Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan

Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research

Prof. Dr. Andreas [email protected]

http://wiid.wiwi.tu-dresden.de01062 Dresden

Telefon +49 351 463-32359Telefax +49 351 463-32736

Rico LudwigChris ReichePatrick Schwabe

Ausgewählte Aspekte der BI:Projektseminar

Abschlusspräsentation

Mat. Nr.: 3111685Mat. Nr.: 3206958Mat. Nr.: 3235860



Die Linusbank Allgemeine Marktübersicht Unternehmenssicht

ProblembeschreibungProjektplanData UnderstandingData PreparationModelingKampagnen-ManagementFazit

TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research

Ausgewählte Aspekte der BI: Projektseminar Abschlusspräsentation– Seite 3

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 %



Die LinusbankUnternehmenssicht

• Mittelgroße Filialbank mit 500.000 Kunden

• 5 Produkte:

• Umfangreiches Data Warehouse mit historisierter Datenbasis

• Sowohl Online- als auch Filialgeschäft

Abbildung 1.1: Produktübersicht



Die LinusbankProblembeschreibung

Was der Kunde sagt

Was der Kunde will

ProjektplanData UnderstandingData PreparationModeling…



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.“

„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.“



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



Die LinusbankProblembeschreibungProjektplan

ProjektablaufKoordination der Projektarbeit

Data UnderstandingData PreparationModelingKampagnenauswertung…



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

Abbildung 3.1: Projektplan



ProjektplanKooperation der Projektarbeit

Abbildung 3.2: http://altranprojektseminar.wikispaces.com



…ProjektplanData Understanding

Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept

Data Preparation…



Deskriptive AnalyseÜbersicht über vorhandene Daten

Abbildung 4.1: Datenübersicht



Deskriptive AnalyseProduktverteilung (Gesamt)

• Girokonto hat größten Produktanteil

• Kredit nur vergleichsweise geringer Anteil

• Anteil für Riester und Sparen minimal

Abbildung 4.2: Produktverteilung gesamt



Deskriptive AnalyseProduktverteilung (im Monat Juni)

Abbildung 4.3: Anzhal Produktverteilung Juni



Deskriptive AnalyseProduktverteilung (im Monat Dezember)

Abbildung 4.4: Anzahl Produktverteilung Dezember



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



Deskriptive AnalyseProdukterträge

• Riester und Kredit haben die höchsten Anteile an den Erträgen

• Zins, Giro und Depot vergleichsweise niedriger Ertragsanteil

Jahresertrag Laufzeitertrag

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Riester

Zins

Giro

Depot

Kredit Produkt Jahresertrag Laufzeitertrag

Riester 530 € 1970 €

Zins 140 € 290 €

Giro 40 € 260 €

Depot 25 € 90 €

Kredit 450 € 570 €

Abbildung 4.5: Produkterträge



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




Umsatzanalyse nach Monaten sowie Zahl der Kunden, die einen Vertrag abgeschlossen haben und Zahl der abgeschlossenen Verträge.




• Übersicht über das Volumen von Kreditkunden abhängig von der Kreditwürdigkeit

Abbildung 4.6: Kreditvolumen

sas

Übersicht über das Volumen von Kreditkunden abhängig von der Kreditwürdigkeit




• Mehr Filial- als Onlinekunden

• Kaum Unterschiede in der Altersstruktur im Vergleich Online/ Offline

Abbildung 4.7: Vertriebskanal

Abbildung 4.8: Demographie



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

Abbildung 4.9: ABC AnalyseQuelle: http://www.mapone.de/images/abcanalyse.jpg




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


• Einlagen-Netto-Volumen

• Einlagenvolumen

• Saldo Girokonto

• Beziehungsdauer




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 ist die Menge an Produkten, welche einen besonders hohen Anteil am

