KI ist kein Mysterium! Anwendungsszenarien für Vertrieb und Marketing

Seit Jahren gilt die KI als „the next big thing” im Finanzsektor. Ob bei Fraud Prevention und Risk Management, der Beratung oder optimierten Kundenansprache: Der Einsatz smarter Algorithmen und lernender Systeme ist in aller Munde. Jedes größere und mittlere Finanzunternehmen hat wohl inzwischen damit experimentiert. Erfolgreiche Umsetzungsansätze und skalierbare Projekte bleiben dennoch erstaunlich rar.

von Michael Altendorf, CEO bei Adtelligence

Wie so oft folgt auf den ersten Hype die Ernüchterung. Zu lange würde der Aufbau des nötigen Know-hows dauern. Zu teuer sei der Einkauf passender Technologie. Zu hoch der Investitionsbedarf beim Aufrüsten und Fitmachen alter Legacy Systeme. Die Frustration in Entscheider-Kreisen ist spürbar.

Dabei ist der Einsatz von KI kein Hexenwerk, sondern vor allem eine Frage der richtigen Strategie und Anwendung.”

Der Knackpunkt: Es gibt nicht die eine KI, kein „one size fits all”. Im Gegenteil, je nach Einsatzgebiet, Zielstellung und Rahmenparameter gilt es, die genau passende Lösung aufzusetzen. Ob beispielsweise beim Datenmanagement im Bereich Vertrieb und Marketing ein einfaches Scoring und Clustering oder ein neuronales Netz die besten Ergebnisse liefert, entscheidet sich anhand der konkreten Problemstellung und dem Anspruchslevel.

Das A und O: Eine klare Zielsetzung

Für das reine Automatisieren von Aufgaben und Prozessen genügen einfache Algorithmen, die mit klaren Berechnungsvorschriften Entscheidungen treffen. Komplexer wird es, wenn auf einer bestimmten Datenbasis Analysen und Wahrscheinlichkeitsberechnungen für das Optimieren von Ergebnissen durchgeführt werden sollen.

Erst wenn es darum geht, in vorhandenen Daten Muster und Gesetzmäßigkeiten zu erkennen und daraus gänzlich neue Lösungen zu entwickeln, kommt KI im engeren Sinne ins Spiel. Durch Maschinelles Lernen sind diese Systeme dann in der Lage, aus Erfahrungen zu lernen, sich auf neu eingehende Informationen einzustellen und Aufgaben zu bewältigen, die menschenähnliches Denk- und Lernvermögen erfordern.

Dabei geben die eingesetzten Algorithmen eher den Weg des Lernens vor, statt einen festen Weg der Problemlösung.”

Eine klare Vorstellung, was die KI im konkreten Fall leisten soll – Automatisieren, Optimieren oder Lernen – ist für Anwender unerlässlich. Denn Aufwand und Kosten richten sich danach. Dabei fallen heute noch die allermeisten Einsatzfelder im Finanzsektor in die ersten beiden Kategorien. „High End“ Deep Learning Lösungen sind hier im besten Falle überteuert, im schlechtesten Falle völlig unbrauchbar, weil sie für die Anwendung nicht erforderlich sind oder schlichtweg nicht taugen.

First Step: Grundlagen schaffen

Auch die modernsten, sich selbst trainierenden Systeme sind kein Garant für Erfolg, sondern Werkzeuge, die richtig eingesetzt werden wollen. Für den perfekten Fit zwischen Aufgabenstellung und Technologie braucht es noch immer menschliche Intelligenz. Ebenso braucht es eine gute Datengrundlage, aus der die Algorithmen verlässliche Ableitungen ziehen können. Schlechte Daten erzeugen auch mit KI nur „dumme“ Ergebnisse.

Genauigkeit, Vollständigkeit, Aktualität, Relevanz, Konsistenz über mehrere Quellen, Zuverlässigkeit und Zugänglichkeit – all das sind wesentliche Aspekte einer guten Datenbasis, die es möglichst vor dem Aufsatteln einer KI herzustellen gilt.”

