die höchsten Anteile an den Erträgen • Zins, Giro und Depot vergleichsweise niedriger Ertragsanteil

  14. Deskriptive AnalyseKundenstruktur 1/2

  15. Deskriptive AnalyseKundenstruktur 2/2 • Mehr Filial- als Onlinekunden • Kaum Unterschiede in der Altersstruktur im Vergleich Online/ Offline

  16. Data Understanding Data Preperation Datenbereinigung Kundenwertkonzept … Modeling …

  17. Datenbereiningung Ausschluss von "toten" Kunden, um eine saubere Datenbasis für die Folgemodelle zu erzeugen? Nur bedingt sinnvoll, da diese Kunden durch die Kampagnen reaktiviert werden! Denkbarer Nutzen etwa bei Assoziationsanalyse für den Warenkorb, wobei Konten-Tabelle nur Kunden enthält, die mindestens ein Produkt besitzen Modelle arbeiten fehlerhaft, aber der gezielte Ausschluss (klar definierter) wertloser Kunden ist fehlerfrei, sodass das Endmodell eine höhere Güte aufweist Normierung der Datensätze erforderlich, da Daten sowohl metrisch skaliert vorliegen (z. B. Kredithöhe oder Beziehungsdauer) oder nominal bzw. ordinal (z. B. Geschlecht, Familienstand, Kreditwürdigkeit) Verbindung der Datensätze über die Kundennummer möglich (jeder Kunde hat eine eindeutige Kundennummer)

  18. Ausschluss von Datenmaterial • Produktnutzung_Giro und Dauer_Giro beinhalten die gleichen Fakten: • Wenn Dauer_Giro = 0 ist auch die Produktnutzung = 0 • Daraus folgt, dass Produktnutzung_Giro überflüssig ist • ebenso bei Giro, Zins, Kredit, Riester, Depot, Kreditkarte, Sparkarte, Baufinanzierung • Ausschluss von Kreditkarte, Baufinanzierung und Termingeld laut Aufgabenstellung (keine adäquaten Daten)

  19. Tabelle Konten und Kunden Verknüpfung der beiden Tabellen für jeden Monat mit den Informationen: Beziehungsdauer Alter Vertriebskanal Produktnutzungsdauer (Giro, Zins, Kredit, Riester, Depot, Sparkarte) Einteilung der Zeiten in Intervalle Nutzungsdauer: 0 Jahre1-12: 1 Jahr13-24: 2 Jahre37-60: 3-5 Jahreab 61: 6-10 Jahre Alter: bis 17: Minderjährig18-2930-3940-4950-59ab 60 Beziehungsdauer: 0-3: Neukunde3-12: 1 Jahr13-24: 2 Jahre25-60: 3-5 Jahre51-120: 6-10 Jahreab 121: mehr als 10 Jahre Erzeugung von Datensätzen

  20. SQL proc sql; create table altranbi.joindb as select * From altranbi.produkte , altranbi.konten where lower(name) = lower(produkt); run;