Umsatz/Gewinn der Linusbank haben

• Dauer Gewichtungsfaktor für die wichtigsten Produkte der Linusbank

• Anzahl Gewichtungsfaktor für die wichtigsten Produkte der Linusbank

• Volumen Gewichtungsfaktor für die wichtigsten Produkte der Linusbank

• Kreditwürdigkeit Risikominimierung

• Vermögensausprägung viel Vermögen bedeutet viel Kapital für die Linusbank

• Beziehungsdauer Zeichen für Loyalität

• Cross-Selling_Potenzial Möglichkeit der Aufwertung des Kunden durch Kampagnen



…Data UnderstandingData Preparation

Datenbereinigung

Ausschluss von Datenmaterial Transformierung von Datensätzen KundenwertVorgehen zur KundenwertbestimmungHilfsmittel: ABC-Analyse

Modeling…



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 können

– 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)



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

• Ausschluss von Kreditkarte, Baufinanzierung und Termingeld,

Sparkarte laut Aufgabenstellung (keine adäquaten Daten)



Data PreparationTransformierung von Datensätzen

Tabelle Konten und Kunden• Verknüpfung der beiden Tabellen für

jeden Monat mit den Informationen:– Beziehungsdauer

– Alter

– Vertriebskanal

– Produktnutzungsdauer (Giro, Zins, Kredit, Riester, Depot)

Nutzen der Produkte wurde binär kodiert

• Kunde nutzt Produkt 1

• Kunde nutzt 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 PreparationKundenwert 1/3

• 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 ein Score 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 niedrigeren

Umsatz

• Kunden werden anhand dieses Umsatzes in verschiedene Werte-

Klassen eingeteilt




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?

In diesem Fall:

• Steigerung der Produktdurchdringung

• Erhöhen des Umsatzes z. B. durch Cross Selling




Dazu:

• Ermittlung passender Kennzahlen notwendig

Möglich sind:

• Einlagenvolumen


• Produktumsatz

• Beziehungsdauer

ABER:

Modell soll möglichst einfach gestaltet werden, dass so viele

Eigenschaften wie

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)



Data PreparationVorgehen zur Kundenwertbestimmung 1/2

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 Kundenwert erzeugt durch neuen Kundenwert aus Ergebnis

des

Prognose-Modells von Schritt 1

- Berechnung anhand der Scores für die einzelnen

Kaufwahrscheinlichkeiten der Produkte



Data PreparationVorgehen zur Kundenwertbestimmung 2/2

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.



Data PreparationHilfsmittel: 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

höchsten Umsatz 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


Abschlusspräsentation…Data UnderstandingData PreperationModeling

AssoziationsanalyseClusteranalysePrognosemodelle

Kampagnen-ManagementFazit



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.

ModelingAssoziationsanalyse



Assoziationsanalyse 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 (5 Stufen) nominal

– Kanal (Online, Filiale) binär



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:

Abbildung 6.1: Datenfluss

Abbildung 6.2: Einstellung General

Abbildung 6.3: Einstellung Class Variable



Assoziationsanalyse Ergebnis 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

Abbildung 6.4: Regel-Table



Assoziationsanalyse Ergebnis 2/2

• Überblick über alle erzeugten Regeln:

Abbildung 6.5: Regel-Table 2



Assoziationsanalyse Fazit

• Häufig zusammen gekauft werden Zins, Depot und Riester in allen möglichen Kombinationen

• Macht Sinn, da alle drei Produkte im Kern Sparprodukte darstellen

• Starken Lift 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.



Modeling 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 AnalyseEindruck über die Kundenstruktur gewinnen. Gibt es typische Nutzergruppen, die ähnliche Eigenschaften aufweisen?



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 (5 Stufen) nominal

– Kanal (Online, Filiale) binär



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 keine Häufung mehr auftrat.

• Als wichtige Variablen zeigt sich stets die Beziehungsdauer, die Vermögensausprägung, Giro, Depot, Zins, Kredit.




