Kampagnenoptimierung bei kleinen und mittleren Filialbanken mittels Produktaffinitätsschätzungen


Diploma Thesis, 2009

138 Pages, Grade: 1,7


Excerpt


Inhalt

Verzeichnis der Abbildungen

Verzeichnis der Tabellen

Abkürzungsverzeichnis

Symbolverzeichnis

1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung

2 Marketingkampagnen im Filialbanksektor
2.1 Eigenschaften des Filialbanksektors
2.1.1 Größenunterschiede und Struktur
2.1.2 Heterogenität der Unternehmensziele
2.1.3 Vertriebswege
2.2 Kampagnendurchführung im Filialbanksektor
2.3 Kampagnenerfolg
2.3.1 Responsequote
2.3.2 Deckungsbeitragsrechnung
2.3.3 Prospektiver Kundenwert
2.3.4 Bewertung

3 Optimale Kampagnenplanung
3.1 Rahmenbedingungen
3.2 Traditionelle Selektion
3.3 Verbesserungsansatz

4 Anwendung in kleinen und mittleren Filialbanken
4.1 Basiskonzeption
4.2 Fortgeschrittenere Ansätze
4.3 Data-Mining
4.4 Erweiterter Kampagnenablauf
4.5 Verfahren
4.5.1 Entscheidungsbäume
4.5.2 Logistische Regression
4.5.3 Logistische Regression unter Einbeziehung entscheidungsbaumidentifizierter Interaktionseffekte
4.5.4 Künstliche neuronale Netze (KNN)
4.6 Gütemaße
4.6.1 Gütemaße der logistischen Regression
4.6.2 Klassifikationsgüte
4.6.3 Schätzunsicherheit
4.6.4 Bewertung
4.7 Auswahl eines geeigneten Verfahrens
4.8 Data-Mining-Infrastruktur
4.9 Akzeptanzprobleme von Data-Mining

5 Praxisanwendung
5.1 Feldstudie in einer kleinen Filialbank
5.1.1 Kampagnendurchführung
5.1.2 Ergebnisse
5.2 Ergebnisse einer mittelgroßen Filialbank
5.3 Grenzen für kleine und mittelgroße Filialbanken

6 Implikationen

7 Zusammenfassung und Ausblick

Anhang

Verzeichnis der Abbildungen

Abbildung 1 Einfacher Systematisierungsansatz für Finanzdienstleistungskunden

Abbildung 2: Gesamtbankstellen in Deutschland

Abbildung 3: Girokontenanteile nach persönlichem Nettoeinkommen

Abbildung 4 Logarithmierte Darstellung der Bilanzsummenverteilung

Abbildung 5 Zielgruppenspezifische Ansprachekanäle

Abbildung 6 Erwartete Ansprachewirkung in Abhängigkeit des Ansprachekanals

Abbildung 7 Auswahlentscheidung in der Kundendirektansprache

Abbildung 8 Kampagnenablauf

Abbildung 9 Möglicher Verlauf des Kampagnenerfolgs in Abhängigkeit angeschriebener Kunden

Abbildung 10 Werbe-Kaufwahrscheinlichkeits-Portfolio

Abbildung 11 Erweiterter Kampagnenablauf

Abbildung 12: Taxonomy of Decision-making Environments and Expected Degree of Future Decision Automation

Abbildung 13 Darstellung der Kosten-/Erlösstruktur (Profitmatrix)

Abbildung 14: Methoden der Datenanalyse

Abbildung 15 Entscheidungsbaum (beispielhafte Darstellung)

Abbildung 16 Ring-Diagramm und Box-Diagramm eines Entscheidungsbaumes

Abbildung 17 Phasen des CHAID-Algorithmus

Abbildung 18 Grundlegende Zusammenhänge zwischen den Betrachtungsgrößen der logistischen Regression

Abbildung 19 Ablauf des zweistufigen Prognoseverfahrens

Abbildung 20 Klassifikation von KNN

Abbildung 21 Schematischer Aufbau eines KNN

Abbildung 22 Auswirkungen der Modellspezifikation auf die Fehlerrate

Abbildung 23 Einteilung von Prognoseerfolgen anhand der Klassifikationsmatrix

Abbildung 24 Vergleich von drei ROC-Kurven mit gleichem AUC

Abbildung 25 K-fache Kreuzvalidierung (k-fold cross validaton)

Abbildung 26 ROC-Kurve einer 5-fachen Kreuzvalidierung

Abbildung 27 Darstellung der Trennvariablen des Exhaustive CHAID-Algorithmus

Abbildung 28 Hypergeometrische Verteilung unter der Teststatistik

Abbildung 29 Abschlüsse der Data-Mining-Selektion nach Quartilen

Abbildung 30 Abschlüsse der Data-Mining-Selektion nach prognostizierten Affinitäten

Abbildung 31 Darstellung des Kampagneneffektes

Verzeichnis der Tabellen

Tabelle 1 Zusammenfassung datengetriebener Kundenselektionsverfahren

Tabelle 2 Auswirkungen positiver und negativer Regressionskoeffizienten auf die Eintrittswahrscheinlichkeit des Ereignisses y=1 bei Steigerung von xi um eine Einheit

Tabelle 3 Verschiedene Prozeduren zur Variablenauswahl in der Statistiksoftware SPSS

Tabelle 4 Gütemaße der logistischen Regression

Tabelle 5 Kennziffern der Klassifikationsgüte

Tabelle 6 Dezilbetrachtung mit Lift und Cum Lift

Tabelle 7 Bewertungskriterien von DM-Verfahren

Tabelle 8 Variablenliste der Ausgangsdaten

Tabelle 9 Variablen des Modells der logistischen Regression

Tabelle 10 Übersicht der Blattknoten des Exhaustive CHAID-Algorithmus

Tabelle 11 Variablen des Modells der logistischen Regression unter Einbeziehung entscheidungsbaumidentifizierter Interaktionseffekte

Tabelle 12 Vergleich der AUC-Werte für Trainings- und Testdaten

Tabelle 13 Kampagnenabschlüsse

Tabelle 14 Kampagnenergebnisse einer mittelgroßen Filialbank

Tabelle 15 Ergebnisse des Tests auf einheitliche Prognoseleistung

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Symbolverzeichnis

α Signifikanzniveau

a Anteil einer der beobachteten Gruppen an der Gesamtzahl der Beobachtungen

At,j Kosten zur Generierung des Kunden j in der Periode t

geschätzter Koeffizienten

Δdbj Deckungsbeitragssteigerung des Kunden j

Δpj Steigerung der Abschlusswahrscheinlichkeit durch Ansprache im Rahmen der Kampagne

dbj Deckungsbeitrag des Kunden j bei Abschluss

E( ) Erwartungswertoperator

Et,j Erlöse des Kunden j in der Periode t

fhyp( ) Dichtefunktion der hypergeometrischen Verteilung

Fhyp( ) Verteilungsfunktion der hypergeometrischen Verteilung

G( ) Gewinnfunktion

i risikoadjustierter Kalkulationszinsfuß

k Anzahl der Abschlüsse in der Grundgesamtheit (Kapitel 5)

kv variable Kosten der Ansprache

KW Ertragswert aller N Kunden

KW+ Kundenwert bei Durchführung der Kampagne

KW- Kundenwert ohne Durchführung der Kampagne

KWj Ertragswert des Kunden j über alle Transaktionsperioden t

L(β) Maximum-Likelihood-Funktion

LL LogLikelihood-Wert

LL0 LogLikelihood-Wert eines restringierten Modells bei dem bis auf die Konstante alle Parameter auf null gesetzt werden

LLv LogLikelihood-Wert eines geschätzten Modells

N Größe der Grundgesamtheit

n Größe der Stichprobe

Oi, eZ Odds (Chancenverhältnis)

pj individuelle Abschlusswahrscheinlichkeit des Kunden j

P(y=1), Pi Eintrittswahrscheinlichkeit eines bestimmten Ereignisses

P(y=0),1-Pi Gegenwahrscheinlichkeit

R2 Gütemaß der Regression

t Transaktionsperiode (Kapitel 2)
Trennwert / Cut-off-Value (Kapitel 3)

T Gesamtdauer der Geschäftsbeziehung

wjk, wki Gewichte der Neuronen

X Anzahl der Abschlüsse in der Stichprobe (Kapitel 5)

Xc Kritischer Wert (Kapitel 5)

xj unabhängige Variable

yi abhängige Variable

Z aggregierte Einflussstärke (Logit)

1 Einleitung

1.1 Problemstellung

Die Erweiterung der Vertriebskanäle von Banken um das Internet hat in den letzten Jahren zu einem starken Marktanteilswachstum des Direktbankensektors geführt und sowohl die Bedeutung als auch die Erfolgsaussichten des Direkt-Marketings[1] im Bankensektor verdeutlicht. Ein Treiber dieser Entwicklung ist – neben dem verbesserten Zugang zum Kunden über das Internet – der rasante Fortschritt in der Computertechnik und Datenverarbeitung, durch den heute große Datenmengen in weitaus größerem Umfang kostengünstig erhoben, digital vorgehalten und schnell abgerufen werden können als noch vor wenigen Jahren.[2] Diese Datenmengen werden im Bankensektor im Rahmen des so genannten Database Marketing von Direktbanken und zunehmend auch von Großbanken genutzt, um Informationen mit dem Ziel zu gewinnen, die Selektion von Zielkunden für Direktmarketingkampagnen zu verbessern und somit ein besseres Kampagnenergebnis zu erzielen. Die Informationsgewinnung erfolgt dabei häufig durch die Anwendung von Data-Mining-Methoden auf den Datenbestand.[3] Der erfolgreiche Einsatz im Finanzdienstleistungsbereich wird in der Literatur u.a. für eine Großbank[4] und die Fondsgesellschaft Union Investment[5] beschrieben, die jeweils deutliche Verbesserungen in der Zielkundenselektion feststellen konnten. In Direktbanken sind in der Regel mehrere Mitarbeiter einzig mit der Optimierung von Direktmarketingkampagnen im Rahmen des Database Marketing betraut. Im Gegensatz dazu wird das Vorhalten größerer Kapazitäten zur Kampagnenplanung in kleinen und mittleren Filialbanken zumeist als unwirtschaftlich angesehen, da diese z.B. nicht über die notwendige Masse verfügen um Skaleneffekte zu realisieren, die den Aufbau eines aufwändigen Data-Mining-Prozesses rechtfertigen würden.[6] Data-Mining-optimierte Direktmarketingkampagnen können jedoch insbesondere für das standardisierte Privatkundengeschäft ein wichtiger Aspekt der Kundenstrategie von kleinen und mittleren Filialbanken sein, da diese in der Regel bereits über einen hohen Marktanteil in ihrem Geschäftsgebiet verfügen, dieser aber häufig nicht systematisch bearbeitet wird, so dass z.B. im margenträchtigen Anlage- und Versicherungsgeschäft[7] viele Kunden bei einem Wettbewerber abschließen.

1.2 Zielsetzung

Die vorliegende Arbeit soll zeigen, wie die derzeitige Selektion kleiner und mittlerer Filialbanken für die Direktkundenansprache im Rahmen des Bestandskundenmarketings[8] verbessert werden kann.[9] Es soll eine Methodik vorgestellt werden, die auf der Basis von Produktbesitz einzelner Kunden deren Affinität für bestimmte Produkte schätzt, um daraus die Reaktion auf Direktkundenansprachen abzuleiten, wobei im Wesentlichen die Optimierung einzelner Marketinginstrumente (ohne Berücksichtigung der anderen Instrumente) betrachtet wird.[10] Ferner soll gezeigt werden, dass dieses Vorgehen auch kleinen und mittleren Filialbanken, die tendenziell einen kleineren Kundenstamm, niedrigere Abschlusszahlen sowie einen schlechteren Zugang zu Bestands- bzw. Verlaufsdaten haben, einen Zugang zu modernen Analysemöglichkeiten eröffnet, wodurch die Responsequote[11] von Kundendirektansprachen erhöht werden kann, da die Berücksichtigung von unvollständigen Informationen bessere Ergebnisse liefert als deren Nichtberücksichtigung.[12] Zu beachten ist, dass das in dieser Arbeit beschriebene Konzept im Einklang mit der Gesamtkundenstrategie des jeweiligen Hauses zu sehen ist und lediglich ein Teilbereich des Bestandskundendirektmarketings – die systematische Ansprache im Mengengeschäft[13] – beleuchtet wird. Es wird somit eine operative Komponente des übergeordneten Customer Relationship Management (CRM) dargestellt.[14] Dazu wird eine isolierte Betrachtung einzelner Direktmarketingkampagnen durchgeführt mit dem Ziel, deren Ergebnisbeiträge unter Anwendung eines pragmatischen Vorgehens zu verbessern. Der Aufbau der Arbeit gliedert sich wie folgt: Zunächst wird in Kapitel 2 der Filialbanksektor in Deutschland vorgestellt, um aufzuzeigen, wodurch dieser charakterisiert ist, wie Kampagnen dort realisiert werden und wie deren Erfolg gemessen werden kann. In Kapitel 3 werden die Rahmenbedingungen der Kampagnenplanung genannt sowie dargestellt, wie Kundenselektionen für die Kampagnen bei kleinen und mittleren Filialbanken ablaufen und welche Aspekte im Rahmen dieser Arbeit diskutiert werden, um die Kundenselektion zu verbessern. Kapitel 4 beschreibt den Prozess der veränderten Kampagnenplanung sowie der Produktaffinitätsschätzungen. Eine besondere Berücksichtigung findet hier die Vorstellung der Data-Mining-Techniken mit ihren Vor- und Nachteilen sowie die Auswahl einer geeigneten Prognosebasis. Die Beschreibung der Anwendung der theoretischen Konzepte erfolgt in Kapitel 5 anhand von Erfahrungswerten einer mittleren Filialbank sowie eines durchgeführten Experimentes in einer kleinen Filialbank. Die Arbeit schließt mit Implikationen für Wissenschaft und Praxis in Kapitel 6 sowie einer Zusammenfassung der wichtigsten Ergebnisse in Kapitel 7.

2 Marketingkampagnen im Filialbanksektor

2.1 Eigenschaften des Filialbanksektors

2.1.1 Größenunterschiede und Struktur

Der deutsche Markt für Finanzdienstleistungen[15] wird in vielen wissenschaftlichen und praxisnahen Veröffentlichungen umfangreich untersucht und dargestellt[16] sowie durch eine Vielzahl von öffentlicher und privater Seite herausgegebener Statistiken beschrieben.[17] Aus diesem Grunde sollen die wichtigsten Kennzahlen und Merkmale im Folgenden lediglich für den Filialbankensektor komprimiert dargestellt werden. Der Fokus liegt hierbei insbesondere auf den Größenkennzahlen und den Institutsgruppen des Privatkunden(mengen-)geschäfts[18] der Filialbanken, welches bereits heute einen hohen Standardisierungs- und Automatisationsgrad aufweist.[19] Kunden werden in Banken zunächst in Firmen- und Privatkunden und danach – in der Regel auf der Basis von Gesamtvermögen und/oder Gehalt – in Individualkunden, die zumeist eine engere Beraterbindung mit individuelleren Angeboten haben, und Kunden im Mengengeschäft, denen eine Beratung „out of the box“ angeboten wird, aufgeteilt (vgl. Abbildung 1).

Abbildung 1 Einfacher Systematisierungsansatz für Finanzdienstleistungskunden

Abbildung in dieser Leseprobe nicht enthalten Quelle: In Anlehnung an Thomas, 2008, S. 13.

Insbesondere im „Retail-Banking“ hat die Wettbewerbsintensität des Finanzdienstleistungsmarktes auch durch den Eintritt der Direktbanken weiter zugenommen.[20] Zur Vereinfachung der Betrachtung des Marktes, welcher rund 39,7 Mio. deutsche Haushalte[21] umfasst, werden hier lediglich die größten Marktakteure des dreigliedrigen Bankensystems betrachtet:[22]

- Sparkassen-Finanzgruppe[23],
- Genossenschaftsbanken/ Volks- und Raiffeisenbanken
- Großbanken[24].

Abbildung 2: Gesamtbankstellen in Deutschland

Abbildung in dieser Leseprobe nicht enthalten Quelle: Datenbasis der Bankstellenstatistik der Deutschen Bundesbank (2001-2008) und eigene Berechnungen, Stand 31.12.2007.

Gemäß der Bankstellenstatistik der Deutschen Bundesbank sind 87% aller Bankstellen in Deutschland diesen drei Sektoren zuzurechnen (vgl. Abbildung 2). Des Weiteren gaben 90,4% der Deutschen ab 14 Jahren im Rahmen einer Marktforschungsstudie an, ein Giro- bzw. Gehaltskonto bei einer Sparkasse, Volks- oder Raiffeisenbank zu führen.[25] Der Anteil an allen Girokonten liegt bei 89,8%, wobei Sparkassen und Genossenschaftsbanken mit steigendem persönlichem Nettoeinkommen Marktanteile zugunsten der Großbanken verlieren (vgl. Abbildung 3).

Abbildung 3: Girokontenanteile nach persönlichem Nettoeinkommen

Abbildung in dieser Leseprobe nicht enthaltenQuelle: Daten der Verbrauchs- und Medienanalyse 2008

Die Zahlen belegen, dass es sinnvoll erscheint, sich auf diese drei Gruppen zu konzentrieren, da diese den relevanten Markt im Filialbankbereich abdecken.[26] Des Weiteren zeigt eine Betrachtung der Bilanzsummen bzw. deren Verteilung auf die Quantile der drei Institutsgruppen (vgl. Abbildung 4), dass die kleinste Großbank – die Postbank – gemessen an der Bilanzsumme deutlich größer ist als das jeweils größte Institut der Sparkassen (Hamburger Sparkasse) bzw. Genossenschaftsbanken (Deutsche Apotheker- und Ärztebank eG), was bedeutet, dass die Großbanken – Kooperationen im Sparkassen- und Genossenschaftssektor außer Acht gelassen – ein wesentlich größeres Potential haben, um Skaleneffekte im Rahmen der Data-Mining-optimierten Kundendirektansprache zu realisieren.[27]

Abbildung 4 Logarithmierte Darstellung der Bilanzsummenverteilung

Abbildung in dieser Leseprobe nicht enthalten Quelle: Daten von DSGV (2008b); BVR (2008b); Commerzbank (2008b); Deutsche Bank (2008b); Dresdner Bank (2008); HypoVereinsbank (2008) und Deutsche Postbank (2008); eigene Berechnungen, Stand 31.12.2007.

Die exakte Definition einer kleinen bzw. mittleren Filialbank gestaltet sich schwierig, da neben der Bilanzsumme beispielsweise auch die Anzahl der Kunden und der Mitarbeiter sowie das außerbilanzielle Geschäftsvolumen (z.B. Versicherungs-, Wertpapierprovisionsgeschäft) als weitere Kriterien herangezogen werden müssten; dieses würde ein komplexes Bewertungsschema erfordern. Für diese Arbeit soll deshalb von einer einfachen Einteilung anhand der Bilanzsumme ausgegangen werden, so dass alle Banken als klein angesehen werden, deren Bilanzsumme weniger als 500 Mio. EUR beträgt. Banken, deren Bilanzsumme über diesem Schwellenwert, jedoch unter 5 Mrd. EUR liegt, werden als mittelgroß definiert.[28]

2.1.2 Heterogenität der Unternehmensziele

Vergleicht man die Unternehmensziele der Institute des dreigliedrigen Bankensektors auf deren Internetseiten, so scheinen sich diese auf den ersten Blick kaum zu unterscheiden, da dort vorrangig von Nachhaltigkeit, Kundenorientierung und Verantwortung gesprochen wird.[29] Dennoch dürfte das Hauptziel der Großbanken und weiterer Geschäftsbanken in der Maximierung des Shareholder-Value liegen.[30] Dieser wird als Summe der prognostizierten, risikoadjustiert diskontierten Free Cash Flows (FCF)[31] unter Abzug des Fremdkapitalmarktwertes errechnet.[32] Neben der Maximierung des Shareholder-Value lässt sich jedoch auch eine Zielfunktion aufstellen, die andere Einflussfaktoren einbezieht.[33] So weichen die Ziele von Sparkassen und Genossenschaftsbanken vom Shareholder-Value-Prinzip ab. Der Unternehmenszweck der Sparkassen, der in den Sparkassengesetzen der Bundesländer sowie in der Satzung der jeweiligen Sparkasse geregelt ist, besteht darin regionale Kredite zu vergeben und die örtliche Bevölkerung mit Bankdienstleistungen zu versorgen.[34] Dennoch müssen die Sparkassen mindestens zur Sicherstellung ihrer Aufgabe – aber überwiegend auch zur Erwirtschaftung einer Ausschüttung an ihren Gewährträger – gewinnorientiert arbeiten.[35] Die Genossenschaftsbanken sind gemäß Genossenschaftsgesetz dem Wohl ihrer Mitglieder[36] verpflichtet, wobei der genaue Zweck und Gegenstand in ihren Satzungen geregelt wird.[37]

Die unterschiedlichen Ziele stehen dennoch im Einklang mit einer zielgenaueren Kundenansprache, da die optimierten Kampagnen sowohl den Banken durch eine Verbesserung der Aufwands-/Ertragsrelation als auch den Kunden, die tendenziell auf eher ihren Bedürfnissen entsprechende Produkte aufmerksam gemacht werden, nutzen.[38]

2.1.3 Vertriebswege

Im Rahmen der Kundendirektansprache werden von Filialbanken unterschiedliche Wege zum Kunden genutzt, um diesen überall erreichen zu können und ihm die Möglichkeit des Kontaktes zu seiner Bank zu bieten. Dieses Vorgehen wird – sofern mehrere aufeinander abgestimmte Marketing-Kanäle gleichzeitig zur Kundendirektansprache genutzt werden – als Multikanalansatz bezeichnet. Eine feinere Definition unterteilt weiter in Ansprache-, Vertriebs- und Servicekanal, was auch – dem Kundenlebenszyklus entsprechend – als Presales, Sales und Aftersales kategorisiert werden kann.[39] Die Kanäle von Banken haben sich dabei in den vergangenen Jahren, bedingt durch den starken Technologieschub, rasant entwickelt (vgl. Abbildung 5).[40]

Abbildung 5 Zielgruppenspezifische Ansprachekanäle

Abbildung in dieser Leseprobe nicht enthalten

Viele regionale Filialbanken haben im stationären Kanal begonnen, die „klassische“ Filiale durch moderne „Finanzshops“ sowie reine Filialen mit SB-Geräten zu ersetzen bzw. zu ergänzen. Im Bereich des mobilen Kanals setzen Filialbanken zum einen verstärkt auf die Beratung des Kunden zu Hause, zum anderen haben sie mit dem Konzept der „fahrenden Geschäftsstelle“ ein älteres Konzept neu aufgelegt, um trotz Filialschließungen in der Fläche präsent zu bleiben. Des Weiteren bieten sie ihren Kunden den Zugang per Telefon, via Internet und zunehmend auch über mobile Endgeräte wie z.B. iPhone oder iPod.[41] Somit kann sich die regionale Filialbank ihren Kunden sowohl als regionale Direktbank, als „Beraterbank“ für komplexe Beratungen zu Hause oder mit ihrer Filiale vor Ort präsentieren.[42] Für das Kampagnenmanagement kann insbesondere durch den Multikanalansatz der Bestand der Informationen über den Kunden erhöht werden.[43] Für verkaufsfördernde Maßnahmen erfolgt in der Regel keine Einschränkung auf einen Kanal. Dennoch findet die geplante persönliche Ansprache des Kunden im Wesentlichen über Anrufe oder Anschreiben per Post statt. Doch insbesondere durch die neuen Medien werden hier weitere Wege der Ansprache ermöglicht. Dabei ist die Werbung per E-Mail noch wenig verbreitet, es ist jedoch bereits möglich personalisierte Werbung auf SB-Geräten anzuzeigen bzw. im Rahmen des Online-Banking Einblendungen zu Produkten vorzunehmen, von denen angenommen wird, dass sie für den Kunden interessant sein könnten. Dabei haben die ausgesandten Botschaften eine bestimmte Auswirkung auf einen zu generierenden Kaufimpuls beim Kunden. Abbildung 6 zeigt die erwartete Wirkung des jeweiligen Ansprachekanals.

Abbildung 6 Erwartete Ansprachewirkung in Abhängigkeit des Ansprachekanals

Abbildung in dieser Leseprobe nicht enthalten

Es lässt sich festhalten, dass die persönliche Ansprache durch den Berater – unter der Voraussetzung, dass Kunde und Berater eine von Vertrauen geprägte Beziehung zueinander haben – bei hohen Kosten[44] tendenziell die höchsten prozentualen Abschlüsse erzielt, wohingegen auf eine E-Mail bei niedrigen Kosten wenige Kunden reagieren. Es gilt im Allgemeinen, dass die Kosten für die Ansprache umso höher sind, je stärker die Reaktion auf die Ansprache und damit auch der Ertrag ist.[45] Somit kann keine allgemeine Aussage getroffen werden, welches Werbemittel die günstigste Relation von Wirkung zu Kosten hat, vielmehr muss das günstigste Werbemittel kunden- und produktindividuell ermittelt werden.

2.2 Kampagnendurchführung im Filialbanksektor

Unter Kampagnen werden im Filialbanksektor zeitlich befristete verkaufsfördernde Maßnahmen verstanden, in deren Rahmen eine bestimmte Auswahl und Anzahl von (in der Regel) Bestandskunden zielgerichtet auf ein Produkt bzw. eine Produktklasse angesprochen wird, die ihren Wünschen entspricht und für die sie eine hohe Abschlusswahrscheinlichkeit besitzen[46] mit dem Ziel, die Abschlüsse in der beworbenen Kategorie zu steigern. Die Kampagnen werden dabei zumeist sequentiell – seltener parallel – durchgeführt. Klassische Wege der Ansprache von Zielkunden (vgl. Abschnitt 2.1.3) sind dabei Anschreiben per Post bzw. E-Mail sowie Telefonanrufe mit dem Ziel, einen Beratungstermin mit dem Kunden zu vereinbaren, flankiert von weiteren Werbemaßnahmen. Dabei wird versucht die Werbewirkung durch Nutzung der regionalen Medien, durch Plakatwerbung und Dekoration in den Filialen, Werbeeinblendungen auf SB-Geräten sowie den Internetauftritt der Bank zu unterstützen. Auch ein mehrstufiges – eventgetriggertes – Vorgehen findet Anwendung, wie z.B. Anschreiben des Kunden mit telefonischem Nachfassen, wenn der Kunde nicht reagiert. Dabei wird der Auslöser für bestimmte weitere Marketingmaßnahmen als Trigger bezeichnet.[47] Der Produktabschluss erfolgt überwiegend in der Filiale im Rahmen eines ausführlichen Beratungsgespräches, wobei dem Kunden – entsprechend seiner persönlichen Finanzplanung – weitere Produkte und/oder Dienstleistungen angeboten und verkauft werden sollen – so genanntes „cross-selling“.[48] Abbildung 7 zeigt schematisch die Möglichkeiten der Kundenauswahl, d.h. es können entweder alle, ein Teil der oder gar keine Kunden angesprochen werden. Für die direkte Ansprache kommt einer trennscharfen Selektion in reagierende und nicht-reagierende Kunden eine zentrale Rolle zu, da diese – insbesondere bei hohen Ansprachekosten – ursächlich für den wirtschaftlichen Erfolg der Kampagne ist.

Abbildung 7 Auswahlentscheidung in der Kundendirektansprache

Abbildung in dieser Leseprobe nicht enthalten

Dieses zeigt, dass es notwendig ist, neben der Abschlusswahrscheinlichkeit weitere Kriterien zu betrachten (vgl. Abschnitt 3.3), um eine Aussage über die optimale Kundenauswahl treffen zu können, die eine Phase der Planung von Kampagnen ist.

Der gesamte Kampagnenverlauf beinhaltet zusätzlich den vorgeschalteten Planungsprozess sowie – nachgelagert – die Durchführung und Erfolgskontrolle. Zur Visualisierung ist dieser vereinfacht in Abbildung 8 dargestellt.

Abbildung 8 Kampagnenablauf

Abbildung in dieser Leseprobe nicht enthalten

Dabei ist der Kampagnenprozess als Closed-Loop zu sehen, da gewonnene Informationen wie in einem Kreislauf helfen können, die folgenden Kampagnen zu verbessern.[49] Des Weiteren sind Kampagnen ein Anlass, um auch mit den Kunden, die für gewöhnlich nur sehr selten oder gar nicht durch ihre Bank angesprochen werden, in Kontakt zu treten.[50] Ein Problem ist allerdings in der Gefahr einer „Übersättigung“ einzelner Kunden zu sehen, die wiederholt durch zunehmende Telefon- und E-Mail-Ansprachen kontaktiert werden,[51] wodurch bei ihnen unter Umständen das Gefühl entstehen kann, für das Institut nur als Ertragsbringer von Interesse zu sein.[52] Es ist deshalb von entscheidender Wichtigkeit, die Bedürfnisse des Kunden zu kennen, da ein individuell abgestimmtes Leistungsangebot im Rahmen des auch als One-to-one-Marketing bezeichneten Vorgehens weniger aufdringlich erscheint und zudem die Kundenbindung erhöhen soll.[53]

2.3 Kampagnenerfolg

Nach Beendigung einer Kampagne steht die Ermittlung des betriebswirtschaftlichen Kampagnenerfolgs und der zugrunde liegenden Ursachen – z.B. Erfolg eines bestimmten Vertriebskanals – im Vordergrund der Analyse, um künftige Marketingmaßnahmen zu verbessern. Um den Erfolg einer Kampagne bewerten zu können, muss versucht werden, die durch die angewandten kommunikativen Maßnahmen erreichte Verhaltenswirkung zu messen.[54] Damit die Messung des Kampagnenerfolges sichergestellt werden kann, ist es wichtig, die Abschlüsse und deren Ursachen möglichst kontinuierlich und tatsachengerecht in die Kundendatenbank einfließen zu lassen.[55] In der Praxis ist in diesem Zuge die Erfassung von Anspracheerfolgen ein kritischer Faktor, da diese unter Umständen nicht im Einklang mit den Zielen des Beraters steht.[56] Eine weitere Aufgabe im Rahmen der Erfolgsmessung ist die Elimination von Störfaktoren, z.B. in Form von externen Einflüssen wie saisonalen Trends, Veränderungen der wirtschaftlichen Lage oder einer Aktion eines Wettbewerbers. Zur Bereinigung der Erfolgsmessung um diese Einflüsse werden beispielsweise ceteris paribus so genannte Kontrollgruppen gebildet, die per Zufallsstichprobe ausgewählt werden, wodurch sie im Erwartungswert die gleichen Eigenschaften haben, jedoch nicht mit in die Kampagne einbezogen werden. Durch eine Differenzenbildung zwischen dem Effekt der „Kampagnengruppe“ mit der Kontrollgruppe kann der Kampagneneffekt isoliert betrachtet werden. In den folgenden Unterabschnitten werden drei Verfahren vorgestellt, um den Kampagneneffekt zu messen.

2.3.1 Responsequote

Die Responsequote (u.a. auch als Reaktionsrate bezeichnet) wird berechnet, indem man die Anzahl der angesprochenen Kunden, die abgeschlossen haben, ins Verhältnis zu allen angesprochenen Kunden setzt (vgl. auch Tabelle 5 in Abschnitt 4.6.2). Die Optimierung dieser Kennzahl ist jedoch nicht mit einem maximalen Erfolg der durchgeführten Kampagne gleichzusetzen, da sie z.B. die Ertrags- und Kostenstruktur und sowohl die Anzahl der Kunden, die abgeschlossen hätten, wenn sie angesprochen worden wären, als auch die Anzahl der Kunden, die abgeschlossen hätten, wenn sie nicht angesprochen worden wären, unbeachtet lässt.[57] Doch die Betrachtung der Responsequote sagt zumindest etwas über die Werbewirkung in der angesprochenen Gruppe im Kampagnenzeitraum aus. Sie stellt ein einfach zu berechnendes und leicht verständliches Maß dar, bei dem sich über eine Kontrollgruppe verzerrende Effekte eliminieren lassen.[58] Des Weiteren bietet sie eine gewisse Vergleichsmöglichkeit der Reagibilität von Kundengruppen, unterschiedlicher Selektionskriterien sowie verschiedener Formen der Kundenansprache. Somit ist die um Abschlüsse, die wahrscheinlich auch ohne Ansprache getätigt worden wären, bereinigte Responsequote isoliert betrachtet eher als Wirkungsgrad der Marketingansprache zu sehen bzw. als Grundlage für die Berechnung weiterer Kennzahlen, die einen stärkeren betriebswirtschaftlichen Fokus haben zu nutzen. Sie ist isoliert betrachtet kein Maß für den Kampagnenerfolg im betriebswirtschaftlichen Sinne.

2.3.2 Deckungsbeitragsrechnung

Die Rentabilität einer Kampagne kann auch im Rahmen einer einfachen Deckungsbeitragsrechnung ermittelt werden.[59] Bei dieser Methode wird die Summe aller durch die Kampagne generierten Erlöse der Periode abzüglich Erlösschmälerungen, die z.B. bei Kunden entstehen, die von einem margenstarken auf ein margenschwaches Produkt wechseln, sowie variabler und anteiliger Kampagnenfixkosten betrachtet. In der Praxis wird dabei meist auf Durchschnittswerte der gesamten Kunden oder – wenn möglich - nur bestimmter Kundengruppen, gesetzt, die neben der Responsequote bzw. der um die Abschlüsse der Kontrollgruppe bereinigten, korrigierten Responsequote, in die Berechnung einfließen. Ein Problem der Deckungsbeitragsrechnung besteht in der Bankpraxis darin, dass teilweise nur eine Periode betrachtet wird, wodurch z.B. der Verkauf eines Produktes mit sofortiger Vereinnahmung der Prämie gegenüber Produkten mit mehrperiodiger Zinsmarge bevorteilt wird.[60] In Abhängigkeit des Produktes und des Zeithorizontes ist somit die Forderung nach einem möglichst positiven Kampagnendeckungsbeitrag kritisch zu prüfen, kann aber insbesondere in der Praxis als brauchbarer Ansatz klassifiziert werden, auch wenn die Einschätzung im Einzelfall, z.B. durch starke intertemporale Effekte, abweichen kann.

2.3.3 Prospektiver Kundenwert

Im Rahmen des ökonomischen Managements von Kundenbeziehungen mit dem Ziel Erträge langfristig zu optimieren, rückte die Forderung auch zukünftige Perioden in die Deckungsbeitragsrechnung einzubeziehen, seit der Jahrtausendwende stärker in den Mittelpunkt des Marketinginteresses.[61] Der Kundenwert[62] kann dabei – neben Kundenzufriedenheit und Bankloyalität – als einer von drei Bausteinen einer Kundenbeziehung bzw. dem Relationship-Banking gesehen werden.[63] Dieser soll in diesem Abschnitt – herausgelöst aus dem Gesamtkonzept – betrachtet werden, da er die eigentliche Zielgröße des Relationship-Banking darstellt, wobei er basierend auf unterschiedlichen Ansätzen berechnet bzw. geschätzt werden kann.[64] Der Kundenwert besteht dabei aus einer hier nicht weiter berücksichtigten rückwärtsgerichteten Komponente, die erfasst wie viel Gewinn mit dem Kunden bereits erzielt wurde, und einer zukunftsgerichteten Komponente, die erfasst, wie viel Gewinn voraussichtlich in der Zukunft mit dem Kunden erwirtschaftet werden kann. Dieser zukunftsgerichtete oder auch prospektive Kundenwert,[65] der als Summe der zukünftig prognostizierten, risikoadjustiert diskontierten FCFs aller Kunden[66] berechnet wird, stellt hierbei einen Bestandteil des Unternehmenswertes von Banken dar und kann weitgehend unabhängig von den anderen Geschäftsfeldern betrachtet werden.[67] Er lässt sich folgendermaßen formalisieren:[68]

Abbildung in dieser Leseprobe nicht enthalten

wobei:
KW Ertragswert aller N Kunden
KWj Ertragswert des Kunden j über alle Transaktionsperioden t
Et,j Erlöse des Kunden j in der Periode t
At,j Kosten zur Generierung des Kunden j in der Periode t
t Transaktionsperiode
T Gesamtdauer der Geschäftsbeziehung[69]
i risikoadjustierter Kalkulationszinsfuß

Die Differenz Et,j-At,j kann auch durch den maßgeblichen Deckungsbeitrag ersetzt werden.[70] Die Wahl eines risikoadjustierten Kalkulationszinsfußes erfolgt entsprechend einer risikoäquivalenten Kapitalmarktrendite.[71] Neben den rein monetären Einflüssen sollte versucht werden den Kundenwert ganzheitlich zu ermitteln. So sollten u.a. auch Weiterempfehlungen[72] sowie der Informationswert des Kunden in die Berechnung einfließen.[73] Menzel (2006) konzipiert ein Kundenwertmodell, in welchem – unter einer rein deckungsbeitragsorientierten Betrachtung – der Kundenstamm in 22 Segmente mit bestimmten Deckungsbeiträgen aufgeteilt wird. Er schließt retrograd auf der Basis von ex post beobachteten Deckungsbeitragsentwicklungen auf die Kundenwanderungen innerhalb dieser Segmente und kann somit annahmebasiert den Wert des Kundenstammes errechnen.[74] Eine Anwendung im Rahmen der Erfolgsmessung von Kampagnen ist jedoch nur schwer möglich, da z.B. keine Annahmen über die Reagibilität des Kunden auf bestimmte Werbemittel bzw. die Veränderung der Wahrscheinlichkeiten für die Wanderungsbewegungen zu anderen Segmenten getroffen werden. Bei Einsatz des prospektiven Kundenwerts zur Kampagnenerfolgsmessung müsste dabei folgende Anforderung gelten:

Abbildung in dieser Leseprobe nicht enthalten

wobei:
KW+ Kundenwert bei Durchführung der Kampagne
KW- Kundenwert ohne Durchführung der Kampagne

Dabei ist anzumerken, dass in dieser vereinfachten Darstellung sowohl die Kosten der Kampagne als auch die durch diese generierten Mehrerlöse in KW+ enthalten sind. Um KW+ berechnen zu können, müssen sowohl die Fixkosten für die Kampagnenplanung als auch variable Kosten und direkte bzw. indirekte Erlöse aus der Kampagnendurchführung verrechnet werden. Wichtig ist, dass neben den Abschlüssen aus der Kampagne z.B. auch die Änderungen im Kundenverhalten der künftigen Jahre sowie Interaktionseffekte zu anderen Kampagnen berechnet werden müssen.[75]

Zusammenfassend kann bezüglich der Messung des Kampagnenerfolges festgehalten werden, dass die Konzeption des prospektiven Kundenwertes das fortschrittlichste Instrumentarium der hier vorgestellten Ansätze darstellt, in dessen Rahmen zugleich aber auch die meisten Annahmen getroffen werden müssen. Des Weiteren stellt das Verfahren die höchsten Anforderungen an Berechnung und Prognose, weshalb der Praxiseinsatz in der Erfolgsmessung von Kampagnen – vor allem in kleinen und mittleren Filialbanken – genau zu prüfen ist.

2.3.4 Bewertung

Für den Einsatz in kleinen und mittleren Filialbanken muss in Abhängigkeit der dort bereits vorhandenen Systeme und der Tiefe des Controllings entschieden werden, welches Maß für die Ermittlung des Kampagnenerfolgs in Bezug auf die einzelne Kampagne oder ein Kampagnenbündel gewählt wird. Der prospektive Kundenwert ist dabei von seiner Konzeption her das geeignete Instrument; dieser kann jedoch aufgrund der Vielzahl von Parametern, die für seine Ermittlung benötigt werden, in der Praxis nur mit großen Unsicherheiten, Ungenauigkeiten und sehr großem Aufwand berechnet werden. Bereits bei kleinen Änderungen des risikoadjustierten Kalkulationszinsfußes, der geschätzt werden muss, können sich aufgrund des langen Betrachtungszeitraumes große Veränderungen ergeben. Das Problem der Ungenauigkeit existiert zwar auch für die Deckungsbeitragsrechnung, bei der je nach Zurechnung der Kosten und Erlöse die Ausweisung des Kampagnenerfolgs variiert, diese Ungenauigkeit wird jedoch als geringer eingeschätzt, da deutlich weniger Parameter zur Berechnung des Kampagnendeckungsbeitrages benötigt werden. Daher sollte eine Deckungsbeitragsrechnung, die die Beiträge der beworbenen Produkte und zusätzlicher Erlöse aus dem cross-selling berücksichtigt, zur Kampagnenerfolgsmessung herangezogen werden, sofern die benötigten Informationen vorliegen bzw. kostengünstig erhoben werden können. Andernfalls sollte lediglich die um Abschlüsse einer Kontrollgruppe bereinigte[76] Responsequote betrachtet werden, um den Kampagnenerfolg abschätzen zu können.

3 Optimale Kampagnenplanung

Nachdem im zweiten Kapitel drei Methoden zur Messung des Kampagnenerfolges beschrieben wurden, wird im vorliegenden Kapitel die optimale Kampagnenplanung betrachtet werden. Dazu werden zunächst die Rahmenbedingungen sowie die bisherige, in kleinen und mittleren Filialbanken häufig anzutreffende Selektionspraxis beschrieben. Im dritten Unterabschnitt wird dann auf die Grundlagen eines Verfahrens zur Verbesserung der Kampagnenselektion eingegangen.

3.1 Rahmenbedingungen

Marketing-Entscheider sollen in der Praxis den ROMI (Return On Marketing Investment)[77] ihrer Unternehmung maximieren.[78] Dieses Ziel steht im Einklang mit einer Kampagnenplanung, die die Maximierung des Kundenwertes zum Ziel hat. Dabei ist die Entscheidung, eine Kampagne durchzuführen somit entsprechend der Entscheidung über ein durchzuführendes Investitionsprojekt zu treffen,[79] wobei wiederum alle Kampagnen miteinander interagieren und diese Effekte ebenfalls berücksichtigt werden müssten. Dieses Problem wird für die vorliegende Arbeit dahingehend vereinfacht, dass lediglich eine Einzelbetrachtung der jeweiligen Kampagne durchgeführt und diese somit als unabhängig von den anderen Kampagnen angenommen wird. Diese Annahme soll damit gerechtfertigt werden, dass keine parallele Planung erfolgt und somit die Ergebnisse früherer Kampagnen in den Planungsprozess einfließen können, so dass keine Kannibalisierungseffekte auftreten. Des Weiteren wird die Kampagnenplanung nicht auf einer Maximierung des prospektiven Kundenwertes basieren, da die Messung und Implementierung dieser Kennzahl in kleinen und mittleren Filialbanken nicht oder nur in wenigen Fällen umgesetzt ist bzw. als sinnvoll umsetzbar eingeschätzt wird. Somit wird hier eine Maximierung des Kampagnenergebnisses auf Basis der Deckungsbeitragssteigerung bzw. auf Basis der Responsequote betrachtet. Weitere wichtige Determinanten wie z.B.

- Zeitpunkt der Kundenansprache innerhalb des Jahres
- Wahl des effizientesten Ansprachekanals
- Wahl der effektivsten Finanzdienstleistung
- Interaktionen zwischen den Ansprachekanälen
- Individuelle Betrachtung der Kundenreagibilität
- Preisdiskriminierung von Kunden

werden dabei nicht in die Optimierung einbezogen. Der Grund hierfür liegt darin, dass ein pragmatisches Vorgehen entwickelt werden soll, das für kleine und mittlere Filialbanken sofort und mit geringem Aufwand einsetzbar ist und dadurch die derzeitige Praxis verbessert. Die nicht beachteten Einflussfaktoren könnten in späteren Modellen als Ergänzung verwendet werden, die auf den gesammelten Daten und Erfahrungen aufbauen.

Die zentrale Frage für die Kampagnenplanung lautet somit, welcher Kunde das Zielprodukt (in welcher Menge) unter Berücksichtigung eines bestimmten Ansprachekanals potenziell kauft bzw. wie hoch dessen Abschlusswahrscheinlichkeit ist. Zur Beantwortung dieser Frage finden sich in der Literatur zahlreiche Ansätze der primären und sekundären Marktforschung.[80] Dabei ist die Datenmenge von Banken, die zumindest über aktuelle Kundenbestandsdaten verfügen, hinreichend groß, um im Rahmen des Database Marketing Informationen zu extrahieren und Kunden für Kampagen zu selektieren.[81]

3.2 Traditionelle Selektion

Im Rahmen der Kampagnenplanung erfolgt die Selektion der Zielkunden in kleinen und mittleren Filialbanken in der Regel anhand von Eigenschaften, die – aus Sicht der zuständigen Mitarbeiter – Kunden haben sollten, die für das beworbene Produkt infrage kommen. Diese Auswahl orientiert sich dabei häufig an einer groben Schätzung des Kundenbedarfs bzw. Erfahrungswerten aus bereits durchgeführten Kampagnen und umfasst zumeist in erster Linie soziodemografische Merkmale wie Alter oder Einkommen. Teilweise wird die Selektion dabei durch die Auswertung einfacher deskriptiver Statistiken unterstützt. Eine individuelle Schätzung von Abschlusswahrscheinlichkeiten findet dabei nicht statt. Vielmehr wird ein Kunde, der die Selektionskriterien erfüllt, der Gruppe der prognostizierten Reagierer zugeordnet. Von der auf diese Weise erhaltenen Zielgruppe werden alle Kunden, die bestimmten Negativkriterien[82] entsprechen, abgezogen. In einigen Fällen wird im Vorfeld der Kampagne festgelegt, wie viele Kunden angesprochen werden sollen, in anderen Fällen richtet sich die Anzahl der anzusprechenden Kunden nach der Anzahl der selektierten Kunden. Das Vorgehen richtet sich dabei z.B. nach der Auslastung der Call-Center-Kapazitäten und der Filialmitarbeiter oder nach bestimmten Zielgrößen. Übersteigt die Anzahl der Zielkunden die vorher geplante Kapazität, wird entweder ein Selektionskriterium verschärft oder eine Zufallsauswahl getroffen; wurde hingegen keine Kapazitätsrestriktion festgelegt, werden alle Kunden angesprochen, die den ausgewählten Merkmalen entsprechen. Die Prognose des Kampagnenerfolgs basiert im Wesentlichen auf Erfahrungswerten bezüglich der Responsequote sowie – sofern gemessen – den realisierten Erträgen vorausgegangener Kampagnen. Die Kampagnenselektion umfasst nur einen kleinen Anteil des Aufgabenbereichs der hierfür verantwortlichen Mitarbeiter, so dass Erfahrungswerte nur langsam aufgebaut werden können. Des Weiteren sind die Marketing-Aktivitäten in einigen kleinen und mittleren Instituten eher im qualitativ operativen Bereich angesiedelt und betreffen Bereiche wie z.B. Presse- und Öffentlichkeitsarbeit, Veranstaltungsorganisation oder die Werbemittelauswahl, so dass eine systematische Bearbeitung des Kundenbestandes nur eingeschränkt erfolgen kann.

3.3 Verbesserungsansatz

Die Idee, die Kampagnenselektion von kleinen und mittleren Filialbanken zu verbessern basiert darauf, dass für jeden Kunden individuell geschätzt wird (vgl. Abschnitt 4), ob bei einer Ansprache ein positiver Kampagnenbeitrag generiert werden kann. Die Anzahl der anzuschreibenden Kunden ergibt sich dabei aus dem Gewinnmaximum (vgl. Abbildung 9).

Abbildung 9 Möglicher Verlauf des Kampagnenerfolgs in Abhängigkeit angeschriebener Kunden

Abbildung in dieser Leseprobe nicht enthalten
Quelle: In Anlehnung an Ling/Li, 1998, S. 76.

Im Fall einer reinen Direktmarketing-Kampagne für Neukunden ist diese formale Bedingung unter der Annahme, dass nur angesprochene Kunden abschließen, relativ einfach zu prüfen. Hier werden alle Kunden xj angeschrieben, bei denen gilt:

Abbildung in dieser Leseprobe nicht enthalten

wobei:
G( ) Gewinnfunktion
xj Kunde j
pj individuelle Abschlusswahrscheinlichkeit des Kunden j
dbj Deckungsbeitrag des Kunden j bei Abschluss
kv einheitliche, variable Kosten der Ansprache

Ferner ist zu berücksichtigen, dass durch die Gewinnbeiträge aller angeschriebenen Kunden auch die Fixkosten der Kampagnenplanung gedeckt werden müssen.[83]

Im Bestandskundenmarketing hingegen ist diese Gleichung zu erweitern, da (wie bereits in Abschnitt 2.3.1 erwähnt) ein Teil der Kunden, die angesprochen werden, ohne Ansprache ebenfalls abgeschlossen hätte.[84] Abbildung 10 verdeutlicht dabei den Zusammenhang zwischen Reaktionswahrscheinlichkeit auf eine Ansprache und der Wahrscheinlichkeit, dass ein Abschluss auch ohne Ansprache getätigt wird.

Abbildung 10 Werbe-Kaufwahrscheinlichkeits-Portfolio

Abbildung in dieser Leseprobe nicht enthalten
Quelle: In Anlehnung an Helmke/Uebel, 2008, S. 124.

Die Abbildung zeigt, dass es zwar Kunden gibt, die eine hohe Abschlusswahrscheinlichkeit besitzen, der Effekt einer Ansprache jedoch nicht oder nur in geringem Maße zu einer Steigerung ihrer Abschlusswahrscheinlichkeit beiträgt (autonome Fans), wohingegen es Kunden gibt, deren Abschlusswahrscheinlichkeit ohne Ansprache gering ist und deren Kaufimpuls erst durch eine Ansprache ausgelöst wird (werbeaffine Zögerer). Diese Darstellung soll ein Bewusstsein für diese Problematik schaffen, wobei für die hier vorgestellte pragmatische Lösung von einem starken positiven Zusammenhang zwischen der Wahrscheinlichkeit, dass der Kunde ohne Ansprache reagiert und der Wahrscheinlichkeit der Reaktion des Kunden auf eine Ansprache, ausgegangen wird, wodurch insbesondere die Gruppen der „autonomen Zögerer“ und der „werbeaffinen Fans“ stark besetzt sind. Somit steht im Fokus der Marketingdirektansprache die Absicht, die Gruppe der „werbeaffinen Fans“ zu einem Produktabschluss im eigenen Hause – und nicht bei einem Fremdanbieter – zu animieren und diese gegenüber den Kunden abzugrenzen, die das Produkt tendenziell nicht kaufen (annahmegemäß im Wesentlichen „autonome Zögerer“).

Der Effekt, dass Kunden auch ohne Ansprache abschließen, soll aufgenommen werden, indem pj durch Δpj ersetzt wird, wobei Δpj als Steigerung der Abschlusswahrscheinlichkeit durch Ansprache im Rahmen der Kampagne interpretiert werden kann. Für Δpj ist ein negativer Wert zulässig, wobei grundsätzlich gilt, dass alle Kunden mit einem negativen Δpj nicht angesprochen werden. Des Weiteren ist anzumerken, dass dbj hier eher als Δdbj und somit als Deckungsbeitragssteigerung des Kunden j durch den Abschluss anzusehen ist, da bereits eine bestehende Kundenbeziehung existiert.[85] Außerdem kann der Effekt berücksichtigt werden, dass sich Kunden durch einen Produktabschluss stärker an die Bank binden. Stock (2006) weist dabei nach, dass Kunden, die über eine höhere Produktnutzung verfügen, eine geringere Wahrscheinlichkeit haben abzuwandern, was sich wiederum positiv auf den Kundenwert auswirkt.[86]

Somit kann konstatiert werden, dass für die optimale Kampagnenplanung im Bestandskundenmarketing die folgenden drei Aspekte ermittelt werden müssen: Erstens die Kosten der Kampagne, die relativ gut zu schätzen sind, zweitens die erwarteten Deckungsbeitragssteigerungen der Kunden bei Abschluss, die per Annahme einem höheren Unsicherheitsfaktor unterworfen sind, und drittens die Steigerung der Abschluss-/ Kaufwahrscheinlichkeit, die tendenziell mit der höchsten Unsicherheit behaftet ist.[87] Die Herausforderungen, die sich aus dieser Konzeption für die Marketingpraxis von kleinen und mittleren Filialbanken ergeben, werden nach Darstellung des bisherigen Vorgehens zur Kampagnenplanung sowie des Data-Mining-Prozesses in Kapitel 5.3 erläutert.

4 Anwendung in kleinen und mittleren Filialbanken

Nach der Darstellung der Grundlagen, die für ein Prognoseverfahren zur Verbesserung von Kampagnen in kleinen und mittleren Filialbanken relevant erscheinen, soll sich dieses Kapitel mit möglichen Modellen zur Verbesserung der Ergebnisse von Kampagnen beschäftigen. Dabei wird die Konzeption eines Zielkundenselektionsprozesses auf der Basis von Produktbesitz vorgestellt und bewertet[88] sowie eine theoretische Einordnung der Prognoseleistung der Kampagne im Vergleich zur Datenbasis weiterer denkbarer Modelle vorgenommen. Des Weiteren werden Ansätze zur Erweiterung des Modells vorgestellt, die jedoch im Verlauf der Arbeit nicht weiter ausgeführt werden, sowie die Voraussetzungen des Einsatzes von Data-Mining-Techniken beschrieben. In den folgenden Unterabschnitten folgt die Darstellung des um die datengetriebene Kundenselektion erweiterten Kampagnenprozesses sowie die Auswahl und Bewertung der Instrumente zu dessen Durchführung.

4.1 Basiskonzeption

Die Grundidee der Konzeption einer datengetriebenen Kundenselektion besteht darin, verfügbare Kundeninformationen zu nutzen, um den Erfolg von Kampagnen zu steigern, wobei der Aufwand der Informationsbeschaffung miteinbezogen werden soll. Hierbei wird davon ausgegangen, dass ein Informationszuwachs[89] zumeist eine bessere, mindestens jedoch eine gleichbleibende Prognosegüte liefert. In kleinen und mittleren Sparkassen sind trotz der steuerlichen und handelsrechtlichen Aufzeichnungspflicht[90] aufgrund der hohen Speicheranforderungen nicht alle Geschäftsvorfälle bzw. Stichtagswerte mit Datenbankabfragen zu erhalten, da diese nach einer gewissen Frist mikroverfilmt werden und nicht mehr zugänglich sind.[91] Die Konzeption beruht auf der Annahme, dass das Kundenverhalten keiner starken Veränderung unterworfen ist, so dass die Prognose zukünftiger Produktabschlüsse auf der Basis historischer Daten erfolgen kann.[92]

Zur Kundenselektion auf der Basis von Produktbesitz wird eine Dummy-Variable erschaffen, die den Wert 1 annimmt, sofern der Kunde das Produkt besitzt, und sonst 0 ist. Diese wird dann im Rahmen des Data-Mining als zu erklärende Variable benutzt, so dass die Merkmale identifiziert werden können, die den Produktbesitz am Besten erklären. Dieses Vorgehen ist mit einigen Anforderungen an die exogenen Daten behaftet, damit die Ergebnisse hinsichtlich der Affinität für den Produktabschluss übertragen werden können und nicht zu stark verzerrt sind. Eine Anforderung besteht darin, dass sich die erklärenden Variablen seit dem Produktabschluss nicht zu stark durch äußere Einflüsse oder auch durch den Abschluss als solchen geändert haben dürfen.[93] Diese Variablen sind zu identifizieren und aus dem Prognosevorgang auszuschließen. Des Weiteren müssen Auswirkungen geklärt werden, die sich dadurch ergeben, dass der Zeitpunkt des Abschlusses mehrere Jahre zurückliegt, wodurch eine starke Veränderung der exogenen Variablen im Vergleich zum Abschlusszeitpunkt eingetreten sein kann. Dieses Problem lässt sich verringern, indem nur Produkte aufgenommen werden, die in einem kürzer zurückliegenden Zeitraum abgeschlossen wurden. Sollte der Abschlusszeitpunkt nicht ermittelbar sein, so kann dieser durch die Veränderung der Produkteigenschaften geschätzt werden.[94]

Als Prognoseergebnis ergibt sich eine Schätzung für den Produktbesitz, so dass eine Reihenfolge der Kunden hinsichtlich ihrer Präferenz gebildet werden kann; eine Transformation der prognostizierten Wahrscheinlichkeiten für den Produktbesitz in Abschlusswahrscheinlichkeiten als Erfolg der Kampagne ist hingegen nicht möglich. Diese können lediglich auf der Basis von Erfahrungswerten geschätzt werden, was auch für die Reagibilität auf verschiedene Ansprachekanäle bzw. deren Kombination gilt. Aufgrund des vermuteten Zusammenhangs zwischen Produktbesitz, Abschlusswahrscheinlichkeit und Reagibilität des Kunden auf eine Werbeansprache (vgl. Abschnitt 3.3) sowie der Einfachheit des Verfahrens sollten jedoch Verbesserungen gegenüber der bisherigen Kundenselektion zu realisieren sein.

Durch eine direkte Schätzung des Produktabschlusses auf der Basis von zwei- bzw. mehrperiodigen Paneldaten ließe sich dieses Verfahren jedoch unter Umständen verbessern. Hierbei würde jedem Kunden zugeordnet werden, ob er ein bestimmtes Produkt abgeschlossen hat oder nicht. Der Schätzprozess hingegen würde auf Basis der exogenen Variablen vor Produktabschluss erfolgen, so dass sowohl eine Endogenität als auch eine Veränderung der exogenen Variablen ausgeschlossen wäre.[95] Der Nachteil dieser Methode liegt hier insbesondere für kleinere Filialbanken darin, dass bei kurzen Zeiträumen oder Produkten mit niedrigen Verkaufszahlen die Menge der Produktabschlüsse zu gering sein könnte, um eine aussagekräftige Schätzung vornehmen zu können. Zudem liegen in kleinen und mittleren Filialbanken häufig nur sehr kurze historische Zeiträume für die relevanten Daten vor. Ein Konzept, das auch hier noch weitere Verbesserungsansätze hinsichtlich der Genauigkeit der Prognose liefern kann, ist die Schätzung auf der Basis von Verhaltensdaten vorangegangener Kampagnen bzw. auf Basis einer Testgruppe (Pre-Test)[96], wobei hier auch mehrere Zeitpunkte vorliegen sollten.[97] Durch Verwendung dieser Daten können Aussagen über die Reaktionswahrscheinlichkeit auf die erprobten Kundenansprachen getroffen werden, so dass die zuverlässigsten Prognosen hinsichtlich der Abschlusswahrscheinlichkeit und damit des Kampagnenergebnisses getroffen werden können. Die Methode kann auch verwendet werden, um ein geeignetes Produkt oder Werbemittel auszuwählen.[98] Das Problem dieser Methode liegt jedoch darin, dass für ein zu bewerbendes Produkt tendenziell keine Erfahrungswerte vorliegen bzw. dass wiederum die Anzahl der Fälle zu niedrig ist, um die Ergebnisse verallgemeinern zu können. Hinsichtlich einer Testgruppe lässt sich festhalten, dass diese bereits im Vorfeld Kosten für Planung, Umsetzung und Auswertung verursacht, die das Kampagnenergebnis stark belasten und mangels Skaleneffekten in kleinen und mittleren Filialbanken tendenziell nicht durch zielgenaueres Werben ausgeglichen werden können. Ein Problem, welches von keinem der vorgestellten Verfahren gelöst werden kann, ist die Bestimmung des richtigen Zeitpunktes für die Kundenansprache.[99] Diese kann lediglich auf der Basis von Erfahrungen vieler vorangegangener Kampagnen angenähert werden.[100] Tabelle 1 liefert eine zusammenfassende Übersicht über den Affinitätsschätzungsprozess auf der Basis von Produktbesitz im Vergleich zu den beiden anderen vorgestellten Verfahren.

Tabelle 1 Zusammenfassung datengetriebener Kundenselektionsverfahren

Abbildung in dieser Leseprobe nicht enthalten
Bei Betrachtung von Tabelle 1 kann festgestellt werden, dass die Schätzung auf der Basis von Produktbesitz durch die berücksichtigten Daten tendenziell (aufgrund der Endogenität sowie der möglichen Veränderung exogener Variablen im Zeitverlauf) mit den höchsten Prognosefehlern behaftet ist. Ihre Vorteile liegen hingegen darin, dass die benötigten Daten in der Regel in kleinen und mittleren Filialbanken vorliegen bzw. relativ einfach beschafft werden können. Des Weiteren liegen in der Regel bereits genügend Abschlüsse vor, um den Produktbesitz sinnvoll schätzen zu können.[101] Es ergibt sich somit eine kostengünstige Umsetzung bei sofortiger Realisierbarkeit, wobei die Ungenauigkeit der Prognose im Vergleich zur traditionellen Selektion bzw. anderen Verfahren bewertet werden muss.

4.2 Fortgeschrittenere Ansätze

Eine Erweiterung der Basiskonzeption, die nur die Wahrscheinlichkeit des Produktbesitzes schätzt, könnte darin bestehen, auch die Höhe des erwarteten Produktbesitzes zu prognostizieren. Dafür kann entweder der Produktbesitz im Rahmen eines einstufigen Verfahrens mehreren Kategorien zugeordnet werden[102] oder im Rahmen eines zweistufigen Verfahrens zunächst die Wahrscheinlichkeit und darauf aufbauend die Höhe des Produktbesitzes geschätzt werden. Dieses Vorgehen kann dabei auch auf die beiden anderen oben vorgestellten Konzepte übertragen werden. Der Vorteil liegt darin, dass der Kampagnenerfolg besser planbar wird und die Kundenansprache stärker unter Ertragsgesichtspunkten erfolgt. Allerdings ist insbesondere für die Schätzung auf der Basis von Produktbesitz festzuhalten, dass hier unter Umständen nicht der ursprüngliche Zustand des Produktes vorzufinden ist, was die Schätzung ungenauer werden lässt. Des Weiteren ist zumindest der zweistufige Ansatz aufwändiger in der Durchführung. Es sollte daher in Abhängigkeit der Datenlage und des zu bewerbenden Produktes entschieden werden, ob ein fortgeschrittenerer Ansatz gewählt werden soll.

4.3 Data-Mining

Geprägt von der Vorstellung mit hohem technologischen Aufwand aus großen Gesteinsmengen Edelmetalle und Edelsteine zu gewinnen, entstand der Begriff Data-Mining, da hier unter Zuhilfenahme anspruchsvoller Methoden Muster und Zusammenhänge aus großen Mengen von Daten gewonnen werden können.[103] Data-Mining ist längst zu einem weitreichend anerkannten Verfahren geworden, um Prozesse zu optimieren und sich Wettbewerbsvorteile zu verschaffen.[104] Dabei benutzen zahlreiche Veröffentlichungen eine Vielzahl unterschiedlicher Definitionen von Data-Mining.[105] Weitgehende Einigkeit besteht darin, dass vorher unbekannte Informationen aus großen Datenmengen extrahiert werden sollen, um (betriebliche) Abläufe zu verbessern. Aus einer Definition von Frawley/Piatetsky-Shapiro/Matheus (1991)[106] leitet Pilger (2008)[107] folgende Anforderungen ab:

- Ergebnisse des Data-Mining sind nicht trivial. Diese Anforderung erfolgt als Abgrenzung zu einfachen Datenbankabfragen und univariaten statistischen Auswertungen, die lediglich den Data-Mining-Prozess unterstützen sollen.
- Es werden zuvor unbekannte Ergebnisse aufgedeckt. Hiermit soll die Methode insbesondere gegenüber bereits bekannten bzw. aus einfachen Abfragen zu erreichenden Informationen abgegrenzt werden.
- Die erlangten Informationen sollen nützlich sein. Hieraus wird deutlich, dass Ergebnisse, die nicht dem eigentlichen Auswertungsziel entsprechen, im aktuellen Data-Mining-Prozess nicht relevant sind.

Dabei sollen die Ergebnisse im Data-Mining-Prozess frei von „a priori“-Hypothesen sein.[108] Hierin besteht insbesondere der Unterschied zur hypothesengetriebenen top-down-Analyse (vgl. Abschnitt 4.5). Dennoch entstehen im Verlauf des Data-Mining-Prozesses so genannte „a posteriori“-Hypothesen, die im Evaluationsprozess zu überprüfen sind.[109] Es ist darauf zu achten, dass nicht die Parameter exogener Variablen als Treiber interpretiert werden, da diese Ergebnisse z.B. schlechter vor Scheinregressionen geschützt sind als es in der hypothesengetriebenen Analyse der Fall ist.[110]

Data-Mining-Verfahren werden seit Jahren erfolgreich in vielen finanzdienstleistungsfernen Branchen eingesetzt,[111] doch auch im Bankensektor hat Data-Mining längst Einzug gehalten.[112]

4.4 Erweiterter Kampagnenablauf

Die Durchführung der Kampagne sollte entlang eines standardisierten Prozesses stattfinden, da durch die Einhaltung eines definierten und erprobten Vorgehens die Qualität der Ergebnisse sichergestellt, unnötige Fehler vermieden und somit das Ziel bestmöglich erreicht werden kann. Dafür wird hier ein Kampagnenablauf entlang des so genannten CRISP-DM (CR oss I ndustry S tandard P rocess for D ata- M ining) geplant, der in der Praxis gemäß einer nicht repräsentativen Umfrage mit 42% am häufigsten genutzt wird.[113] Der CRISP-DM wurde von der Firma SPSS mit Partnern im Rahmen eines EU-Projektes entwickelt.[114] Dieser allgemeine Prozess wird in den Kampagnenprozess integriert (vgl. Abbildung 11).

Abbildung 11 Erweiterter Kampagnenablauf

Abbildung in dieser Leseprobe nicht enthalten
Quelle: In Anlehnung an CRISP-DM Consortium, 2000, S. 13.

Dabei besteht der erste Schritt der Kampagne unverändert in der Kampagnenplanung, z.B. hinsichtlich des Zeitraumes und des zu bewerbenden Produktes sowie der Definition der Ziele. Der anschließende datengetriebene Kundenselektionsprozess beginnt mit der Definition der Datengrundlage und deren Bereitstellung. Es folgt die Aufbereitung der Daten, so dass diese analysiert werden können und darauf aufbauend eine Prognose über künftige Reagierer abgegeben und der Kampagnenerfolg geschätzt werden kann. Danach wird das Modell evaluiert und es erfolgt gegebenenfalls ein erneuter Prognosedurchlauf mit dem Ziel, die Prognosegüte zu verbessern. Bei Prognose eines erfolgversprechenden Kampagnenverlaufs folgt anschließend die Durchführung der Kampagne und nach deren Abschluss die Auswertung ihres tatsächlichen Erfolges. Im Folgenden sollen die Einsatzvoraussetzungen für den datengetriebenen Kundenselektionsprozess sowie die Einzelschritte des erweiterten Kampagnenablaufs dargestellt werden.

[...]


[1] Direktmarketing wird dabei als die systematische Bearbeitung von Bestands- und Neukunden durch Analyse der Kundeninformationen verstanden, wobei Kunden angesprochen werden mit dem Ziel, direkt auf die Ansprache eine Response zu erhalten. Vgl. Tapp, 2000, S. 10.

[2] Gemäß dem empirisch belegbaren Mooreschen Gesetz von 1965 verdoppelt sich die Integrationsdichte von Computerchips alle zwei Jahre. Die Rechenleistung pro eintausend Dollar soll sich derzeit jedes Jahr verdoppeln. Vgl. Buhr, 2007, und Drösser, 2005. Für die rapide Zunahme der Speicherkapazitäten siehe Steudten, 2006.

[3] Vgl. u.a. Hippner/Merzenich/Stolz, 2002, S. 127ff.

[4] Vgl. Menzel, 2006.

[5] Vgl. Wilms, 2008, S. 14. Die Abschlussquote neuer Verträge konnte um 30 bis 100 Prozent im Vergleich zu Mailings ohne Data-Mining gesteigert werden.

[6] Eine zentrale Unterstützung durch die Spitzeninstitute bzw. die Rechenzentren findet derzeit nicht statt.

[7] Vgl. Psychonomics, 2007. Nach dieser Studie könnten sich 47% der Deutschen vorstellen, Versicherungsverträge über ihre Bank abzuschließen. Hochrechnungen ergaben jedoch, dass lediglich 5,7 Mio. bei ihrer Bank einen Versicherungsvertrag abgeschlossen haben.

[8] Für eine Einschätzung des Bestandskundenmarketings in Banken siehe Menzel, 2006, S. 10. Des Weiteren ist festzustellen, dass damit der wichtige Aspekt der Neukundengewinnung – ein häufig vernachlässigter Bereich des Customer Relationship Management – nicht explizit behandelt wird. Vgl. z.B. Gouthier, 2006, S. 473ff. Die hier vorgestellte Methodik kann unter bestimmten Rahmenbedingungen auch zur Verbesserung der Ansprache in der Neukundengewinnung eingesetzt werden.

[9] Vgl. Grussert, 2006, S. 9. Somit werden u.a. Direktbanken, Versicherungsunternehmen, Bausparkassen, Kapitalanlagegesellschaften und Strukturvertriebe nicht berücksichtigt, obwohl die hier vorgestellte Methodik auch für einzelne Finanzdienstleistungsanbieter dieser Gruppen interessant sein könnte.

[10] Vgl. Homburg/Krohmer, 2003, S. 771.

[11] Vgl. Helmke/Uebel, 2008, S.138f. sowie Kapitel 2.3.1. Die Responsequote definiert man als Verhältnis der Reagierer zu allen angesprochenen Kunden.

[12] Vgl. Weinberger, 2004, S. 19.

[13] Vgl. Kerner, 2002, S. 7. Die hier vorgestellten Techniken eignen sich insbesondere für das Privatkundenmengengeschäft, da hier ein hoher Betreuungsaufwand unwirtschaftlich wäre. Des Weiteren sind in den anderen Segmenten, wie z.B. dem Geschäft mit vermögenden Privatkunden die Fallzahlen häufig zu klein, um sinnvoll klassifizieren zu können und die Beziehung zwischen Berater und Kunde so eng, dass dieser besser über die Bedürfnisse des Kunden informiert sein müsste.

[14] Vgl. Hippner, 2006, S. 17ff.

[15] Vgl. Nießner, 2001, S. 1448. Gemäß §1a KWG zählen zu den Finanzdienstleistungen die Anlage- und Abschlussvermittlung, die Finanzportfolioverwaltung, der Eigenhandel für Dritte sowie die nicht durch die Wertpapierdienstleistungsrichtlinie vorgegebenen aber zur besseren Überwachung der Geldwäsche aufgenommenen Geschäfte der Drittstaateneinlagenvermittlung, das Finanztransfergeschäft, das Sortengeschäft und das Kreditkartengeschäft.

[16] Vgl. u.a. Büschgen/Börner, 2003; Dinauer, 2008; Tropp/Reichel, 2007.

[17] Vgl. u.a. DSGV, 2008a; BVR, 2008a; Bundesverband deutscher Banken e.V., 2008; BaFin, 2008; Statistisches Bundesamt, 2008.

[18] Vgl. Baxmann, 2008, S. 5; Thomas, 2008, S. 13. Feinere Ansätze zur Unterteilung z.B. bei Voit, 2002, S. 68f.

[19] Vgl. Thomas, 2008, S. 13.

[20] Vgl. z.B. Mang, 2008, S. 73.

[21] Vgl. Statistisches Bundesamt, 2007.

[22] Vgl. Brunner et al., 2004, S. 2ff. für eine gute Beschreibung der Säulen des deutschen Bankensektors. Trotz der steigenden Zunahme des Gewichts der Direktbanken ist deren Einfluss – mit Ausnahme des Direct Brokerage und der Tagesgeldkonten – eher gering.

[23] Die Sparkassen-Finanzgruppe wird ohne Landesbanken dargestellt, da diese kein bzw. ein nur in geringem Umfang standardisiertes Mengenkundengeschäft betreiben.

[24] Vgl. Deutsche Bundesbank, 2008. Zu den Großbanken werden Commerzbank, Deutsche Bank, Dresdner Bank, HypoVereinsbank sowie Postbank gerechnet. Es ist anzumerken, dass die Deutsche Bank eine Minderheitsbeteiligung i.H.v. 29,75% an der Postbank – vorbehaltlich der Zustimmung der zuständigen Aufsichts- und Kartellbehörden sowie der Bundesregierung – einschließlich einer Option auf ein weiteres Aktienpaket i.H.v. 18,0% erworben hat. Vgl. Deutsche Bank, 2008a. Außerdem wird die Commerzbank die Dresdner Bank zu 100% von der Allianz übernehmen. Vgl. Commerzbank, 2008a. Somit wird es zukünftig nur noch drei Großbanken geben.

[25] Vgl. Ifak Institut/Marplan/Media Markt Analysen, 2008.

[26] Der Marktanteil für Girokonten ist dabei als im Vergleich zu anderen Produktgruppen besonders hoch einzuschätzen. Dennoch gibt es im Filialbankbereich nur wenige Banken, die das Filialkundenmengengeschäft betreiben. Eine größere Konkurrenz besteht vielmehr durch Direktbanken/-versicherungen, Versicherungsagenturen sowie unabhängige Vermögensberater.

[27] Die Landesbanken, die auch zur Sparkassenfinanzgruppe gerechnet werden sowie die genossenschaftlichen Spitzeninstitute bleiben in dieser Betrachtung unberücksichtigt, da sie nicht bzw. nur sehr eingeschränkt im Privatkundengeschäft tätig sind.

[28] Eine ausführliche tabellarische Darstellung der Bilanzsummenverteilung innerhalb der Sparkassen und Genossenschaftsbanken per 31.12.2007 findet sich im Anhang, Abbildung A. 1 und Abbildung A. 2.

[29] Vgl. Deutsche Bank, 2008c; Commerzbank, 2008b; BVR, 2008c; DSGV, 2008c.

[30] Vgl. faz.net, 2006.Stellvertretend dafür steht auch die von den Medien vielzitierte Aussage des Vorstandsvorsitzenden der Deutschen Bank Dr. Josef Ackermann, eine Eigenkapitalrendite von 25% anzustreben. Für das Konzept des Shareholder-Value vgl. z.B. Hartmann-Wendels/Pfingsten/Weber, 2007, S. 351f.

[31] Vgl. Volkart, 1998, für das Konzept des FCF, S. 102f., vgl. Rappaport, 1998, S. 32 zur risikoadjustierten Diskontierung und vgl. Brealey/Myers/Allen, 2006, S. 189ff. zur Berechnung des Zinssatzes über das Capital Asset Pricing Model (CAPM).

[32] Vgl. Rauschenberger, 2002, S. 22.

[33] Eine Alternative stellt z.B. das von Rauschenberger, 2002, vorgestellte Konzept des nachhaltigen Shareholder-Values dar. Für diese Arbeit soll jedoch davon ausgegangen werden, dass es das Ziel ist, den traditionellen Shareholder-Value zu maximieren. Dabei ist festzuhalten, dass es neben vielen Befürwortern des Shareholder-Value-Ansatzes auch Gegner und Zweifler gibt. Vgl. Hartmann-Wendels/Pfingsten/Weber, 2007, S. 352.

[34] Vgl. stellvertretend für die Sparkassengesetze aller Bundesländer das Sparkassengesetz für das Land Schleswig-Holstein, 2008, § 2 (Aufgaben) sowie § 27 (Verwendung von Überschüssen) sowie exemplarisch Förde Sparkasse, 2006, § 2.

[35] Vgl. DSGV, 2008d. Hier finden sich 15 Leitsätze zur Geschäftspolitik von Sparkassen.

[36] Vgl. § 1 (1) Genossenschaftsgesetz […] deren Zweck darauf gerichtet ist, den Erwerb oder die Wirtschaft ihrer Mitglieder oder deren soziale oder kulturelle Belange durch gemeinschaftlichen Geschäftsbetrieb zu fördern […].

[37] Vgl. z.B. Kieler Volksbank, 2008, Satzung. Es ist davon auszugehen, dass der eigentliche Nutzen der Genossenschaftsmitglieder in der Versorgung mit Bankdienstleistungen liegt und ein moderater Gewinn den Geschäftsbetrieb langfristig sichern soll.

[38] Dadurch soll und kann jedoch eine individuell an die Wünsche und Lebenssituation des Kunden angepasste Beratung nicht ersetzt werden

[39] Vgl. Bachem, 2004, S. 138.

[40] Diese Umwälzung wurde auch für Sparkassen und Genossenschaftsbanken spürbar, die traditionell treue Kunden haben. Vgl. Bussmann, 2006, S. 38. Des Weiteren unterhalten heutzutage deutlich mehr Kunden mehrere parallele Bankverbindungen („Multibanking“) Vgl. Schaefer, 2008, S. 4.

[41] Vgl. Sparkasse Aachen, 2008.

[42] Vgl. Bussmann, 2006, S. 40.

[43] Vgl. Schierenbeck et al., 2000, S. 64.

[44] Vgl. Schierenbeck et al., 2000, S. 14.

[45] Vgl. Tapp, 2000, S. 277.

[46] Vgl. Matzer, 2007, S. 16.

[47] Vgl. Hippner/Rentzmann/Wilde, 2006, S. 57.

[48] Cross-selling bezeichnet dabei den Verkauf eines komplementären oder auch nicht zugehörigen Artikels, wohingegen up-selling das Verkaufen des gleichen Artikels in besserer Qualität oder mit einem höheren Volumen bezeichnet. Vgl. Kamakura, 2007, S. 42.

[49] Vgl. Wirtz/Blockus, 2006, S. 205.

[50] Vgl. Brunner/Karsupke, 2001, S. 195. Zur Jahrtausendwende wurden ca. 95% der Kunden passiv gemanagt.

[51] Vgl. Kerner, 2002, S. 341f.; Matzer, 2007, S. 16; Tropp/Reichel, 2007, S. 24ff.

[52] Vgl. Roßbach, 2001, S. 101.

[53] Vgl. Weinberger, 2004, S. 19; Tropp/Reichel, 2007, S. 99ff.

[54] Vgl. Wilde/Hickethier, 1997, S. 480.

[55] Vgl. Hippner/Rentzmann/Wilde, 2006, S. 57.

[56] Ein Beispiel hierfür wäre, dass der Kunde aufgrund eines Mailings in die Filiale kommt um mit seinem Berater über ein Produkt zu sprechen, der Berater aber EDV-seitig erfasst, dass er den Kunden auf das Produkt angesprochen hat.

[57] Vgl. Höschel, 2007, S. 19.

[58] Dadurch wird berücksichtigt, dass Bestandskunden im Kampagnenzeitraum oder mit leichter zeitlicher Verzögerung –so genannte Vorzieheffekte – einen Produktabschluss getätigt hätten.

[59] Vgl. Menzel, 2006, S. 90f.

[60] Dieser Umstand kann jedoch dadurch bereinigt werden, dass z.B. bei Zinsprodukten durchschnittliche Deckungsbeiträge der folgenden Perioden abdiskontiert und dem Kampagnenerfolg zugerechnet werden.

[61] Vgl. Albers, 2007, S. V.

[62] In Anlehnung an Freter, 2008, S. 357 ist der Kundenwert als der wahrgenommene, bewertete Beitrag eines Kunden zur Zielerreichung des Unternehmens zu verstehen.

[63] Vgl. Schierenbeck et al., 2000, S. 68.

[64] Einen sehr guten Einblick in die kundenindividuelle Messung bzw. Prognose des Kundenwerts gibt Krafft, 2007.

[65] Vgl. Köhler, 2005, S. 424; Kerner, 2002, S. 178f. Der prospektive Kundenwert berücksichtigt nur zukunftsorientierte Werte. Er ergibt zusammen mit dem vergangenheitsbezogenen (retrospektiven) Kundenwert den Kundenlebenswert oder Customer Lifetime Value (CLV oder auch CLTV).

[66] Dabei ist insbesondere das Kundenpotenzial – ähnlich dem Realoptionsansatz – entscheidend, d.h. dass nur einem Kunden, der gegenwärtig gewonnen bzw. gehalten wird, zukünftig ein Angebot gemacht werden kann, welches dieser dann mit einer bestimmten Wahrscheinlichkeit annimmt. Vgl. Fuhrer, 2002, S. 9.

[67] Dieser Aussage liegt die Annahme zugrunde, dass keine Korrelation mit den anderen Geschäftsfeldern vorhanden ist.

[68] Vgl. Albers/Greve, 2005, S. 432. Eine deutlich komplexere Formel findet sich z.B. bei Foehn von Schwyz, 2006, S. 87 und kann durch eine detailliertere Darstellung in weitere Unterpunkte gegliedert werden.

[69] Die Schätzung des Kundenwertes basiert häufig auf historischen Daten, die insbesondere langfristige Kundenbeziehungen (noch) nicht korrekt widerspiegeln, so dass eine Rechtszensierung der Daten auftritt. Dieses muss in der Modellierung entsprechend beachtet werden. Vgl. Krafft, 2007, S. 162f.

[70] Eine Übersicht über die verschiedenen Kundendeckungsbeitragsstufen findet sich z.B. bei Schierenbeck et al., 1999, S. 393.

[71] Zur Wahl des Kalkulationszinsfußes vgl. z.B. Albers/Greve, 2005, S 437.

[72] Vgl. Kerner, 2002, S. 179.

[73] Zu weiteren Determinanten des Kundenwertes vgl. Reichwald/Meier, 2002, S. 213f.; Hippner, 2006, S. 25ff.; Kantsperger, 2006, S. 295 und Pepels, 2008, S. 269ff. Eine umfassende Darstellung zur Messung und Steuerung des Kundenwerts im Privatkundengeschäft von Banken findet sich auch bei Buess, 2005.

[74] Vgl. Menzel, 2006, S. 126ff. Die Aufgabe dieses Modells liegt jedoch darin, künftige Deckungsbeitragsentwicklungen zu prognostizieren.

[75] Vgl. Musiol, 1999, S. 74f.

[76] Die Kontrollgruppe sollte bei erfolgreichem Kampagnenverlauf ebenfalls beworben werden, da die Ansprache dort ebenfalls erfolgreich verlaufen sollte und somit ein Ertragspotenzial gehoben werden kann.

[77] Vgl. Powell, 2003.

[78] Vgl. Venkatesan/Kumar/Bohling, 2007, S. 579.

[79] Vgl. Brealey/Myers/Allen, 2006, S. 85ff. Hierbei sei jedoch anzumerken, dass in der Praxis Marketingbudgets festgelegt werden. Zur Festlegung eines optimalen Marketingbudgets sowie dessen Allokation für den Gesamterfolg der Marketingmaßnahmen vgl. Fischer/Albers, 2007.

[80] Vgl. u.a Meffert, 1986; Hammann/Erichson, 2000; Weis/Steinmetz, 2008.

[81] Dabei existiert in der Literatur keine einheitliche Definition des Informationsbegriffes. Vgl. Lehner/Maier, 1994, S 3ff. Hier wird die in Anlehnung an Wittmann, 1959, S. 14, entstandene Definition von Informationen als entscheidungs- bzw. zweckorientiertes Wissen verwendet. In Abgrenzung dazu stellen Daten das „unbehandelte“ Rohmaterial dar, welches im Informationsgewinnungsprozess analysiert und ausgewertet wird. Vgl. Backhaus et al., 2006, S. XVIII.

[82] Als Negativkriterien kommen z.B. bestimmte Bonitätskennziffern, Betreuungen nach BtG, bereits erfolgte Ansprachen, Produktbesitz sofern keine up-selling-Möglichkeit besteht, in Betracht.

[83] Vgl. Musiol, 1999, S. 74f.

[84] Vgl. Helmke/Uebel, 2008, S. 124.

[85] Die Variable dbj beinhaltet dabei alle durch die Kampagne ausgelösten cross- und up-selling-Aktivitäten, die erfolgreich verlaufen. Effekte auf den Informationswert bzw. das Weiterempfehlungsverhalten des Kunden werden dabei nicht berücksichtigt.

[86] Vgl. Stock, 2006, S. 28.

[87] Für Ansätze zur Berechnung von Kaufwahrscheinlichkeiten vgl. Menzel, 2006.

[88] Eine Darstellung im Rahmen der latent trait theory findet sich auch bei Kamakura/Ramaswami/Srivastava, 1991, S. 348. Auch Menzel, 2006, S. 48 und Shepard, 1999, S. 535-537 gehen hier – jedoch bei großen Fallzahlen (Menzel, 2006, verfügt über mindestens 500.000 Fälle) – von einer niedrigeren Prognoseleistung des Modells im Vergleich zur Verwendung des Produktabschlusses als endogener Variablen aus, wobei sie nicht berücksichtigen, dass diese Informationen nicht vorliegen.

[89] Als Information werden hierbei tatsächlich mit einem Produktbesitz bzw. einer Kaufentscheidung zusammenhängende Beiträge gesehen, die sich letztendlich aus einer verbesserten Datenbasis ergeben.

[90] Vgl. z.B. § 141 AO, § 238 HGB.

[91] Diese Praxis wird sich in den nächsten Jahren voraussichtlich ändern; zur Zeit sind häufig nur die Geschäftsvorfälle der letzten zwei Monate abrufbar.

[92] Der Rückschluss von vergangenem Verhalten als Determinante zukünftiger Kundenentwicklungen ist dabei vielfach durch die Literatur belegt. Vgl. z.B. Bult/Wansbeek, 1995, S. 379. Allerdings ist zu prüfen, ob sich wesentliche Rahmenbedingungen geändert haben (vgl. auch Abschnitt 4.4). Die Auswahl des Schätzverfahrens ist Gegenstand von Abschnitt 4.5.

[93] Beispiele für eine Änderung durch äußere Einflüsse wären eine Gehaltserhöhung oder Alterung, für eine Änderung durch das Produkt eine Steigerung des Deckungsbeitrages oder eine Veränderung des Freistellungsauftrages.

[94] Veränderungen des Produktes seit Abschluss sind z.B. Rückzahlung des Kreditsaldos, Ansteigen von Guthaben auf Sparverträgen, Steigerung des Rückkaufwertes von Kapital-Lebensversicherungen oder auch alte Tarife bei Bausparverträgen.

[95] Vgl. Menzel, 2006, S. 50. Hier sollte ein drei-, sechs- oder zwölfmonatiger Zeitraum gewählt werden.

[96] Vgl. Musiol, 1999, S. 18ff.

[97] Vgl. Neckel/Knobloch, 2005, S. 314f.

[98] Vgl. Musiol, 1999, S. 19.

[99] Vgl. Neckel/Knobloch, 2005, S. 324ff.

[100] Für eine Bestimmung eines guten Ansprachezeitpunktes müssen viele Daten über Kundenreagibilitäten in Abhängigkeit verschiedener Faktoren vorliegen. Der Aufwand für eine datengetriebene Bestimmung eines guten Kampagnenzeitpunktes wird als unverhältnismäßig hoch eingeschätzt.

[101] Schaller, 1997, S. 583, empfiehlt dabei eine Anzahl von mindestens 40-50 Reagierern.

[102] Beispielsweise kann eine Klassifikation in null für keinen, eins für einen niedrigen, zwei für einen mittleren und drei für einen hohen Produktbesitz gewählt werden.

[103] Vgl. Hippner/Wilde, 2008, S. 210.

[104] Vgl. Hormonzi/Giles, 2004, S. 63f.

[105] Eine umfangreiche Darstellung von Definitionen findet sich z.B. bei Küppers, 1999, S. 19ff.

[106] “(…) the nontrivial extraction of implicit, previously unknown, and potentially useful information from data”. Vgl. Frawley/Piatetsky-Shapiro/Matheus, 1991, S 3.

[107] Vgl. Pilger, 2008, S. 80f.

[108] Vgl. Blum, 2006, S. 14 definiert dabei Data-Mining im engeren Sinne als hypothesenfrei und rechnet die hypothesengetriebene Analyse dem Data-Mining im weiteren Sinne zu.

[109] Vgl. Pilger, 2008, S. 81. Dazu merkt er jedoch an, dass insbesondere diese Anforderung in der Praxis nicht eingehalten werden kann, da der Wunsch nach vollständiger Automation ohne Einbindung von Wissensträgern derzeit nicht realisierbar erscheint.

[110] Vgl. Thomas/Galambos, 2004, S. 267.

[111] Vgl. u.a. Wahl, 2008, S. 36ff für den Einsatz in der Bilderkennung. Vgl. Prewitt, 2007, S. 1 für die Auswahl von Fast-Food-Restaurantflächen. Vgl. Freschi, 2006, S. 54 für den Einsatz zur Videoüberwachung. Vgl. Srouji, 2006, S. 54 für die Optimierung von Computer-Netzwerken. Vgl. Loveman, 2003, S. 109ff. für die Gewinnsteigerung eines amerikanischen Spielcasinos. Vgl. R&D Magazine, 1996, S. 66 für Trainingsoptimierung in der US-Basketballliga NBA.

[112] Eines der wichtigsten Gebiete ist hierbei das Marketing, sowie das Risikomanagement. Außerdem wird Data-Mining auch in der Neukundenakquise, zur Kündigerprognose und im Rahmen von Kundenrückgewinnungsprogrammen sowie zum Entlarven von Betrugsversuchen – insbesondere bei Kreditkartenfirmen – eingesetzt. Vgl. hierzu u.a. Hormozi/Giles, 2004, S. 65-67.

[113] Vgl. KDnuggets, 2007.

[114] Vgl. CRISP-DM, 2000, S. 4.

Excerpt out of 138 pages

Details

Title
Kampagnenoptimierung bei kleinen und mittleren Filialbanken mittels Produktaffinitätsschätzungen
College
Christian-Albrechts-University of Kiel  (Lehrstuhl für Innovation, Neue Medien und Marketing)
Grade
1,7
Author
Year
2009
Pages
138
Catalog Number
V137551
ISBN (eBook)
9783668804326
ISBN (Book)
9783668804333
Language
German
Notes
Diplomarbeit am Lehrstuhl für Innovation, Neue Medien und Marketing als Sechs-Monats-Arbeit
Keywords
Data-Mining, Produktaffinitätsschätzung, Kampagnenoptimierung, Retail Banking, Direktmarketing, Bankenmarketing, Privatkundengeschäft
Quote paper
Nils Passau (Author), 2009, Kampagnenoptimierung bei kleinen und mittleren Filialbanken mittels Produktaffinitätsschätzungen, Munich, GRIN Verlag, https://www.grin.com/document/137551

Comments

  • No comments yet.
Look inside the ebook
Title: Kampagnenoptimierung bei kleinen und mittleren Filialbanken mittels Produktaffinitätsschätzungen



Upload papers

Your term paper / thesis:

- Publication as eBook and book
- High royalties for the sales
- Completely free - with ISBN
- It only takes five minutes
- Every paper finds readers

Publish now - it's free