  21. Intervalle proc sql;/*- Transformation der Intervall-Daten Alter, Beziehungsdauer in diskrete nominale Intervalle- Speicherung von Produkt-Nutzung- Filterung von Minderjaehrigen Kunden*/drop table altranbi.kunden_binary200812;create table altranbi.kunden_binary200812 asselectd.kundennummer,casewhen d.alter < 18 then ' minderjaehrig 'when d.alter >= 18 and d.alter < 30 then ' 18-29 'when d.alter >= 30 and d.alter < 40 then ' 30-39 'when d.alter >= 40 and d.alter < 50 then ' 40-49 'when d.alter >= 50 and d.alter < 60 then ' 50-59 'else ' ab 60' end as Alter,d.vertriebskanal as Kanal,d.kreditwuerdigkeit,case vermoegensauspraegungwhen '2 -50 bis -25 Tsd.' then -1when '3 -25 bis -10 Tsd.' then -1when '4 -10 bis -5 Tsd.' then -1when '5 -5 bis -2,5 Tsd.' then -1when '6 2,5 bis -1 Tsd.' then 0when '7 -1 bis 0,25 Tsd.' then 0 when '9 0 Volumen' then 0when 'A 0 bis 0,25 Tsd.' then 0when 'B 0,25 bis 1 Tsd.' then 0when 'C 1 bis 2,5 Tsd.' then 0when 'D 2,5 bis 5 Tsd.' then 0when 'E 5 bis 10 Tsd.' then 1when 'F 10 bis 25 Tsd.' then 1when 'G 25 bis 50 Tsd.' then 1when 'H ab 50 Tsd.' then 1else 0 end AS vermoegensauspraegung,case d.produktnutzung_giro when 'G' then 1 else 0 end as Giro,case d.produktnutzung_kredit when 'K' then 1 else 0 end as Kredit,case d.produktnutzung_riester when 'R' then 1 else 0 end as Riester,case d.produktnutzung_zins when 'T' then 1 else 0 end as Zins,case d.produktnutzung_depot when 'D' then 1 else 0 end as Depot,casewhen d.beziehungsdauer <= 3 then ' Neukunde 'when d.beziehungsdauer >= 4 and d.beziehungsdauer < 12 then ' 1 'when d.beziehungsdauer >= 13 and d.beziehungsdauer < 24 then ' 2 'when d.beziehungsdauer >= 25 and d.beziehungsdauer < 60 then ' 3-5 'when d.beziehungsdauer >= 61 and d.beziehungsdauer < 120 then ' 6-10 'else ' Mehr als 10 Jahre' end as Beziehungsdauerfrom altranbi.kundendaten_200812 dwhere d.alter >= 18;run;

  22. Kundenwertkonzept Motivation: • Banken besitzen nur beschränkte Ressourcen für Aktivitäten der Kundenbindung • Ziel ist es Kundensegmente zu identifizieren, die den Einsatz dieser Ressourcen rechtfertigen • Ermöglichung einer spezifischen Art der Betreuung von Bestandkunden und potenziellen Neukunden • Ausschöpfung von Cross- & Up - Selling Potenzialen Mögliche Verfahren • Qualitative Segmentierung • ABC - Analysen • Kunden - Deckungsbeitragsrechnung • Kunden - Scoring - Modelle • Kunden - Portfolio - Analyse • Customer Lifetime Value

  23. Kundenwertkonzept Merkmale von "guten" Kunden: • mit hohem Kreditvolumen • geringer Kreditausfallwahrscheinlichkeit • mit hoher Einlage • mit hohen Einkommen • treu Durch welche Daten lassen lassen sich solche Kunden erkennen? • Kreditvolumen (VOLUMEN_KREDIT) • Kreditwürdigkeit • Einalgen - Netto - Volumen • Einlagenvolumen • Saldo Girokonto • Beziehungsdauer

  24. Gegenwärtiger Kundenwert • Kunden unterteilen in A, B und C Kunden • A Kunden sind wertvoll • B Kunden haben keinen besonderen Wert, schädigen die Linusbank aber nicht • C Kunden schädigen die Linusbank • Einflussreiche Größen • Produktnutzung_X --> X ist die Menge an Produkten, welche einen besonders hohen Anteil am Umsatz/Gewinn der Linusbank haben • Dauer_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank • Anzahl_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank • Volumen_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank • Kreditwürdigkeit --> Risikominimierung • Vermögensausprägung --> viel Vermögen bedeutet viel Kapital für die Linusbank • Beziehungsdauer --> Zeichen für Loyalität • Cross-Selling_Potenzial_X --> Möglichkeit der Aufwertung des Kunden durch Kampagnen

  25. Kundenwertbeispiel für Dez. 2008SQL proc sql;/*Berechne die Umsaetze fuer die Kunden im Monat Dezember*/DROP TABLE altranbi.kundenwert_200812;CREATE table altranbi.kundenwert_200812 ASSELECTsum(p.laufzeitertrag) + sum(p.jahresertrag) AS Umsatz, k.kundennummer, Gesamtumsatz, Gesamtkunden, Avg_Umsatz_je_Kunde, a.AbschlussFROMaltranbi.produkte pJOIN altranbi.konten k ON lower(k.produkt) = lower(p.name)CROSS JOIN (SELECTsum(laufzeitertrag+jahresertrag) AS Gesamtumsatz, count(DISTINCT kundennummer) AS Gesamtkunden, sum(laufzeitertrag+jahresertrag) / count(DISTINCT kundennummer) AS Avg_Umsatz_je_Kunde, AbschlussFROMaltranbi.produkte pJOIN altranbi.konten k ON lower(k.produkt) = lower(p.name)WHERE Abschluss = 200812GROUP BY k.Abschluss) aGROUP BY k.kundennummer;reset outobs=10000; /*Ordne den Kundendaten die passenden Umsaetze zu*//* A KUNDEN */DROP TABLE altranbi.a_kunden;CREATE TABLE altranbi.a_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kORDER BY Umsatz DESC;/* B KUNDEN */reset outobs=30000;DROP TABLE altranbi.b_kunden;CREATE TABLE altranbi.b_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kWHERE kundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden)ORDER BY Umsatz DESC;/* C KUNDEN */reset outobs=50000;DROP TABLE altranbi.c_kunden;CREATE TABLE altranbi.c_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kWHEREkundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden)ORDER BY Umsatz DESC;