ClusteranalyseErgebnis 1/5

Abbildung 6.7: Übersicht Cluster




• ermittelten Distanzgraphen deutlich getrennt

Abbildung 6.8: Distanzgraph




• Das Alter wurde nicht in die Cluster-Unterscheidung einbezogen

Abbildung 6.9: Altersverteilung




• Schwerpunkt der Produkte auf verschiedene Klassen

Abbildung 6.10: Produktverteilung




• Während Vermögensausprägung durchaus einen Einfluss hat, ist die Kreditwürdigkeit in allen Clustern gleich verteilt

Abbildung 6.11: Verteilung von Kreditwürdigkeit und Vermögensausprägung



ClusteranalyseFazit

Es zeigen sich zwei 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.


Abschlusspräsentation…Modeling


StandardprognosemodelleGiroKreditRiesterZinsDepot

Kampagnen-Management…



Modeling Prognosemodelle

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 ModelleKlassifikation von Kunden, um Wahrscheinlichkeiten für Produktabschlüssen zu prognostizieren.



Modeling Vorbereitung der Daten für die Prognosemodelle

• Benötigte Datensätze:– Kundendaten_200806

– Kundendaten_200812

• Transformationen:– Alter (nominal 5 Klassen)

– Vermögensausprägung (ordinal -1 0 und 1)

– Produktnutzung (binär für jedes Produkt)

– Beziehungsdauer (nominal 5 Klassen)

• Kundenwert (Initialwert):– Klasse (nominal A bis E)

– Umsatz (metrisch)

• Ausgangsdaten:– Kundennummer (id)

– Alter (nominal 5 Klassen)

– Kanal (binär)

– Kreditwürdigkeit (nominal 3 Klassen)

– Vermögensausprägung (ordinal -1 0 und 1)

– Giro (binär)

– Kredit (binär)

– Riester (binär)

– Zins (binär)

– Depot (binär)

– Beziehungsdauer (nominal 5 Klassen)

– Klasse (nominal 5 Klassen)

– Umsatz (interval 115-4365)



Erstellung von StandardprognosemodellenVorgehen 1/2

• Aufgrund der Daten in Kundendaten_200806 Modelle entwickeln, welche

Prognosen für Produktabschlüsse erstellen

• Prognosen werden mit den tatsächlichen Daten aus Kundendaten_200812

verglichen und anhand der Misclassification Rate und dem Fehler zweiter

Art bewertet

• Fehler zweiter Art sollte möglichst klein sein, da dieser potentielle Kunden

angibt, die nicht angesprochen werden entgangener Umsatz

• Um ein möglichst optimales Prognosemodell zu erhalten werden zunächst drei

Standardmodelle erstellt und davon das geeignetste weiter optimiert

• Bevorzugt wird nach Möglichkeit der Entscheidungsbaum, da er viele positive

Eigenschaften wie Verständlichkeit und hohe Performance besitzt

• Ausschluss von Kundendaten, welche bereits durch Kampagnen angesprochen

wurden, um die Ergebnisse nicht zu verfälschen



Erstellung von StandardprognosemodellenVorgehen 2/2

• Anlegen zweier paralleler

Datenstränge für je Trainings-

bzw. Validierungsdaten aus

Kundendaten_200806 und

Testdaten aus

Kundendaten_200812




Erstellung von StandardprognosemodellenEinstellungen 1/3

• Umsatz aus Datensatz ausschließen, da indirekt im

Kundenwert enthalten:

• Anlegen von fünf Pfaden (mit je zwei Datensträngen) für jedes Produkt

• Jeweiliges Produkt als Target definieren:

Abbildung 6.13: Attribute ausschließen

Abbildung 6.14: Zielvariable definieren




• Künstliches Angleichen der Verteilung in den Target-Variablen, um neutralen Trainingsdatensatz zu erhalten

• Gleichverteilung der Daten für Target, sodass keine Ausprägung der Variable dominiert

