Kundendaten intelligent nutzen, Vertrieb optimieren - Best-Practice-Leitfaden für Kreditkartenanbieter Ob neue Regulierungen beim Thema Datenschutz oder die Transformation des Banken- und Finanzsektors: Kreditkartenanbieter stehen zunehmend unter Druck. Hart umkämpft ist vor allem die Kundenschnittstelle. Es gilt, den Zugang zum Kunden zu gewinnen und zu halten. Adtelligence ist ein führender Software-Anbieter für die KI-basierte Analyse von Kundendaten und Zahlungsvorgängen zur Optimierung der Vertriebs- und Marketingprozesse. Seit mehr als zehn Jahren unterstützen wir nationale und internationale Unternehmen dabei, ihren Umsatz in digitalen Kanälen entlang des Customer Lifecycle signifikant zu steigern - durch die Optimierung des Omnichannel-Kundenerlebnisses, indem wir die richtigen Personen zur richtigen Zeit über den richtigen Kanal mit der richtigen Botschaft ansprechen.

1. Customer Lifecycle
Management mit KI
Kundendaten intelligent nutzen, Vertrieb optimieren -
Best-Practice-Leitfaden für Kreditkartenanbieter
A D VA N C E D D ATA I N T E L L I G E N C E
#Akquise #Aktivierung #EMOB #Monetarisierung #Kreditkarte
#Daten
#PreditcionModel
#Analytics
#NextBestAction
#KI
#MachineLearning
#Personalisierung #Retention #Revolvingkredit
#Loyalty
Neue Potenziale für Kreditkartenanbieter
Der Kampf um die Kundenschnittstelle
Ob neue Regulierungen beim Thema
Datenschutz oder die Transformation des
Banken- und Finanzsektors: Kreditkarten-
anbieter stehen zunehmend unter Druck.
Hart umkämpft ist vor allem die Kunden-
schnittstelle. Es gilt, den Zugang zum
Kunden zu gewinnen und zu halten.
Die Zahlungswege zu steuern bedeutet, den Zugang
zum Kunden und die Kundenschnittstelle kontrollieren.
Aus diesem Grund sind Kreditkarten ein wachsender
Geschäftsbereich für Banken: Die Karte als Zahlungs-
mittel ist ein Ankerprodukt, das den kontinuierlichen
Kontakt zum Kunden ermöglicht. Neben der Gene-
rierung von Umsatz aus Transaktionsgebühren hat die
Kreditkarte insofern strategische Bedeutung, als sie der
Pflege von Kundenbeziehungen dient. Darüber hinaus
können die generierten Kundendaten mit Hilfe von
Künstlicher Intelligenz für personalisierte Cross- und
Up-Sells genutzt werden.
In den vergangenen Jahren haben die Veränderungen
in der Bankenbranche jedoch die Monetarisierung des
Kartengeschäfts erschwert: Da digitale Banken meist
kostenlose Kredit- und Debitkarten ausgeben, sind
Kunden immer weniger bereit, Jahresgebühren zu
zahlen. Darüber hinaus hat die EU-Kommission die
Interbankenentgelte reguliert: Die Obergrenze für
Debitkarten liegt nun bei 0,2 Prozent, bei Kreditkarten
sind es 0,3 Prozent. Devisengebühren werden von
neuen Anbietern herausgefordert, die Überweisungen
zum Interbankenkurs anbieten. In diesem neuen
Umfeld ist datengesteuertes Customer Lifecycle
Management der Schlüssel zum Erfolg. Es kann die
Nutzungshäufigkeit, das Transaktionsvolumen und die
Transaktionsgebühren sowie die Einnahmen aus dem
automatisierten Cross- und Up-Selling erhöhen. Zudem
haben Unternehmen dadurch die Chance, einen
umfangreichen Pool inaktiver Kunden zu aktivieren.
Da Banken aufgrund der DSGVO die Zustimmung
inaktiver Kunden für Marketingzwecke einholen
müssen, sind Strategien nötig, die das gezielte
Sammeln von Opt-ins und die Nutzung neuer
Datenströme ermöglichen.
