Komplexes Data Mining

Die Bank Austria Creditanstalt (Mitglied der UniCredit Group) verfügt in Österreich über ein Netzwerk von rund 400 Geschäftsstellen und beschäftigt rund 9.800 Mitarbeiter. Bereits in 2004 hatte die BA-CA das Projekt "Fit for Sales" gestartet, in dessen Rahmen die Vertriebssteuerung zentral ausgerichtet und das Direktmarketing neu aufgebaut werden sollten.

"Für uns ist entscheidend, 14-tägig Verkaufskampagnen durchzuführen, die auf relevanten Kundendaten basieren", erklärt Werner Widhalm, Leiter Unit Customer Knowledge Management. Bis dahin wurde mit dem klassischen (traditional) Data-Mining-Werkzeug Darwin gearbeitet. "Das war sehr zeitintensiv und zu aufwendig, um einen zweiwöchentlichen Rhytmus etablieren zu können", erinnert sich Widhalm.

Die hohe Frequenz der Aktionen ist jedoch wettbewerbsentscheidend: deshalb lautete die selbstgestellte Aufgabe, ein Tool für das Data Mining zu finden, das den gestiegenen Ansprüchen an Geschwindigkeit und Genauigkeit Rechnung tragen sollte. Im Rahmen des Evaluierungsprozesses wurde das Analytische Framework von KXEN als Lösungsmöglichkeit ermittelt.

Eingebunden in komplexe Strukturen

Grundlage für das Data Mining ist ein "Marketing Data Warehouse", in das aus den operativen Systemen in unterschiedlicher Frequenz - täglich, wöchentlich oder monatlich - marketingrelevante Kundeninformationen eingespeist werden. Von hier fließen die Daten in einen analytischen Data Mart ein, der als Schnittstelle dient. Hier werden sogenannte analysefähige Datensätze zur Weiterbearbeitung generiert und ohne redundante Speicherung in KXEN verarbeitet.

Etwa zwei Millionen Kundendaten untersucht das Tool dabei auf Muster. Im Data Mart stehen insgesamt rund vier Millionen Kunden-Datensätze zur Verfügung, darunter auch Informationen zu Wunschkunden. Basis ist das Datenbank-System MS SQL Server 2000, das auf sechs Servern inklusive Test- und Entwicklungsbereich läuft. Rund 4,5 Terabyte Daten haben die Wiener im operationalen Bereich zu stemmen, hinzu kommen noch zwei Terabyte im Archivbereich.

In der Scoring Engine werden aktuelle Modelle als Batchjob automatisch durchgeführt, je nach Planung wöchentlich oder monatlich. "Monatlich sind es heute mindestens 20 Modelle, das wäre früher ein Zeitaufwand von mindestens vier Monaten gewesen. Im Schnitt hat die Erstellung und Durchführung eines Modells bei uns damals etwa zwei Wochen gedauert, heute sind es nur fünf Tage", fasst Erich Hrusa, zuständig für die technische Architektur im Customer Knowledge Management, die Veränderungen zusammen.

Zu den wesentlichen Einsatz-Bereichen bei der Bank Austria Creditanstalt zählen neben Vorhersagen der Kaufwahrscheinlichkeit auch die Kundensegmentierung (Cluster-Analyse) und die Retention-Analyse (Untersuchung des Kundenbindungsverhaltens). Marketing-Kampagnen setzt die Bank Austria Creditanstalt mit Epiphany um, hier werden die Kundenauswahl, das Kundenbetreuer-Binning und die Auswahl des Kommunikationskanals gesteuert. Die Ergebnisse aus dem Data Mining fließen in den analytischen Data Mart zurück und von dort aus per Schnittstelle nach Epiphany.

Voraussage funktioniert fünfmal besser

Das Data Mining auf die herkömmliche Art, bei dem über lange Zeiträume Regressionsmodelle entwickelt werden, erscheint den Wienern schon lange nicht mehr zeitgemäß. Die mathematische Expertise steckt bei KXEN im Produkt selbst, je nach gewählter Funktion stehen Methodiken von der Regressions- über die Zeitreihen- bis hin zur Cluster-Analyse zur Verfügung. Die Anwender bringen vor allem ihr fachliches Wissen ein. Neben dem Bau von Modellen übernimmt die Software eine weitere wichtige Aufgabe: die Evaluierung der Modell-Qualität, insbesondere, wenn sich Datenstrukturen verändern.

"Wir erreichen im Durchschnitt eine Abschlussquote der beworbenen Produkte von etwa drei bis fünf Prozent. Vorher waren es ein bis zwei Prozent", so Widhalm. Die Data-Mining-Spezialisten unterstützen Verkaufskampagnen, die rund 20 Prozent des Neukundengeschäfts der Bank ausmachen. Das entsprach im Vorjahr einem Umsatz von rund 50 Millionen Euro.

Während früher bei Kampagnen beispielsweise 100.000 Kunden auf Basis einfacher Selektionen angeschrieben wurden, sind es heute mit qualifizierten Ergebnissen aus dem Data Mining teilweise nur 10.000, bei Spezialthemen manchmal auch nur 5.000 Kunden. Das spart nicht nur deutlich bei den Portokosten, sondern schafft wesentlich effektivere Voraussetzungen für die Vertriebsmitarbeiter - schließlich entstehen viele Abschlüsse erst durch das Nachtelefonieren und den persönlichen Kontakt.

www.kxen.at