Abbildung 6.16: Angleichen

Abbildung 6.15: Verteilung




• Datenstränge für Training, Validierung und Test aufteilen:

• Standardmodelle des Künstlichen Neuronalen Netzes, der Regresion und des Entscheidungsbaums erstellen:

Abbildung 6.17: Datensatzaufteilung

Abbildung 6.18: Standardmodelle

Abbildung 6.19: Output



Erstellung von StandardprognosemodellenVergleich

• Standardmodelle im Assesment-Node vergleichen• Besonders geeignetes Modell auswählen, welches weiter zu optimieren

ist

• Auswahl anhand von Missclassifcation für Test

• Erklärung:

- Test: Vergleich des Modells mit Dezember

- Validation: Zur Optimierung Trainingsmodelle

• Bevorzugte Auswahl für Entscheidungsbaum, sofern er nicht wesentlich

schlechter ist

Abbildung 6.20: Assesment



Optimierung EntscheidungsbaumEinstellungen

• Wichtigstes Bewertungskriterium ist die Misclassifiation Rate im Testdatensatz und der

prozentuale Fehler zweiter Art

• Wenn alle Standardmodelle auf ähnlichen Niveau sind wird der Entscheidungsbaum

versucht zu optimieren

• Wenn sich größere Abweichungen ergeben werden zusätzlich zum Entscheidungsbaum auch

andere Modelle optimiert

• Optimierung Entscheidungsbaum:

– Absenkung es

Signifikanzlevels im Chi-

Quadrat-Test

– Absenkung der minimalen

Beobachtungen je

Blattkonten

– Erhöhung der benötigten

Beobachtungen für jede

Split-Suche

Abbildung 6.21: Einstellung Entscheidungsbaum



Optimierung Neuronales NetzEinstellungen

• Modellauswahl Kriterium auf Misclassification Rate ändern

• Versteckte Neuronen erhöhen, direkte Verbindungen zulassen

Abbildung 6.22: Methode auswählen

Abbildung 6.23: Einstellung Neuronales Netz



Optimierung RegressionEinstellungen

• Methode auf Backward ändern

• Validation Misclassification als Kriterium wählen

Abbildung 6.24: Einstellung Regression



PrognosemodelleGiro

• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt

zusammen:

• Neuronal Network: 0,0586713728

- Optimiert: 0,0597251027

- Verschlechterung um 0,1 %

• Tree: 0,1738551315

- Optimiert: 0,1620013139

- Verbesserung um 1,2 %

• Regression: 0,2132549094

• Neuronales Netz ist bestes Modell, konnte aber nicht weiter optimiert werden

• Entscheidungsbaum konnte auch mit Optimierung nicht entsprechend verbessert werden

Neuronales Netz wird als Prognosemodell für Giro genommen

Abbildung 6.25: Assesment Giro



PrognosemodelleGiro

• Fehler zweiter Art von 4,7 %

Abbildung 6.26: Fehlerverteilung



PrognosemodelleKredit


zusammen:


• Tree: 0,0019142331

- Optimiert: 0,0014273017


• Regression: 0,003813008

• Alle Modelle liegen nah beieinander auf sehr hohem Niveau

• Der Entscheidungsbaum konnte somit auch nicht mehr nennenswert optimiert werden

Optimierter Entscheidungsbaum wird als Prognosemodell für Kredit genommen

Abbildung 6.27: Assesment Kredit




• Sehr geringer Fehler zweiter Art von nur 0,8 %





• Entscheidungsregeln im optimierten Entscheidungsbaum

Abbildung 6.29: Treeview



PrognosemodelleRiester


zusammen:


- Optimiert: 0,2564376715

- Verbesserung von 0,4 %

• Tree: 0,3665022092

- Optimiert: 0,2368728181


• Regression: 0,2132549094

• Entscheidungsbaum mit Abstand am schlechtesten

• Optimierung bei anderen Modellen versprach kein Erfolg

• Optimierung bei Entscheidungsbaum verbessern Ergebnis signifikant, sodass Ergebnis

vergleichbar wird mit anderen Modellen

Optimierter Entscheidungsbaum wird als Prognosemodell für

Riester genommen

Abbildung 6.30: Assesment Riester




• extrem hoher Fehler zweiter Art von 47 %




PrognosemodelleZins


zusammen:


• Tree: 0,1215602417

- Optimiert: 0,1165543805


• Regression: 0,1986989398

• Entscheidungsbaum ist per se schon sehr gut, konnte aber nicht signifikant optimiert werden

Optimierter Entscheidungsbaum wird als Prognosemodell für Zins genommen

Abbildung 6.33: Assesment Zins



PrognosemodelleZins

• extrem hoher Fehler zweiter Art von 44 %




PrognosemodelleZins





PrognosemodelleDepot

• Die Misclassification Rates im Testdatensatz stellen sich wie folgt

zusammen:


- Optimiert: 0,0765976632

- Verschlechterung von 1,2 %

• Tree: 0,0921871981

- Optimiert: 0,0380347551

- Verbesserung von 5,4 %

• Regression: 0,1226526169

• Der Entscheidungsbaum ist ein guter Ausgangspunkt für das Modell und liefert optimiert, die besten Ergebnisse

optimierter Entscheidungsbaum wird als Prognosemodell für Depot genommen


sas

Missclassification überall mit C geschrieben??




• 6,9 % Fehler zweiter Art





StandardprognosemodelleGiroKreditRiesterZinsDepot

Kampangen - ManagementFazit



Kampagnen-ManagementVorgehen 1/2

Grundsätzliche Arbeitsweise:

• Vergleich der durchschnittlichen Monatsumsätze für das

beworbene Produkt und die gesamte Abschlussmenge

• Kundenbasis:

• Wirkgruppe (nahm an Kampagne teil)

• Kontrollgruppe (nahm nicht an Kampagne teil)

Datenbasis:

• Kampagnen-Tabelle (Kundennummer, Name, Wirkgruppe, Abschluss)

• Konten-Tabelle (Kundennummer, Abschluss, Produkt)

• Produkt-Tabelle (Name, Laufzeitertrag)



Kampagnen-ManagementVorgehen 2/2

• Für eine Bewertung der Kampagne wird nun untersucht, ob die

angeschriebenen Kunden im Verhältnis einen höheren Umsatz

erzeugt haben als die Kunden, die nicht angeschrieben wurden

(Kontrollgruppe)

• Dazu kann der Gesamtumsatz betrachtet werden. Zur besseren

Deckungsbeitragsbewertung ist jedoch die Betrachtung des

Umsatzes besser, der ausschließlich mit dem beworbenen Produkt

erzielt wurde




Kampagnen-Management Kreditmailing-Vergleich

Ermitteln der Anzahl der angeschriebenen Kunden für die Kampagne:

• Alle Kunden in Wirkgruppe = 1 mit Kampagnenname = Kreditmailing sind die

Wirkgruppe (32.680 Kunden)

• Alle Kunden in Wirkgruppe = 0 mit Kampagnenname = Kreditmailing sind die

Kontrollgruppe (3.610 Kunden)

• Für die Bewertung des Prognosemodells wurde ein Modell für Kredit auf Basis der

Kundendaten mit Stand 200805 prognostiziert, wobei für das Training alle Kunden gefiltert

wurden, die an Kampagnen teilgenommen haben

• Die ermittelten Kunden mit einer Kreditkaufwahrscheinlichkeit werden anschließend nach

Wahrscheinlichkeit gescored

• Für eine Bewertung anhand der gemachten Kampagne wurden nur die Kunden

angeschrieben, die sowohl in der Kampagne Kreditmailing aufgeführt waren als auch

vom eigenen Prognosemodell als Kaufkunden bewertet wurden

• Daraus ergibt sich eine Wirkgruppe mit 32.183 Kunden - die Kontrollgruppe bleibt gleich