ABOUT ADTELLIGENCE
Adtelligence ist ein führender Software-Anbieter für
die KI-basierte Analyse von Kundendaten und Zah-
lungsvorgängen zur Optimierung der Vertriebs- und
Marketingprozesse. Seit mehr als zehn Jahren unter-
stützen wir nationale und internationale Unternehmen
dabei, ihren Umsatz in digitalen Kanälen entlang des
Customer Lifecycle signifikant zu steigern - durch die
Optimierung des Omnichannel-Kundenerlebnisses,
indem wir die richtigen Personen zur richtigen Zeit
über den richtigen Kanal mit der richtigen Botschaft
ansprechen.
2 A D VA N C E D D ATA I N T E L L I G E N C E
A D VA N C E D D ATA I N T E L L I G E N C E

2. Das Rennen um die dauerhafte Aufmerksamkeit der Kunden und die engsten Kundenbeziehungen wird an der
Kundenschnittstelle entschieden. Das haben auch Google, Amazon, Meta, Apple und andere Akteure erkannt:
Sie alle konkurrieren um die Aufmerksamkeit der Kunden und um langfristige Kundenbeziehungen.
Zahlungsanbieter verfügen in diesem Wettkampf über ein wichtiges Asset: Da im digitalen Zahlungsverkehr
alle Kundeninteraktionen miteinander verbunden sind, werden hier enorme Datenmengen generiert.
Mit entsprechenden Opt-ins können Daten zum Kundenverhalten sowie Stamm- und Zahlungsverkehrsdaten
wichtigen Aufschluss über die Interessen und Präferenzen der Kunden geben. Auf dieser Grundlage können Anbieter
die Kommunikation mit dem Kunden über den gesamten Customer Lifecycle hinweg personalisiert und damit
besonders relevant gestalten. Bestehen zudem eine Community und ein Ökosystem mit Loyalty Programmen, App
und Partnern, bleiben Kunden langfristig mit ihren Kartenprodukten verbunden.
INHALT
Der Kampf um die Kundenschnittstelle
Kartennutzung steigern mit intelligenten Daten & KI
Mit KI zum Kundenerlebnis der nächsten Generation
KI - der Paradigmenwechsel im CLM
Der Einstieg in die KI: Machine Learning
Erfolgsfaktor Datenqualität
Die Vielfalt der Datenpunkte
Keine Angst vor dem Ende der Cookie-Ära
Automation für optimale Skalierbarkeit
Beispiel automatisierter Kampagnenplan
Überblick: Machine Learning Modelle
Kampagnen mit Echtzeit-Erlebnissen
Personalisierte Kampagnen skalieren
Auf einen Blick: Customer Lifecycle Management mit KI
Phase 1: Ansprechen und Akquirieren
▪ Dynamische Lookalike Audiences
▪ Retargeting von Leads per E-Mail oder Anruf
▪ Steigerung der Kundengewinnung durch KI-gestützte
Website-Optimierung
▪ Dynamische und personalisierte Check-out-Funnel
Phase 2: Aktivieren und incentivieren
▪ Willkommensreihe EMOB
▪ Ausgaben incentivieren
▪ Beispiel: Kaufanreize entlang der Kartennutzung
des Kunden
▪ Up-Sell zur Premiumkarte
▪ Kunden erhalten Cashback
▪ Angebot von Treue- und Prämienpunkten
▪ Automatisiertes Forderungsmanagement
mit positiver Customer Experience
Phase 3: Kunden halten
▪ Anreize für Kunden, aktiv zu bleiben
▪ Reaktivierung inaktiver Kunden
Den Ausgangspunkt definieren:
Status Quo-Analyse des Portfolios
Einstieg ins datengesteuerte
Customer Lifecycle Management
Über Adtelligence
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
3 A D VA N C E D D ATA I N T E L L I G E N C E
Profitabilität von Kreditkarten sichern
Kartennutzung steigern, Cross- und
Up-Sell verbessern – mit intelligenten
Daten und KI
In der ersten Phase des Customer Lifecycles gilt es,
Interessenten in Kunden zu verwandeln. Wichtige
Hebel sind dabei eine personalisierte Ansprache
sowie personalisierte Inhalte, die an die jeweiligen
Interessenten ausgespielt werden. In dieser frühen
Phase liegen in der Regel jedoch noch wenige Daten
über den Interessenten vor – sie basieren meist auf
Informationen des Adservers sowie der Website.
Um dieses Informationsdefizit auszugleichen, kann ein
„digitaler Zwilling“ aus den Daten bestehender
Kunden abgeleitet werden.
