1 / 91

Die Linusbank Problembeschreibung Projektplan Data Understanding Data Preparation Modeling

Die Linusbank Problembeschreibung Projektplan Data Understanding Data Preparation Modeling Kampagnen-Management Fazit Literatur. Die Linusbank Allgemeine Marktübersicht. Höhere Preissensitivität Häufig 2 bis 4 Bankverbindungen Entwicklung kostenloser Girokonten : 2000: gesamt: 6 %

bliss
Download Presentation

Die Linusbank Problembeschreibung Projektplan Data Understanding Data Preparation Modeling

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 Problembeschreibung Projektplan Data Understanding Data Preparation Modeling Kampagnen-Management Fazit Literatur

  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 500.000Kunden • 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 Data Understanding Data Preparation Modeling …

  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-Kampangenhoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kundenadressieren. Leider können wir den Erfolg von Kampagnennur 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 Bindungerhöhen • Wertvolle Kundenidentifizieren • Kosten reduzieren • Erfolgsmessung für Marketingkampagnen einführen

  7. Die Linusbank Problembeschreibung Projektplan Projektablauf Koordination der Projektarbeit Data Understanding Data Preparation Modeling 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 Projektarbeit • http://altranprojektseminar.wikispaces.com

  10. … Projektplan Data Understanding Übersicht über vorhandene Daten Produktverteilung Produkterträge Kundenanalyse Kundenwertkonzept Data Preparation …

  11. Deskriptive AnalyseÜbersicht über vorhandene Daten

  12. Deskriptive AnalyseProduktverteilung (Gesamt) • Girokonto hat größten Produktanteil • Kredit nur vergleichsweise geringer Anteil • Anteil für Riester und Sparenminimal

  13. Deskriptive AnalyseProduktverteilung (im Monat Juni)

  14. Deskriptive AnalyseProduktverteilung (im Monat Dezember)

  15. Deskriptive AnalyseProduktverteilung • Deutliche Unterschiede in der Produktverteilung zwischen den Monaten Juni und Dezember erkennbar • Zurückzuführen auf wirksame Marketingkampagnen • Alle Informationen über erstes Halbjahr im Datensatz für Juni enthalten • Juni - Datensatz stellt Basis unserer Annahmen und Berechnungen dar • Später: Vergleich und Güteanalyse mit Daten des Dezembers

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

  17. … Projektplan Data Understanding Übersicht über vorhandene Daten Produktverteilung Produkterträge Kundenanalyse Kundenwertkonzept Data Preparation …

  18. Deskriptive AnalyseKundenanalyse 1/4 Die absolute Zahl der Kunden, die 1, 2, 3, 4 oder 5 und mehr Produkte besitzen Die relativen Änderungen der Kunden mit einer bestimmten Anzahl an Produkten

  19. Deskriptive AnalyseKundenanalyse 2/4 Umsatzanalyse nach Monaten sowie Zahl der Kunden, die einen Vertrag abgeschlossen haben und Zahl der abgeschlossenen Verträge.

  20. Deskriptive AnalyseKundenanalyse 3/4 • Übersicht über das Volumen von Kreditkunden abhängig von der Kreditwürdigkeit

  21. Deskriptive AnalyseKundenanalyse 4/4 • Mehr Filial- als Onlinekunden • KaumUnterschiede in der Altersstruktur im Vergleich Online/ Offline

  22. Deskriptive AnalyseKundenwertkonzept 1/3 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 • Kundendeckungsbeitragsrechnung • Kunden-Scoring-Modelle • Kunden-Portfolio-Analyse • Customer Lifetime Value Quelle: http://www.mapone.de/images/abcanalyse.jpg

  23. Deskriptive AnalyseKundenwertkonzept 2/3 Kundenwert lässt sich über viele Faktoren bestimmen: • Beziehungsdauer • Kreditwürdigkeit • Transaktionsvolumen • Erwartete Kaufwahrscheinlichkeit für die Zukunft • Generierter Umsatz • Hohes Einkommen Durch welche Daten lassen sich solche Kunden erkennen? • Kreditvolumen • Kreditwürdigkeit • Einlagen - Netto - Volumen • Einlagenvolumen • Saldo Girokonto • Beziehungsdauer

  24. Deskriptive AnalyseKundenwertkonzept 3/3 Versuchsansatz: 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 Mögliche einflussreiche Größen für Kundenwertbestimmung: • 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. … Data Understanding Data Preparation Modeling Kampagnen-Management Fazit Literatur

  26. Data PreparationDatenbereinigung 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 aufweisen müsste 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)

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

  28. Tabelle Konten und Kunden Verknüpfung der beiden Tabellen für jeden Monat mit den Informationen: Beziehungsdauer Alter Vertriebskanal Produktnutzungsdauer (Giro, Zins, Kredit, Riester, Depot, Sparkarte) Nutzen der Produkte wurde binär kodiert Kunde nutz Produkt 1 Kunde nutz Produkt nicht 0 Alter: bis 17: Minderjährig(wird ausgeschlossen) 18-2930-3940-4950-59ab 60 Beziehungsdauer: 0-3: Neukunde3-12: 1 Jahr13-24: 2 Jahre25-60: 3-5 Jahre51-120: 6-10 Jahreab 121: mehr als 10 Jahre Data PreparationTransformierung von Datensätzen

  29. Data PreparationKundenwert • Für eine erste Analyse genügt ein relativ einfacher Initialkundenwert, der auf Basis des Laufzeitertrags ermittelt wird. In weiteren Schritt kann anhand von den verschiedenen Prognosemodellen einScore für jeden Kunden erzeugt werden, der in einen präziseren und feiner abgestimmten Kundenwert einfließt. • Für die aktuelle Aufgabe genügt der Initialkundenwert. • Kunden haben zu einem bestimmten Zeitpunkt ein eine Menge an Produkten mit unterschiedlichem Ertrag erworben • Je nach Ertrag erzeugen diese Kunden einen höheren oder niedrigerenUmsatz • Kunden werden anhand dieses Umsatzes in verschiedene Werte-Klassen eingeteilt

  30. Data PreparationKundenwert • Ermittlung des Kundenwertes abhängig von der Zielstellung, wobei Ziele nicht klar voneinander trennbar sind: • Erhöhung der Kundenbindung? • Steigerung der Produktdurchdringung je Kunde? • Steigerung des durchschnittlichen Umsatzes? • Verbesserung der Kundenzufriedenheit? • Hier:Steigerung der Produktdurchdringung und erhöhen des Umsatzes • (Cross Selling)

  31. Data PreparationKundenwert • Dazu: Ermittlung passender Kennzahlen notwendig. • Möglich sind: • Einlagenvolumen • Kreditwürdigkeit • Produktumsatz • Beziehungsdauer • ABER: • Modell soll möglichst einfach gestaltet werden, sodass so viele Eigenschaftenwie • notwendig und so wenige wie möglich verwendet werden. • Dafür bieten sich der Produktumsatz (Laufzeiterträge) und das erwartete Cross • Selling Potential an (ermittelt anhand der Prognosemodelle)

  32. Data PreparationKundenwert Vorgehen zur Kundenwertbestimmung Zweistufiges Vorgehen: • Schritt 1: • Initialkundenwert besteht lediglich aus Produktumsatz, da Potential noch nicht bekannt ist • Dieser Kundenwert fließt in Prognose-Modell ein • Schritt 2: • tatsächlicher Kundenwerterzeugt durch neuen Kundenwert aus Ergebnis des Prognose-Modells • Berechnung anhand der Scores für die einzelnen Kaufwahrscheinlichkeiten der Produkte

  33. Data PreparationKundenwert • Berechnung Initialkundenwert: • Summe der Laufzeiterträge der Kunden und Einteilung in Klassen A bis E • Berechnung des tatsächlichen Kundenwertes: • Summe der Einzelscores für die Kaufwahrscheinlichkeiten für die 5 Produkte • (Maximal erreichbarer Wert: 5 Punkte) • Beinhaltet durch Berücksichtigung des Initialkundenwertes bereits die jeweiligen Umsätze • erneute Einteilung der Kunden in Klassen A bis E anhand der Höhe des • Gesamtscores.

  34. Data PreparationKundenwert Hilfsmittel: ABC-Analyse • Klassische ABC-Analyse gruppiert Kunden prozentual in Klassen ein, die einen bestimmten Umsatzanteil ausmachen • jedoch in SQL extrem komplex zu implementieren • Abgewandelter Algorithmus sortiert Kunden absteigend nach Umsatz und ordnet absolute Mengen in die Klassen ein, sodass die ersten 50.000 Kunden mit dem höchstenUmsatz Klasse A darstellen, die nächsten Kunden Klasse B usw. • Die Mengen wurden so definiert, dass ca. 20 % der Kunden (A und B) 80 % des Umsatzes generieren • A: 0 - 50.000 • B: 50.000 – 100.000 • C: 100.000 – 150.000 • D: 150.000 – 200.000 • E Über 200.000

  35. … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle …

  36. ModelingAssoziationsanalyse 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.

  37. AssoziationsanalyseVorbereitung 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

  38. AssoziationsanalyseEinstellungen • Der Datenfluss im Diagramm: • Reduzieren der Werte, da Transaktionen wie Kredit oder Riester im verhältnis zur Gesamtzahl der Transaktionen relativ selten auftreten. Sie sollen aber trotzdem in der Analyse erscheinen • Die Filtereinstellungen, um nicht zu berücksichtigende Produkte auszuschließen:

  39. AssoziationsanalyseErgebnis 1/2 • Das Ergebnis der Analyse mit dem ermittelten Warenkorb. • Hier zu sehen sind nur die Regeln, die auf der rechten Seite genau ein Ergebnis erzeugen.

  40. AssoziationsanalyseErgebnis 2/2 • Überblick über alle erzeugten Regeln:

  41. AssoziationsanalyseFazit • Häufig zusammen gekauft werden Zins, Depot und Riester in allen möglichen Kombinationen. • Macht Sinn, da alle drei Produkte im Kern Sparprodukte darstellen. • StarkenLift erzeugen Riester-Produkte, die sowohl für Zins, als auch Zins 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.

  42. … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle Kampagnen-Management Fazit Literatur

  43. ModelingClusteranalyse 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?

  44. ClusteranalyseVorbereitung der Daten für 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

  45. ClusteranalyseVorgehen • 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 keineHäufung mehr auftrat. • Als wichtigeVariablen zeigt sich stets die Beziehungsdauer, die Vermögensausprägung, Giro, Depot, Zins, Kredit.

  46. ClusteranalyseErgebnis 1/5 • Ergebnis der Clusteranalyse

  47. ClusteranalyseErgebnis 2/5 • Das Ergebnis der Analyse mit dem ermittelten Distanzgraphen.

  48. ClusteranalyseErgebnis 3/5 • Das Alter wurde nicht in die Cluster-Unterscheidung einbezogen.

  49. ClusteranalyseErgebnis 4/5 • Die Verteilung der Produkte auf die verschiedenen Cluster

More Related