Kampagnen-ManagementKreditmailing-Vergleich

Umsatz Wirkgruppe (Zeitraum 6 bis 8):

• Kredit: 3.908.480 EURabzgl. Kosten 32.680 * 1,20 = 39.216 EURNettoumsatz 3.869.264 EUR

Durchschntl. Brutto-Umsatz: 39,87 EURDurchschntl. Netto-Umsatz: 39,47 EUR

Einbezogene Kunden über 3 Monate: 98.040

Umsatz Wirkgruppe (Zeitraum 6 bis 8):mit eigenem Prognose-Modell Kredit auf Basis von Mai für August

• Kredit: 3.811.950abzgl. Kosten 32183 * 1,20 = 38.619,6Nettoumsatz 3.775.800

Durchschntl. Brutto-Umsatz: 39,48 EURDurchschntl. Netto-Umsatz: 39,08 EUR

Einbezogene Kunden über 3 Monate: 90.375

Kontrollgruppe (Zeitraum 6 bis 8):

Umsatz Kredit 6 bis 8: 376.270 EUR

Durchschntl. Umsatz: 34,74 EUR

Einbezogene Kunden über 3 Monate:

10.830



Kampagnen-ManagementErgebnis im Vergleich zur Kontrollgruppe

Kampagnen-Ergebnisse im Vergleich zu Kontrollgruppe:

Lift der Kampagne mit Brutto- und Netto-Ergebnissen

39,86 EUR / 34,74 EUR = 14,75 %

39,46 EUR / 34,74 EUR = 13,59 %

Lift der prognostizierten Kampagne mit Brutto- und Netto-

Ergebnissen

39,48 EUR / 34,74 EUR = 13,64 %

39,08 EUR / 34,74 EUR = 12,48 %

Abbildung 7.2: Aufteilung der Vergleichsguppen




Kampangen - Management

Fazit



Fazit 1/3

Assoziation– Analyse zeigt guten Ersteindruck über das Kaufverhalten der Kunden

– Ermöglicht Ergebnisse mit geringem Aufwand

– Bietet im Gegensatz zu teureren Kampagnen-Aktionen eine günstige Cross-Selling-Grundlage im direkten Verkaufsgespräch

Clustering– Ermöglicht Identifikation wesentlicher Kundengruppen in bestehender

Kundenbasis

– Bietet guten Ansatz um Kampagnen speziell auf diese Kundengruppen wie Kreditkunden oder Sparkunden auszurichten

– Alternativ können neue Kampagnen entwickelt werden, um neue Kundengruppen in Abhängigkeit der Firmenstrategie aufzubauen



Fazit 2/3

Prognose für Produkte– liefert gute Ergebnisse für Kredit, Depot und Giro

– Bei Zins und Riester verursacht der hohe Fehler zweiter Art hohe Opportunitätskosten, da Anteil positiver Kunden sehr gering ist

Scoring

– Aufwändig zu ermitteln

– Nutzen des Scores und Umfang der einbezogenen Attribute extrem

abhängig vom Ziel der Kundenbewertung

– Für Produktprognose schon sehr einfacher Score auf Umsatzbasis

ausreichend, da Modelle bereits über hohe Aussagekraft verfügen



Fazit 3/3

Kampagnen-Management

– Kampagnen sehr nützlich für Umsatzsteigerung je Kunde im Vergleich

zur nicht angeschriebenen Kontrollgruppe

– Kampagnen-Ergebnisse mit Prognose-Modell erreichen vergleichbar gute

Werte trotz eingeschränkter Datenauswahl

Abbildung 8.1: Umsatzvergleich



Literatur

• Hippner, H. et al; (2001): Handbuch Data Mining im Marketing, Vieweg, Wiesbaden

• Matignon, R.; (2007): Data Mining Using SAS Enterprise Miner, Wiley, New Jersey

Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan

Documents

Transcript of Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan