Data Driven Analytics-basierte Tools sind das entscheidende Element jener Services, die die Art und Weise, wie Sie sich als Nutzer verhalten, nutzen und so die Inhalte auf Kanälen für Milliarden von Nutzern revolutioniert haben. Das Modell der gesamten Umsetzung durch digitale Kanäle wird zunehmend von intelligenten Algorithmen und Tools bestimmt, die die Erwartungen der Benutzer erfassen und in Vorschläge und Benutzererfahrungen umsetzen. Netflix gibt an, dass 80 % der Inhalte auf der Plattform von personalisierten Empfehlungs-Tools stammen; für Amazon wird geschätzt, dass 35 % der E-Commerce- Käufe aus automatischen Vorschlägen stammen.
Aber auch wenn diese Dienste bis jetzt nur den großen Spielern des Webs eigen waren und der Schlüssel zu ihrem Erfolg waren, können sie jetzt potenziell von jedermann rasch und kostengünstig implementiert werden. All dies ist derzeit dank zweier wichtiger Faktoren möglich: zum einen die sofortige Verfügbarkeit von Daten in Kombination mit der Rechenleistung skalierbarer Architekturen auf Clusterbasis (Big Data) und zum anderen die Übernahme von Bibliotheken und Computermodellen auf der Basis fortgeschrittener Heuristiken, basierend aufMachine Learning. Diese Art von Tools ist inzwischen über Open-Source-Lösungen verfügbar, die aus technologischer Sicht leicht integrierbar sind.
DIE INITIATIVE DER BANCA MEDIOLANUM
Mit dem Ziel einen Advanced Analytics-Ansatz zu testen, umfasst die Laborinitiative Data Analytics der Banca Mediolanum die Partnerschaft zwischen den Teams Marketing Research und Reply zur Entwicklung fortschrittlicher Datenanalysemechanismen und zur Schaffung proaktiver und maßgeschneideter Dienstleistungen für den Kunden.
Ein erstes erfolgreiches Ergebnis der laufenden Projekte war die Entwicklung einer Plattform für die Analyse und Syntheseautomatischer Empfehlungen, die darauf abzielt, maßgeschneiderte kommerzielle Angebote für die Katalogprodukte der Bank zu unterbreiten. Die Initiative hat es ermöglicht, eine experimentelle Plattform für die Erstellung und Auswertung Data Driven Services in Form einer Recommendation Engine zu schaffen.
TESTEN EINER RECOMMENDATION ENGINE IN DER BANK
Eine Recommendation Engine kann als ein Mechanismus beschrieben werden, der in der Lage ist, basierend auf der Verhaltensbewertung einer Gruppe von Kunden in Echtzeit eine personalisierte Empfehlung abzugeben.
Das Prinzip einer Recommendation Engine basiert auf dem Konzept des Collaborative Filtering, also der Möglichkeit, ähnliche Nutzer in einer breitenKundenbasis herauszufiltern. DasÄhnlichkeitsprinzip kann mit Tools desMachine Learning auf Grundlage des jeweiligenGeschäftskontexts (Retail, wie im Falle der großen E-Commerce-Player, oder Financial Services, wie in diesem Fall), sowie auf der zeitnahen Analyse der für einzelne Kunden beobachteten Ereignisse (z. B. gekaufte Produkte, Navigationsverhalten auf Kanälen, Suchen und Aktionen im Banking Center, etc.). Auf dieser Basis können sie berechnet werden:
• Ähnliche Kunden: Nutzer, die die gleichen Einkäufe tätigen;
• Ähnliche item: item (Produkte), die von ähnlichen Kunden gekauft werden.
In dem für die Banca Mediolanum implementierten business case fungiert die Recommendation Engine als analytischer Filter für den Kundenstamm. Die Grundidee legt nahe, dass, wenn es möglich ist, eine Anzahl von Nutzernzu erkennen, die eine bestimmte Abfolge von Käufen der gleichen Produkte betreiben, es möglich ist, vorauszusehen, dass alle Kunden, die bisher Ähnlichkeit mit dieser Abfolge von Ereignissen gezeigt haben, ihr Portfolio mit den fehlenden Produkten vervollständigen (Beispiel in Abb. 1). Es handelt sich um ein sehr intuitives Konzept, dessen Implementierung jedoch in Gegenwart von massiven Datenströmen und Berichten über die Geschichte der Ereignisse von Millionen von Benutzern und Tausenden von Produkten im Katalog sehr komplex wird.
VERWENDUNG EINER RECOMMENDATION ENGINE
Auf Grundlage der quantitativen Messung der Ähnlichkeit ist es umgehend möglich, eine Liste von personalisierten Empfehlungen zu erhalten, die leicht für jeden Kunden in Echtzeit anwendbar sind. Gemäß der von Reply entwickelten Robotics for Customers-Methode, kann der Einsatz einer Recommendation Engine perfekt in die Prozesse einer Organisation integriert und leicht in eine Service-Plattform (z. B. über Webservices oder API) übernommen werden. Aus Sicht des Marketings lassen sich beispielsweise drei Hauptanwendungsbereiche nennen. Insbesondere kann der Dienst genutzt werden, um:
• die Kaufbereitschaft einzelner Kunden abzuschätzen und basierend darauf Ziellisten für gezielte Kampagnen zu extrahieren;
• den Außendienst mit gezielten Vorschlägen zu unterstützen, die über CRM-Dashboards direkt in Kundenmeetings eingesetzt werden können;
• Kampagnen in Echtzeit zu verwalten, die den Kunden über Online-Kanäle (z. B. Touchpoints) direkt zugänglich sind.
Im Gegensatz zu den Retail-Szenarien, bei denen die Produkte typischerweise gut definiert und lesbar sind, weist der Katalog bei den Financial Services eine Reihe von Besonderheiten auf, die mit dem Lebenszyklus der Produkte sowie den Bedürfnissen und der momentanen Situation der Kunden zusammenhängen (z. B. benötigt ein Kunde eine Hypothek oder eine Police nur in bestimmten Lebenssituationen).
DIE VERWENDETEN ALGORITHMEN
Die für die Banca Mediolanum konzipierte Empfehlungsmaschine verwendet zwei verschiedene Berechnungsmodelle, die nach zwei verschiedenen Logiken implementiert sind:
• Matrixfaktorisierung ermöglicht es, ein Ereignis einzugrenzen und für einen bestimmten Kunden als relevanter einzustufen, je mehr Ereignisse dieser Art von selchen Kunden angezeigt werden, die in der Vergangenheit ein ähnliches Verhalten gezeigt haben. In diesem Modell wird typischerweise ein Schlüsselereignis beobachtet: z.B. ein primäres Konvertierungsereignis (Kauf eines item);
• Das Co-Occurrence-Prinzip basiert auf der Berechnung der Ähnlichkeiten zwischen Kunden in Bezug auf die beobachteten Ereignisketten. Die Logik dahinter ist in diesem Fall, dass ein Ereignis für einen bestimmten Kunden umso relevanter ist, je mehr Konfigurationen und Ereignisketten es gegeben hat, die jeweils bei anderen Kunden zum Kauf geführt haben. Im Gegensatz zum Modell der Matrixfaktorisierung ist es in den Co-Occurrence-Modellen möglich, heterogene Ereignisse zusammenzuführen. Tatsächlich können sie als Datenströme in Echtzeit betrachtet werden, wie Aktionen auf den Kanälen gekaufte, angesehene, gesuchte Artikel, etc.
TESTVERFAHREN UND ERGEBNISSE
Die Implementierung des Berechnungsmodells ermöglichte die Erstellung eines Pilotfalls, für den die Daten ausgewählter Kunden, zu einem Zeitpunkt. Beobachtet und zur Auswertung herangezogen wurden. Für jeden der an diesem Datum ausgewählten Kunden haben wir uns auf ein Foto der Produkte im Portfolio und einige persönliche Daten (Alter, Geschäftsprofil, Anlageklasse usw.) gestützt. Basierend auf diesem Kundenstamm wurde anschließend eine Reihe von Empfehlungsmodellen auf Basis von Machine-Learning-Algorithmen getestet.
Die Lösungen wurden mit verschiedene Parametereinstellungen konfiguriert, um einen Vergleich der jeweiligen Lösungen zu ermöglichen und die Effektivität der Ergebnisse experimentell zu testen. Die Bewertung ergab sich aus einer Projektion der Ergebnisse, also aus dem Vergleich der Antworten der Modelle mit den tatsächlichen Verkaufsdaten , welche nach dem Datum t0 beobachtet wurden.
Die betrachteten Metriken in Bezug auf eine Benchmark-Empfehlung zeigten eine deutliche Verbesserung derPrecision-Werte von bis zu +167 % und denen von Recall bis zu +974 % [1] und boten somit einen entscheidenden Anreiz für die Implementierung dieser Modelle in der Produktion
FAZIT
Im Gegensatz zu traditionellen Ansätzen, die auf Segmentierung und Profilerstellung basieren und teure analytische Studien erfordern, um jeden Kunden einem Personen-Cluster zuzuordnen, sind es in diesem Fall die bereits verfügbaren Daten, die den Prozess des collaborative filtering und damit den Auswahlprozess des besten Angebots steuern.
Der Mindestdatensatz primärer Ereignisse, auf dem eine Recommendation Engine basieren soll, kann in der Regel aus Verkaufsdaten extrahiert werden, welche normalerweise aus einem handelsüblichen Datawarehouse extrahiert werden können.
Die Möglichkeit Daten mit kleinstmöglichem Aufwand leicht zugänglich und verfügbar zu machen, muss mit beträchtlichem Return on Investment zusammen mit der einfachen Implementierung des Prozesses berücksichtigt werden . Der Pilotfall der Banca Mediolanum wurde im Vergleich zur Business-Intelligence-Infrastruktur der Bank völlig anders umgesetzt und als Cloud-Plattform-Servicelösung entwickelt.
[1] Precision bezieht sich auf die Anzahl der Käufe der empfohlenen Produkte geteilt durch die Anzahl der empfohlenen Produkte. Recall bezieht sich auf die Anzahl der Käufe der empfohlenen Produkte geteilt durch die Gesamtzahl der Käufe.