De echte waarde van klantgegevens van Swiss Retail Banking

De ontwikkeling van de Zwitserse retailbanksector wordt aangedreven door consolidatie van de financiële marktdeelnemers, die van hun kant worden aangedreven door toenemende uitgaven voor naleving en metingen om de efficiëntie te verbeteren. Daarnaast is er een omgeving van onzekerheid veroorzaakt door negatieve rentetarieven. Daarom worden Zwitserse retailbanken geconfronteerd met dalende verkoop- en rentemarges en stijgende kosten in een omgeving van hevige concurrentie.

Figuur 1:Gemiddelde omzetmarge en kosten-inkomstenratio van Zwitserse kantonnale banken

Bron:Deloitte-analyse, 2017

Tegelijkertijd blijven de verwachtingen van klanten met betrekking tot de beschikbaarheid van bankdiensten en -producten groeien als gevolg van recente technologie en digitale ontwikkelingen. Als banken aan deze verwachtingen kunnen voldoen, worden ze beloond met een sterkere klantloyaliteit en loyaliteit.

Hoe kunnen banken reageren?

In de huidige zakelijke omgeving zijn Zwitserse retailbanken al lang begonnen met grote transformatieprogramma's, geleid door digitalisering van de waardeketen van hun bankdiensten. Ze staan ​​onder druk om zich te herpositioneren in een veranderende industrie en vooral om nieuwe inkomstenstromen te vinden. In onze observatie lijkt één belangrijke hefboom herhaaldelijk te verschijnen:hoe kunnen banken de rijkdom aan klantgegevens gebruiken om inkomstengenererende acties voor te schrijven?

Het idee om inzicht te krijgen uit klantgegevens is niet nieuw, maar nu de meeste banken volop bezig zijn met hun digitale transformatie-initiatieven, is de hoeveelheid door klanten gegenereerde gegevens explosief gestegen. Financiële dienstverleners investeren zwaar in hun geavanceerde analysemogelijkheden, en dit met goede redenen. Een recente studie gepubliceerd in de Harvard Business Review 1 onthulde dat analytische leiders bijvoorbeeld 2,5 keer meer kans hebben dan achterblijvers op het gebied van analyse om realtime gegevens en analyses te gebruiken om de klantervaring op maat te maken, of 2,6 keer meer kans om analyses te gebruiken om klantverloop te beperken, wat resulteert in direct concurrentievoordeel en superieur bottom-line prestatie in termen van brutomarge, operationele marge en winstmarge.

Figuur 2:Belangrijkste voordelen van 'digitale leiders'

Bron:Illustratie aangepast door Deloitte, 2017

In feite kunnen geavanceerde klantanalyses zeer verschillende vormen aannemen, afhankelijk van de strategische prioriteiten van de bank en de focus op haar bedrijfsstrategie en hoe deze op elk niveau binnen de bank wordt uitgevoerd. Marktervaringen hebben aangetoond dat er een groot potentieel is voor verdere ontwikkeling met betrekking tot klantanalyse-initiatieven van Zwitserse retailbanken op de volgende gebieden:

  • Productaffiniteitsmodellen :Toepassing van machine learning-algoritmen die niet alleen gebaseerd zijn op klantprofielen, investeringsposities, transacties maar ook op hun online gedrag. Productaffiniteitsmodellen kunnen, afhankelijk van de beschikbare technologie, in realtime berekenen hoe waarschijnlijk het is dat de klant de producten van de bank koopt en voorschrijven onmiddellijk Volgende beste actie voor relatiemanagers (RM's) om de kans te realiseren.
  • Geavanceerde prospectanalyse: Gebruik van intelligente netwerkgegevens, meestal geleverd door externe gegevensleveranciers, die gegevens uit verschillende bronnen combineren:bedrijfspublicaties, nieuws, handelsregisters, LinkedIn of Xing om netwerken van individuen op te bouwen. Deze gegevens worden gecombineerd met interne klant- en CRM-gegevens om kritieke "deuropeners" te identificeren voor de RM om de prospect te benaderen. Geavanceerde prospectie kan ook een productaffiniteitscomponent combineren en bepalen welk product of bankpakket de prospect waarschijnlijk zal kopen.
  • Levensduur klantwaarde :Ontwerp en implementatie van klantwaardemodellen op basis van extrapolatie van een verleden en huidig ​​klantprofiel en gedrag met betrekking tot vergelijkbare klanten om levenslange waarde bij de bank te voorspellen. Deze use case bevat ook geavanceerde clustertechnieken die belangrijke input leveren voor de waarderingsmodellen. Het stelt RM's en front-sales in staat om prioriteit te geven de verkoopinspanning op hoogwaardige potentiëlen van klanten of om acties te ondernemen om klanten met een lage waarde naar verschillende clusters te duwen, waardoor zakelijke doelstellingen op de lange termijn worden gestimuleerd.
  • Churn management en/of verhoogde klantloyaliteit
    Definitie en specificatie van een set criteria voor gedragspatronen die klantverloop kunnen voorspellen op basis van intern en extern gevoede databases. Door middel van geavanceerde analyses wordt een geautomatiseerd waarschuwingssysteem opgezet voor RM's op basis van geïdentificeerde redenen voor churn. Het maakt het mogelijk om proactief klantspecifieke maatregelen te identificeren om klantverloop te voorkomen tijdig.

Hoe kunnen klantanalyses effectief worden gemaakt voor retailbanken?

Belangrijke overwegingen voor het succesvol inbedden van geavanceerde klantanalyses in bedrijfsprocessen zijn:

  • Overstappen van voorgeschreven acties naar daadwerkelijke bedrijfsresultaten: Deze cruciale stap hangt af van het vermogen van de bank om innovatie in te bedden in haar business-as-usual proces. Het vereist uitgebreide training van het frontpersoneel en ondersteunend personeel, het opnieuw ontwerpen van bedrijfsprocessen en zelfs verandering in de bedrijfscultuur. Heel vaak blijkt dit bijzonder uitdagend te zijn voor Zwitserse bankinstellingen. Een proof of concept is handig om hypothesen te testen.
  • Analyseresultaten insluiten in alle digitale kanalen :Klanten verwachten hetzelfde serviceniveau, ongeacht welk kanaal ze besluiten te gebruiken om met de bank te communiceren (online, mobiel, filiaal, enz.). Om een ​​echte omni-channel klantervaring te garanderen, moeten aanbevolen acties van geavanceerde analysemodellen beschikbaar worden gemaakt op alle platforms.
  • Modellen laten leren van feedback :Geavanceerde analysemodellen zijn zo ontworpen dat continue verbetering mogelijk is om nauwkeurigere en tijdige aanbevelingen te kunnen doen. Bij het ontwerpen van een oplossing moeten Zwitserse banken ervoor zorgen dat 'momenten van de waarheid' tijdens de klantreis terug kunnen worden gekanaliseerd in de modellen.
  • Het verkrijgen van zakelijke buy-in gedurende de hele ontwikkeling :Het implementeren van use-cases voor geavanceerde analyses kan niet geïsoleerd worden gedaan. Programmamanagers en datawetenschappers moeten de bevindingen bij elke stap van de ontwikkeling valideren met hun zakelijke belanghebbenden om vroege buy-in vast te leggen.

Hulp nodig bij het verbeteren van uw bankgegevens?

Een door Deloitte ontwikkelde oplossing, de Retail Banking Growth Engine, automatiseert de analyse van klantgegevens. De uitgebreide database combineert externe en bankinterne klant- en transactiegegevens en maakt het mogelijk om de waarschijnlijkheid van een specifieke productaankoop door klantgroepen te voorspellen. Meer informatie is te vinden op onze website.

Conclusie

Nu de marktwerking de banksector opnieuw vormgeeft, zijn Zwitserse retailbanken begonnen met grote transformatieprogramma's voor digitalisering - ze moeten er een prioriteit van maken om hun toenemende hoeveelheid klantgegevens te benutten om nieuwe inkomstengroeimogelijkheden te realiseren door middel van geavanceerde analyses. Om het effectief te maken, moeten banken klantanalyses opnemen in hun dagelijkse bedrijfsprocessen.

1 Bron:Robert Bock, Marco Iansiti, Karim R. Lakhani:Wat de bedrijven aan de rechterkant van de digitale zakelijke kloof gemeen hebben, Harvard Business Review, januari 2017


bankieren
  1. valutamarkt
  2. bankieren
  3. Valutatransacties