Meistens geht es dabei um Aktualisierung, Standardisierung und Deduplizierung von Einträgen, sodass ein einheitlicher Blick auf Daten möglich wird, selbst wenn sie sich in unterschiedlichen Systemen befinden. So ist oft der erste Schritt eines KI-Projektes beispielsweise im Vertrieb, Bestandskundendaten, CRM-, Transaktions- und Nutzerdaten sowie weitere relevante Kennziffern zusammenzuführen und nutzbar zu machen. Die gute Nachricht: Es gibt Dienstleister, die dabei unterstützen.

Next Step: Use Cases definieren

Wie bei anderen IT- und Entwicklungsprojekten, ist es auch bei KI ratsam, sich langsam heranzutasten. Je konkreter und abgegrenzter ein Projekt, desto besser. Drei Beispiele aus dem Bereich Vertrieb und Marketing, von denen Banken und Finanzdienstleister in hohem Maße profitieren können:

1. Kunden besser verstehen lernen: Eine intelligente Auswertung des Online-Verhaltens der Kunden kann sichtbar machen, wie sie das Unternehmen und seine Angebote tatsächlich erleben. Denn im Schnitt sind es nur etwa 30 Prozent, die ein Angebot so wahrnehmen und nutzen, wie es vom Anbieter aufgesetzt ist. Zu wissen, an welcher Stelle ein Kunde vom vorgesehenen Pfad abweicht, hilft beispielsweise dabei, Kaufabbrüche zu reduzieren. Durch eine automatische Segmentierung der Kundendaten kann KI dabei Kundengruppen mit ähnlichem Klickverhalten und Bedürfnissen herausfiltern. Dieses Wissen bietet eine optimale Grundlage zur Verbesserung der Customer Journey.

2. Persönlich werden: Mit KI können Unternehmen die Bedürfnisse einzelner digitaler Besucher erkennen und dynamisch und in Echtzeit bedienen – beispielsweise mit einer personalisierten Webseiten-Variante. Dazu werden in der Regel Userdaten aus internen und externen Quellen zusammengeführt und analysiert, zum Beispiel aus CRM, DMP, BI oder Analytics. Im Betrieb werden die Nutzerdaten dann direkt erfasst und bewertet und darauf basierend die für den einzelnen Nutzer beste Variante für die Anwendung ausgespielt. Die Art, wie der Nutzer in dieser Variante klickt, kauft und sich bewegt, wird wiederum getrackt und zur weiteren Optimierung eingesetzt. Der Vorteil: Innerhalb kürzester Zeit können so auch zweistellige Steigerungsraten bei den Klickraten erzielt werden.

3. Ungenutzte Geschäftspotenziale heben: Mit der Erfassung und Kombination aller verfügbaren Bestandskundendaten lassen sich Kundenbedürfnisse und Potenziale erkennen, die in der isolierten Betrachtung der Datensätze nicht auffallen würden. Werden diese Daten analysiert und segmentiert, können darauf aufbauend Cross- und Upselling-Kampagnen gestartet werden. Eine gute Basis für gezielte Vertriebsaktionen liefern unter anderem Kontobewegungen, Kreditkartentransaktionen, CRM- oder Produktdaten. Wer ein Auto anzahlt, hat beispielsweise häufig Bedarf an einer KFZ-Versicherung. Wer eine Reise bucht, kann möglicherweise eine Reiserücktrittsversicherung gebrauchen. Kommt das Angebot genau zur richtigen Zeit, wird sich das in der Conversion-Rate spiegeln.

Die genannten Fälle zeigen, wie sich künstliche Intelligenz im Vertriebs- und Marketingalltag einbinden lässt. Es gibt unzählige weitere Möglichkeiten.

Der Fantasie und Technik sind kaum Grenzen gesetzt.”

Alles, was es dafür braucht, ist eine klare Strategie. Umsetzungsvarianten lassen sich einfach finden, wenn die Rahmenbedingungen abgesteckt sind – oder im engen Austausch mit Technologiepartnern entwickelt werden.Michael Altendorf, Adtelligence