Customer 360 for Financial Services

Ihre Kunden verstehen, ihr Verhalten nachvollziehen und ihre Bedürfnisse vorhersagen

Finanzdienstleister, vor allem im Privatkundenbereich, wie z. B. Retail-Banken, Kreditkartenunternehmen, private Vermögensverwalter und Versicherungsgesellschaften, benötigen Informationen über ihre Kunden, Märkte, Produkte und mehr, um erfolgreiche Marketingkampagnen durchzuführen, Cross- und Upselling zu betreiben und Kunden während der gesamten Geschäftsbeziehung effektiv zu unterstützen. Einige Anwendungsfälle, z. B. die Erstellung von Produktempfehlungen und die Vorhersage und Reaktion auf Kundenbedürfnisse bei der Lösung eines Zufriedenheitsproblems, erfordern Echtzeitinformationen. In anderen Fällen müssen die richtigen Daten für das Modelllernen gesammelt werden, um Erkenntnisse zu gewinnen, die zur Verbesserung von Marketing, Vertrieb, Betrieb und vor allem des Kundenerlebnisses genutzt werden können.

In all diesen Anwendungsfällen ist das Wissen über den Kunden entscheidend. Das Konzept der 360-Grad-Sicht auf den Kunden hat sich erheblich weiterentwickelt: von einem grundlegenden Verständnis der vielen Interaktionen, die ein Kunde mit einem Unternehmen hat, hin zu einem tiefen, detaillierten Verständnis jedes Kunden als Individuum mit einzigartigen Verhaltensweisen, Wünschen und Bedürfnissen, die über die Interaktionen mit Finanzdienstleistungen hinausgehen. Die Kunden von heute erwarten, dass jede Interaktion einfach, bequem und intuitiv ist – ganz gleich, ob sie etwas zum Mitnehmen bestellen, einen Versicherungsantrag stellen oder ein Girokonto eröffnen – und sie wünschen sich ein konsistentes, zusammenhängendes und nahtloses Erlebnis, egal ob sie online, über eine App oder persönlich interagieren.

Hochzufriedene Kunden eröffnen mit zweieinhalb Mal höherer Wahrscheinlichkeit neue Konten oder nehmen neue Produkte bei ihrer bestehenden Bank an als Kunden, die nur zufrieden sind. Während die Banken weiterhin investieren, um die steigenden Erwartungen ihrer Kunden zu erfüllen, hatten sie bisher Schwierigkeiten, mit anderen Handelssektoren Schritt zu halten, da sie durch veraltete IT-Infrastrukturen und Datensilos – und die damit verbundenen Herausforderungen in Bezug auf Datenqualität und -reihenfolge – gebremst wurden. Selbst bei Einrichtungen, die sich eines überdurchschnittlichen Kundenerlebnisses rühmen, bewerten in der Regel nur die Hälfte bis zwei Drittel der Kunden ihr Erlebnis als ausgezeichnet.

Um die Erwartungen ihrer Kunden zu erfüllen, müssen Finanzdienstleister weiterhin die Herausforderungen angehen, die durch isolierte Daten in älteren Infrastrukturen verursacht werden, und gleichzeitig maschinelles Lernen, künstliche Intelligenz und 360-Grad-Kundendaten einsetzen, um von reaktivem zu prädiktivem Engagement überzugehen. Laut einer McKinsey-Analyse hatten US-Einzelhandelsbanken, die bei den Kundenerlebnissen im obersten Quartil rangieren, in den letzten drei Jahren ein deutlich höheres Einlagenwachstum als ihre Konkurrenten, da sie in der Lage waren, neue Kunden zu gewinnen und die Beziehungen zu ihren bestehenden Kunden zu stärken.

Das Wissen über Ihre Kunden durch maschinelles Lernen nutzbar machen

Die folgende Architektur zeigt, wie Oracle Data Platform so entwickelt wurde, dass Finanzdienstleistungsunternehmen erweiterte Analysen, maschinelles Lernen und künstliche Intelligenz auf alle verfügbaren Daten anwenden können, um die erforderlichen Erkenntnisse bereitzustellen und hochrelevante, aktuelle, personalisierte Kundenerlebnisse zu schaffen. Auf diese Weise können sie sich auf die proaktive Kundenansprache konzentrieren und jeden Kontaktpunkt über den gesamten Kundenlebenszyklus hinweg einwandfrei ausführen – vom Einkauf und der Kontoeröffnung über das Onboarding und den Ausbau der Kundenbeziehung bis hin zur Bereitstellung von Dienstleistungen oder der Bearbeitung von Versicherungsansprüchen.

Diese Abbildung zeigt, wie Oracle Data Platform for Financial Services eingesetzt werden kann, um eine 360-Grad-Sicht auf Kundenaktivitäten zu ermöglichen. Die Plattform umfasst die folgenden fünf Pillar:

1. 1. Datenquellen, Erkennung
2. 2. Verbinden, aufnehmen, transformieren
3. 3. Ausharren, kuratieren, schaffen
4. 4. Analysieren, lernen, prognostizieren
5. 5. Messen. handeln

Der Pillar „Datenquellen, Entdeckung“ umfasst zwei Datenkategorien.

1. 1. Geschäftsdaten (Erstanbieterdaten) umfassen Kreditkartentransaktionen, Einzahlungen, Abhebungen, Kontoinformationen, CRM-Daten, Fallmanagementdaten, ATM-Ereignisströme und Standortdaten.
2. 2. Drittanbieterdaten umfassen Social Feeds.

Der Pillar „Verbinden, aufnehmen, transformieren“ umfasst vier Funktionen.

1. 1. Die Massenübertragung verwendet OCI FastConnect, OCI Data Transfer, MFT und OCI CLI.
2. 2. Die Batchaufnahme verwendet OCI Data Integration, Oracle Data Integrator und DB-Tools.
3. 3. Die Datenänderungserfassung verwendet OCI GoldenGate und Oracle Data Integrator.
4. 4. Die Streaming-Aufnahme verwendet OCI Streaming und Kafka Connect.

Alle vier Funktionen verbinden sich unidirektional mit der Cloud-Speicher-/Data Lake-Funktion innerhalb des Pillars „Beibehalten, kurieren, erstellen“.

Darüber hinaus ist die Streaming-Aufnahme mit der Stream-Verarbeitung innerhalb des Pillars „Analysieren, lernen, prognostizieren“ verbunden.

Der Pillar „Beibehalten, kurieren, erstellen“ umfasst vier Funktionen.

1. 1. Der Customer 360 Serving Data Store verwendet Autonomous Data Warehouse und Exadata Cloud Service.
2. 2. Cloud-Speicher/Data Lake verwendet OCI Object Storage.
3. 3. Die Batchverarbeitung verwendet OCI Data Flow.
4. 4. Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb des Pillars miteinander verbunden. Der Cloud-Speicher/Data Lake ist unidirektional mit dem bereitstellenden Datenspeicher und außerdem bidirektional mit der Batchverarbeitung verbunden.

Eine Funktion ist mit dem Pillar „Analysieren, lernen, prognostizieren“ verbunden: Der bereitstellende Datenspeicher ist unidirektional mit den Funktionen für Analyse und Visualisierung, KI-Services und maschinelles Lernen sowie bidirektional mit der Streaming-Analysefunktion verbunden.

Der Pillar „Analysieren, lernen, prognostizieren“ umfasst vier Funktionen.

1. 1. Analysen und Visualisierungen verwenden Oracle Analytics Cloud, GraphStudio und ISVs.
2. 2. AI-Services verwenden Oracle Digital Assistant, OCI Language, OCI Speech und OCI Vision.
3. 3. Maschinelles Lernen verwendet OCI Data Science, Auto ML und Oracle Machine Learning Notebooks.
4. 4. Streaming-Analysen verwenden OCI GoldenGate Stream Analytics.

Der Pillar „Messen, handeln“ umfasst drei Consumer: Dashboards und Berichte, Anwendungen und Machine Learning-(ML-)Modelle.

Dashboard & Berichte umfassen die Kundensegmentierung und den Customer Lifetime Value (CLV)

Anwendungen umfassen personalisierte Empfehlungen und Abwanderungsanalysen

Modelle für maschinelles Lernen umfassen die Stimmungsanalyse sowie Cross-Selling- und Upselling-Analyse

Die drei zentralen Pillar – Aufnehmen, transformieren; Ausharren, kuratieren, schaffen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Es gibt drei Hauptmöglichkeiten, um Daten in eine Architektur einzubringen, die es Finanzdienstleistern ermöglicht, eine 360-Grad-Sicht auf ihre Kunden zu erstellen.

• Um unseren Prozess zu starten, müssen wir unsere Kundentransaktionen einlesen. Zu den Transaktionsdaten gehören Einzahlungen und Abhebungen; diese Daten sind stark strukturiert und werden in Kernbank- oder operativen Anwendungen und Systemen verwaltet. Diese Datasets umfassen oft große Mengen von On-Premises-Daten, und in den meisten Fällen ist die Batchaufnahme nach der Quellverarbeitung am effizientesten. Diese Daten werden in der Regel nach einem bestimmten Zeitplan aufgenommen, z. B. stündlich um 30 Minuten nach der vollen Stunde oder täglich um 14.00 Uhr (bei komplexen Prozessen können die Zeiträume auch länger sein).
• Kundendaten aus Kundenbeziehungs- und Kundenerlebnissystemen erfordern in der Regel nur eine geringe Umwandlung oder Aggregation während der Aufnahme und können lediglich über einen Datenänderungserfassungsprozess verarbeitet werden, um Änderungen an Datensätzen zu erfassen, die ursprünglich in großen Mengen geladen wurden. Weitere Daten können aus operativen Systemen, Webklicks, Social Media Feeds und Kundendaten-Feeds von Drittanbietern bezogen werden.
• Die Streamingaufnahme wird verwendet, um Daten aufzunehmen, die über IoT, Machine-to-Machine-Kommunikation und andere Mittel von Beacons in Filialen gelesen werden. Auch Videobilder können auf diese Weise konsumiert werden. Darüber hinaus beabsichtigen wir in diesem Beispiel, die Verbraucherstimmung zu analysieren und schnell darauf zu reagieren, indem wir Social-Media-Nachrichten, Antworten auf Beiträge von Erstanbietern und Trendnachrichten analysieren. Nachrichten/Ereignisse aus sozialen Medien (Anwendungen) werden mit der Option aufgenommen, eine grundlegende Transformation/Aggregation durchzuführen, bevor die Daten in einem Cloud-Speicher oder einem Data Lake gespeichert werden. Mit zusätzlichen Streamanalysen können korrelierende Verbraucherereignisse und -verhaltensweisen identifiziert werden, und die identifizierten Muster können (manuell) für OCI Data Science eingespeist werden, um die Rohdaten zu untersuchen.

Die Datenpersistenz und -verarbeitung basieren auf drei (optional vier) Komponenten.

• Aufgenommene Rohdaten werden im Cloud-Speicher gespeichert. Wir verwenden OCI Data Flow für die Batchverarbeitung dieser nun persistenten gestreamten Daten wie Tweets (JSON), Standortdaten, Sensordaten von Beacons und Apps, Geo-Mapping-Daten und Produktreferenzdaten verwenden. Die verarbeiteten Datensätze werden an den Cloud-Speicher zurückgegeben, wo sie weiter aufbewahrt, kuratiert und analysiert und schließlich in optimierter Form in den dienenden Datenspeicher geladen werden. Je nach Architekturvorlieben kann das auch mit Oracle Big Data Service als verwaltetes Hadoop-Cluster erfolgen.
• Wir haben nun verarbeitete Datensätze erstellt, die in optimierter relationaler Form für die Kuration und Abfrageleistung im Serving Data Store aufbewahrt werden können. Auf diese Weise können wir die beliebtesten Produkt- und Verbraucher-Hashtags identifizieren und zurückgeben, die wiederum mit Standort-, Bestands- und Produktdaten aus Unternehmenssystemen angereichert werden können.

Die Fähigkeit, zu analysieren, zu lernen und Vorhersagen zu treffen, beruht auf zwei Technologien.

• Analyse- und Visualisierungsservices liefern beschreibende Analysen (beschreibt aktuelle Trends mit Histogrammen und Diagrammen), prädiktive Analysen (sagt zukünftige Ereignisse voraus, identifiziert Trends und bestimmt die Wahrscheinlichkeit ungewisser Ergebnisse) und präskriptive Analysen (schlägt geeignete Maßnahmen vor, was zu einer optimalen Entscheidungsfindung führt), damit Finanzdienstleistungsinstitute beispielsweise folgende Fragen beantworten können:
  • Stimmen unsere Zusatzverkaufsaktivitäten mit den Kampagnenvorhersagen überein und hat sich die Kundenaktivität dadurch verändert?
  • Welche Produkte fördern die meisten Kundeninteraktionen? Wie stehen sie im Vergleich zu den umsatzstärksten Produkten und Dienstleistungen eines Bereichs oder einer Abteilung?
  • Erleben wir eine Kanalsättigung, und wenn ja, führt das dazu, dass die Kunden sich vom Kanal loslösen?
• Neben dem Einsatz von erweiterten Analysen werden auch Modelle für maschinelles Lernen entwickelt, trainiert und bereitgestellt. Auf diese Modelle kann über APIs zugegriffen werden, die im bereitstellenden Datenspeicher bereitgestellt oder als Teil der Streaming-Analysepipeline von OCI GoldenGate eingebettet werden.
• Unsere kuratierten, getesteten und qualitativ hochwertigen Daten und Modelle können Governance-Regeln und -Richtlinien anwenden und als „Datenprodukt“ (API) innerhalb einer Data-Mesh-Architektur zur Verteilung innerhalb der Finanzdienstleistungsorganisation bereitgestellt werden.

Kundenerwartungen mit automatisierter Intelligenz erfüllen

Durch die Nutzung aller verfügbaren Daten über den gesamten Lebenszyklus eines Kunden – einschließlich strukturierter, semistrukturierter und unstrukturierter Daten – und die Anwendung fortschrittlicher Big-Data-Analysen, maschinellen Lernens und KI auf eine vollständige Aufzeichnung früherer Kundeninteraktionen können Finanzdienstleistungsunternehmen

• hochgradig relevante, personalisierte Kundenerlebnisse entwerfen und bereitstellen, die dem jeweiligen Moment entsprechen.
• Daten von Zweit- und Drittanbietern einbeziehen, um das Kundenerlebnis zu verbessern und Analysen nutzen, um das Kundenverhalten vorherzusagen (und zu beeinflussen).
• KI nutzen, um die nächstbesten Aktionen zu empfehlen sowie einheitliche Kundeninteraktionen und verfeinerte Kundenergebnisse bereitzustellen.
• Beratungs- und Vertriebsaktivitäten weiterentwickeln, indem sie Roboterberater sowohl zur Bereitstellung von Selfservice-Tools als auch zur Unterstützung der Mitarbeiter bei der Kundenbetreuung einsetzen.
• die Geschichte jedes Kunden verstehen, seine Bedürfnisse antizipieren und sicherstellen, dass seine Erfahrung in jeder Phase des Kundenlebenszyklus seine Erwartungen übertrifft.