  26. /* D KUNDEN */reset outobs=100000;DROP TABLE altranbi.d_kunden;CREATE TABLE altranbi.d_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kWHEREkundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.c_kunden)ORDER BY Umsatz DESC;/* E KUNDEN */reset outobs=;DROP TABLE altranbi.e_kunden;CREATE TABLE altranbi.e_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kWHEREkundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.c_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.d_kunden)ORDER BY Umsatz DESC; /*Enthaelt alle Kunden mit Werteklasse, Umsatz und Kundennummer*/DROP TABLE altranbi.kundenwert;CREATE TABLE altranbi.kundenwert ASSELECT "A" AS Klasse, kundennummer, Umsatz FROM altranbi.a_kunden;INSERT INTO altranbi.kundenwertSELECT "B" AS Klasse, kundennummer, Umsatz FROM altranbi.b_kunden;INSERT INTO altranbi.kundenwertSELECT "C" AS Klasse, kundennummer, Umsatz FROM altranbi.c_kunden;INSERT INTO altranbi.kundenwertSELECT "D" AS Klasse, kundennummer, Umsatz FROM altranbi.d_kunden;INSERT INTO altranbi.kundenwertSELECT "E" AS Klasse, kundennummer, Umsatz FROM altranbi.e_kunden;reset outobs=;

  27. /*Ordne den Kundendaten die passenden Umsaetze zu*/DROP TABLE altranbi.kundenwert12;CREATE TABLE altranbi.kundenwert12 ASSELECT * FROM altranbi.kunden_binary200812 kJOIN altranbi.kundenwert wON w.kundennummer = k.kundennummerORDER BY RANUNI(1234);/*Aufraeumen*/DROP TABLE altranbi.a_kunden;DROP TABLE altranbi.b_kunden;DROP TABLE altranbi.c_kunden;DROP TABLE altranbi.d_kunden;DROP TABLE altranbi.e_kunden;DROP TABLE altranbi.kundenwert_200812; SELECTa.Klasse,sum(a.Umsatz) AS SummeUmsatz,count(a.kundennummer) AS SummeKunden,sum(a.Umsatz) / UmsatzGesamt AS AnteilUmsatz,count(a.kundennummer) / KundenGesamt AS AnteilKunden,KundenGesamt,UmsatzGesamtFROM altranbi.kundenwert12 aCROSS JOIN (select sum(umsatz) AS UmsatzGesamt, count(kundennummer) AS KundenGesamt from altranbi.kundenwert12) bGROUP BY a.klasse;run;

  28. Zukünftiger Kundenwert • Wahrscheinlichkeit für Abschluss? • > Assoziazionsanalyse • > Cross / Upselling • > möglicher zusätzlicher Kundenwert • >

  29. Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle …

  30. Assoziationsanalyse Teil der Aufgabenstellung: Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester. Ziel der AnalyseEindruck darüber gewinnen, welche Produkte häufig gemeinsam genutzt werden.

  31. Vorbereitung der Daten für Assoziationsanalyse • Benötigter Datensatz: • Konten • Enthaltene Daten: • Kundennummer als ID • Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1 • Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0 oder 1 • Alter in 5 Stufen nominal • Kreditwürdigkeit (gut, schlecht, unbekannt) nominal • Beziehungsdauer • Kanal (Online, Filiale) binär

  32. Der Datenfluss im Diagramm

  33. Filtereinstellung

  34. Einstellungen im Detail

  35. Ergebnis Das Ergebnis der Analyse mit dem ermittelten Warenkorb. Hier zu sehen sind nur die Regeln, die auf der rechten Seite genau ein Ergebnis erzeugen.

  36. Ergebnis II

  37. Fazit Häufig zusammen gekauft werden Zins, Depot und Riester in allen möglichen Kombinationen. Das macht auch Sinn, da alle drei Produkte im Kern Sparprodukte darstellen. Einen starken Lift erzeugen Riester-Produkte, die sowohl für Zins, als auch Zins in Kombination mit Giro oder Depot häufig nachgefragt werden. Diese Produkte werden jedoch vergleichsweise selten verkauft.Handlungsmöglichkeiten: Kunden, die bereits ein oder mehrere Produkte besitzen, könnten entsprechend interessiert sein an den ermittelten Kombinationen. So bietet es sich an, Besitzer von Zins, die noch über kein Depot verfügen, ein Produktangebot vorzubereiten bzw. Depot-Besitzern auch Linuszins anzubieten.

  38. Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle …

  39. Clusteranalyse Teil der Aufgabenstellung:Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester. Ziel der Analyse Eindruck über die Kundenstruktur gewinnen. Gibt es typische Nutzergruppen, die ähnliche Eigenschaften aufweisen?

  40. Clusteranalyse • Benötigter Datensatz: Kunden_binary200812 • Enthaltene Daten: • Kundennummer als ID • Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1 • Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0 oder 1 • Alter in 5 Stufen nominal • Kreditwürdigkeit (gut, schlecht, unbekannt) nominal • Beziehungsdauer • Kanal (Online, Filiale) binär

  41. Clusteranalyse Nachdem der Clusternode keine zufriedenstellenden Ergebnisse hervorbrachte, kam der SOM-/Kohonen-Node zum Einsatz.Vorgehen: Sampling-Node mit Simple-Random (12345) als Starteinstellung und 4x6 Clustern. Anschließend Beobachtung des Distance-Plots auf eine gleichmäßige Verteilung der Cluster und Prüfung der Clusterhäufigkeit in den Statistics. Schrittweise Reduzierung der Clusterzahl brachte bei 2x3 Clustern das erste gute Ergebnis, bei dem die Cluster gut verteilt waren und keine Häufung mehr auftrat. Als wichtige Variablen zeigt sich stets die Beziehungsdauer, die Vermögensausprägung, Giro, Depot, Zins, Kredit.

  42. Der Datenfluss im Diagramm

  43. Das Ergebnis der Analyse mit dem ermittelten Distanzgraphen

  44. Der Überblick über alle erzeugten Ergebnisse.

  45. Das Alter wurde nicht in die Cluster-Unterscheidung einbezogen.

  46. Die Verteilung der Produkte auf die verschiedenen Cluster

  47. Kreditwürdigkeit und Vermögensausprägung Während Vermögensausprägung durchaus einen Einfluss hat, ist die Kreditwürdigkeit in allen Clustern gleich verteilt.

  48. Fazit Es zeigen sich drei auffällige Cluster-Gruppierungen. So gibt es stets ein Cluster Kreditkunden, das einen erheblichen Anteil an Kreditkunden beinhaltet, die eine stark negative Vermögensausprägung aufweisen und eine mittlere Beziehungsdauer ab 3 Jahren erreichen.Die zweite Gruppe sind die Sparkunden mit positiver Vermögensausprägung, langer Bindungsdauer teils über 10 Jahre und allen drei Spar-Produkten Zins, Depot und Giro.Die dritte Gruppe umfasst die verbleibenden Cluster mit vorrangig ausgeglichenem Vermögen und häufig einem Girokonto oder Depot.Handlungsmöglichkeiten:Es lässt sich erkennen, dass im Cluster der Sparkunden die klassischen Sparprodukte häufig nachgefragt werden. Ein Ansatz wäre, Kunden zu finden, die ebenfalls vermögend sind, aber noch nicht alle Produkte besitzen. Zusätzlich ist eine Aktion denkbar, bei der Kunden, die alle Produkte besitzen, aber nur geringe Einlagen aufweisen, zusätzliches Geld überweisen, weil sie mit hoher Wahrscheinlichkeit noch woanders über Konten mit Spareinlagen verfügen.

  49. Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle …

More Related