Phase zwei steht im Zeichen de Rentabilitätsmaximie-
rung. Dazu werden dem Kunden Anreize geboten,
die Anzahl seiner Transaktionen zu erhöhen: Entweder
innerhalb der jeweiligen Produktkategorie oder im
Hinblick auf Cross- und Up-Selling in die nächsthöhere
Kategorie von Versicherungen, Ratenzahlungen oder
Goldkarten.
In der dritten Phase geht es darum, den Customer
Lifetime Value zu optimieren. Dazu müssen die
Faktoren bekannt sein, mit denen die Kunden-
beziehung aufrechterhalten und die Abwanderung
verhindert werden kann. Kundendaten spielen hier
eine zentrale Rolle: Sie können dazu genutzt werden,
Verlängerungs- und Erinnerungsmitteilungen zu
versenden, um Bestandskunden zu halten oder inaktive
Kunden zu reaktivieren.
4
DIE WÄHRUNG FÜR DIE ZUSTIMMUNG
DER KUNDEN: RELEVANTE INHALTE
Wie Kunden zum Opt-in angeregt werden
Kunden sind zum Opt-in bereit, wenn der Nutzen
transparent und spielerisch kommuniziert wird.
Digitale Dienste wie Netflix bieten klare Vorteile im
Austausch für Verhaltensdaten: Relevante Film-
empfehlungen.
Leads
pflegen
Kon-
vertieren
Aktivieren
Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Werben
Ansprechen und
akquirieren
Reaktivierung
Aktivieren und
incentivieren
Die ersten 90 Tage bestimmen den Kundenerfolg
Pflegen und
halten
Lebenszyklus des Karteninhabers
A D VA N C E D D ATA I N T E L L I G E N C E
Customer Lifecycle Management: Jede Phase optimieren
Mit KI zum Kundenerlebnis der nächsten
Generation

3. 5 A D VA N C E D D ATA I N T E L L I G E N C E
Die meisten Datenquellen liefern deterministische
Daten, die einem konkreten Nutzer zugeordnet
werden können – zum Beispiel Kreditkartentrans-
aktionen. Traditionelle Business Intelligence nutzt
solche Daten üblicherweise, um die Kaufwahrschein-
lichkeit für ein Finanzprodukt zu ermitteln.
Auf Basis dieser Wahrscheinlichkeitsdaten erstellen
Marketingabteilungen Kampagnen, die auf bestimm-
te Kundensegmente abgestimmt sind. Dieser Ansatz
birgt drei wesentliche Probleme – sie sind im Kasten
rechts aufgelistet.
KI – der Paradigmenwechsel im Customer Lifecycle Management
Von der Verwendung von Daten für Erkenntnisgewinn und Kampagnen-
messungen, bis hin zur Automatisierung von Aktionen durch KI
Der Einstieg in die KI: Prozesse mit Machine Learning automatisieren
Daten mit KI optimal aufbereiten, in Echtzeit auf Nutzerverhalten
reagieren und Kommunikation automatisch personalisieren
Transaktions-
daten
DETERMINIS-
TISCHE DATEN
Berechnung der
Kaufwahrschein-
lichkeit
PROBABILISTISCHE
DATEN
Lernen und
Aktionen
auslösen
AKTION
Personalisierte
Kommunikation
OPTIMIERUNG
Top-Kunden werden überproportional oft
angesprochen
Segmente sind nicht für einzelne Kunden
optimiert, und mehr Segmente erhöhen die
Komplexität des Kampagnenmanagements
Kampagnen sind nicht optimal auf den einzelnen
Kunden abgestimmt
Kernprobleme traditioneller
Kampagnen
1
2
3
„Der Customer Lifecycle im Kartengeschäft generiert von Anfang an
Daten. Bereits beim Sign-up oder Onboarding können wertvolle Daten-
punkte angesprochen werden, was die spätere aktive digitale Kunden-
betreuung nicht nur vereinfacht, sondern in vielerlei Hinsicht erleichtert.
Daten werden ausgewertet und können genutzt werden, um Kunden-
verhalten und -präferenzen vorherzusagen. Künstliche Intelligenz kommt
zunehmend zum Einsatz – sowohl bei der Datenerfassung als auch bei
der Datenanalyse. Und im Zeitalter von Plattformen und digitalen
Ökosystemen werden Daten zu einem Eckpfeiler in allen Phasen des
Lebenszyklus.“
Marcus W. Mosen, NED, Payment & Fintech Experte und Aufsichtsrat
Die Datenquellen sind meist vielfältig: Sie reichen von statischen CRM-Daten wie Alter und Geschlecht bis hin
zu spezifischeren Informationen wie etwa Kreditwürdigkeit. Darüber hinaus geben Produkt- und Loyalty-Daten
Aufschluss über die Produkte, die ein Kunde derzeit abonniert hat, und Kreditkartentransaktionsdaten geben
Einblick in das Nutzungs- und Kaufverhalten des Kunden. Alle diese Informationen können für Echtzeit-Marketing-
entscheidungen genutzt werden.
Erfolgsfaktor Datenqualität
Kreditkartenanbieter verfügen über hervorragenden Datenquellen für
datengestütztes Customer Lifecycle Management – entscheidend ist,
sie richtig zu nutzen
Verhaltensdaten
E-Mail
Standortdaten
Activity Index
Affinity Index
Churn Score
Kundenlebenszeitwert
Net Promoter Score
Finanzdaten
Kreditwürdigkeit
Zahlungsausfälle
Risikobewertung
Einkommen
Bankguthaben
Master/CRM Daten
Alter
Geschlecht
Wohnort
Familienstand
Nationalität
Partnerkarte
Transaktionsdaten
des Händlers
Code der Händlerkategorie
Standort des Händlers
Kontaktlose Zahlung (ja/nein)
Karte vorhanden (ja/nein)
Hinterlegte Karte
Produktdaten
Art der Karte
Kartenlimit
Revolvierend (ja/nein)
Abrechnungszyklus
Co-Brand
Daten zur
Kontenbewegung
Debitor
SEPA-Kategorien
Betrag
Verwendungszweck
Service
# der Service-
anfragen
# der Hotline
Anrufe
Drittanbieterdaten
Daten des Statistischen
Bundesamts Deutschland
B2B Unternehmensdaten
Loyalty
Punkte
Status
Erhaltene Prämien
Eingelöste Punkte
6 A D VA N C E D D ATA I N T E L L I G E N C E
„Überall dort, wo bargeldloses Bezahlen Teil des
Geschäftsmodells ist, fallen enorme Datenmengen an.
Durch intelligente Auswertung können diese genutzt
werden, um Geschäftsmodelle und das Kundenerlebnis
zu optimieren.“
Carlos Gómez-Sáez, CEO, VR Payment
Die Vielfalt der Datenpunkte

4. „Maschinelles Lernen ist die Automatisierung von Data
Science. Automatisierte Machine-Learning-Modelle stei-
gern die Produktivität von personalisierten Kundeninter-
aktionen entlang des Lebenszyklus und verbessern die
Skalierbarkeit. Wenn Daten das neue Öl sind, sitzen Zah-
lungsanbieter auf dem größten fast unberührten Ölfeld.
Maschinelles Lernen wird der Grundstein für zukünftige
Umsatzmodelle von Zahlungs- und Kartenanbietern sein.“
Michael Altendorf, CEO, Adtelligence GmbH
Die meisten Browser unterstützen das Tracking durch Cookies von Drittanbietern nicht mehr. Auch Google hat ange-
kündigt, dass sein Chrome-Browser ab 2023 keine Third Party Cookies mehr akzeptieren wird. Damit stehen deutlich
weniger Informationen über das Online-Verhalten der Kunden zur Verfügung – die gezielte Ansprache ist erschwert.
Eine Lösung für dieses Problem sind First Party Cookies: Mit der intelligenten Akquirierung von Opt-Ins sowie einer
optimierten Aufbereitung und Verwendung eignen sie sich hervorragend für die kundengerechte Ansprache in der
Post-Cookie-Ära.
Unsere Machine-Learning-Modelle aktualisieren sich mit jedem neuen Datensatz, um die nächstbeste Aktion auf
dem bevorzugten Kanal auszulösen.
CRM E-Mail
Kreditkar-
tendaten
Website und
Kundenportal
Data lake SMS
NPS App
BI Brief
Website und App
Verhalten
Sales
agents
Produkt und
Kategorie
Daten
Social
Leistungs-
bilanzdaten
Service
center
Prozessüberblick: Personalisierte Aktionen in Echtzeit auslösen
Nutzung der
vorhandenen
Daten
Aggregation
aller
Datenquellen
KI Modelle lernen,
Conversion Rates steigen
Einsatz von
Machine Learning
Modellen
KI lernt aus Ergebnissen und optimiert
automatisch Audiences und CX
Automatisierte
Entscheidungen
Auslösen
personalisierter
CX
A D VA N C E D D ATA I N T E L L I G E N C E
7
1 2
7
3
6
4 5
A D VA N C E D D ATA I N T E L L I G E N C E
Keine Angst vor dem Ende der Cookie-Ära
Mit Machine Learning First Party-Daten effektiv nutzen
Traditionelle Online-Kampagnen beziehen sich auf ein
bestimmtes Geschäftsziel und finden zu bestimmten
Zeiten statt: Etwa „Urlaubsreisen verkaufen (Ziel) in der
Feriensaison (Zeit)“. Dabei werden für die passgenaue
Ansprache spezifische Zielgruppen aus dem Kunden-
stamm segmentiert. Das Ergebnis ist eine einförmige,
für alle Kunden gleichermaßen geltende Kommunika-
tion.
Darüber hinaus erfordern statische Kampagnen eine
komplexe Planung, schließlich soll vermieden werden,
dass Kunden durch mehrfache Kampagnen übermäßig
angesprochen werden. Intelligente Software ermög-
licht es, automatisch zu ermitteln, welcher Kunde wann
und über welchen Kanal welche Kampagne erhält –
zum Beispiel anhand von Ereignissen wie reise-
bezogenen Kreditkartentransaktionen. Diese pass-
genaue Kommunikation sorgt für effektivere
Kampagnen und zufriedenere Kunden.
Automation für optimale Skalierbarkeit
Von statischen zu dynamischen Kampagnen:
Timings und Kanäle kundenspezifisch optimieren
Beispiel für einen automatisierten Kampagnenplan
„Wir haben die Kundenakquise durch automatisierte
Personalisierung optimiert und damit die Aktivierungs-
rate um 22 Prozent gesteigert. Wir sehen großes
Potenzial, die Conversion Rates entlang des Customer
Lifecycles weiter zu steigern.“
Roland Ludwig, CEO, Advanzia Bank S.A.
8 A D VA N C E D D ATA I N T E L L I G E N C E
Anzeigen
AdWords
Social Media
STUFE KAMPAGNE JAN FEB MÄR APR MAI JUN JUL AUG SEP OKT NOV DEZ
E-Mail
Co-brand
Retargeting
AB Tests
Personalisierung
Funnel Optimierung
Call-Center-Push
EMOB
Willkommensserie
App Installation
Apple Pay
AusgabenIncentivierung
Hinterlegte Karte
Next Best Category
Revolvierende Kredite
BNPL
Up-Sell zu Gold/Platin
Loyalty-Programm
Automatisiertes Mahn-
wesen
Reaktivierung basierend
auf dem Activity Score
Retention Angebote
Leads
pflegen
Konver-
tieren
Aktivieren
Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Werben

5. 9 A D VA N C E D D ATA I N T E L L I G E N C E
Kampagnen mit Echtzeit-Erlebnissen
Machine Learning macht es möglich
Üblicherweise erstellen Data Scientists ein statisches Modell, das auf einen bestimmten Anwendungsfall übertragen
wird. Machine Learning hingegen erstellt dynamische Modelle und automatisiert die Vorhersage- und Optimierungs-
prozesse, indem es sich kontinuierlich an die aktuellen Datenparameter anpasst und aus den Ergebnissen lernt.
Überblick über Machine Learning Modelle (1/2)
„Kreditkartenanbieter sollten nicht nur wie bisher Daten
analysieren, um die Attraktivität des Produkts trotz sinkender
Margen zu erhalten, sondern die Daten nutzen, um jede
Interaktion entlang der Customer Journey zu optimieren.“
Sebastian Maus, Global Head of Payments, Roland Berger
Werben Leads pflegen Konvertieren Aktivieren
Lookalike
Audiences
Lead Score Conversion Score Audience
Segmentation
Activity Score Referrer Score
Funktionalität Segmentierung Vorhersage Vorhersage und
Klassifizierung
Segmentierung Vorhersage Vorhersage
Definition Lookalike Audiences sind
eine Gruppe potenzieller
Kunden mit ähnlichen
Merkmalen wie z. B.
Girokonten.
Lead Score stuft poten-
zielle Kunden nach ihrem
potenziellen Wert ein.
Conversion Score berech-
net die Wahrscheinlich-
keit, dass ein Interessent
innerhalb eines Zeitraums
zu einem Kunden wird.
Vorhersagen für die Zuord-
nung eines Kunden zu einem
bestimmten Segment des
künftigen Kaufverhaltens.
Activity Scoring analysiert
das Kundenverhalten und
stuft es im Vergleich zu
anderen Girokonten ein.
Wahrscheinlichkeit, dass
ein Kunde Freunde und
Familie zu einem Produkt
einlädt
Typischer
Use Case
Lookalike Audiences sind
Kundensegmente, die den
Segmenten für bestehen-
de Konten ähnlich sind
und dazu dienen, neue
Kunden über verschiedene
Kanäle wie Google oder
Facebook anzusprechen.
Lead Scoring wird im Lead
Management eingesetzt,
um potenzielle Maßnah-
men zur Kunden-
gewinnung zu optimieren.
Conversion Scoring wird
zur Vorhersage und
Optimierung von Web-
site-Personalisierung
und Kampagnen für
abgebrochene Waren-
körbe verwendet.
Das Festlegen von Kunden-
segmenten ist eine der
gängigsten Methoden, um
Kampagnen basierend auf
spezifischen Datenpunkten,
die das Segment beschrei-
ben (z. B. Alter, Geschlecht,
Standort oder Produkt-
kategorien), gezielter auf
Gruppen auszurichten.
Activity Scoring wird
z. B. von Einzelhändlern,
Banken, Glücksspiel- und
Zahlungskartenunterneh-
men verwendet, um den
Zustand einer Kunden-
beziehung zu analysieren.
Refer-a-friend-Angebote
stellen eine einfache und
häufig genutzte Möglich-
keit dar, neue Kunden zu
fest kalkulierbaren Kosten
zu gewinnen, ergänzend
zu den traditionellen
Marketingkanälen
Heraus-
forderungen
des traditio-
nellen Data-
Science-
Ansatzes
Lookalike Audience-Kam-
pagnen erlauben keine
100-prozentige Überein-
stimmung, sondern nur
eine grobe Auswahl
der Zielgruppe, was zu
einer durchschnittlichen
Zielgruppenansprache
und durchschnittlichen
Conversion Rates führt.
Statisches und pe-
riodisches Lead Scoring
berücksichtigt nicht das
aktuelle Interessenten-
verhalten und führt zu
falschen oder fehlerhaften
Vorhersagen.
Statische Websites oder
Kampagnen sind nicht
mehr wettbewerbsfähig,
da potenzielle Kunden
aufgrund von irrelevanten
Inhalten und Produkt-
angeboten jederzeit
abspringen können.
Mit manueller Segmentie-
rung lässt sich vermeiden,
dass an alle Kunden die
gleiche Botschaft gesendet
wird. Die Menge an Kunden-
stammdaten, Verhaltens- und
Transaktionsdaten nimmt so
stark zu, dass eine manuelle
Segmentierung einen hohen
Arbeitsaufwand verursacht
und Kampagnenmanager
die Machbarkeit abwägen
müssen.
Traditionelle Activity
Scorings werden perio-
disch durchgeführt und
von Data Scientists oder
technikaffinen Growth
Marketers analysiert.
Automatisierte Warnhin-
weise sind oft nicht vor-
handen oder basieren auf
wenigen Datenpunkten.
Statische Referrer-Sco-
ring-Modelle übersehen
das enorme Potenzial von
"Refer-a-friend"-Kampag-
nen, Partnerprodukten
und anderen viralen Ein-
ladungsmethoden.
Vorteil
dynamischer
Machine
Learning
Modelle
Automatisiertes Clustering
Ihrer Kontodaten
verbessert kontinuierlich
die Zielgruppensegmente
und automatisiert die
Optimierung von Look-
alike Audiences schnell
und iterativ.
Automatisierte Optimie-
rung von Lead-Scores
ermöglicht es, die
Datenmenge zu erhöhen
und in Echtzeit zu scoren,
abhängig von diversen
Datenparametern vom
Marketingkanal bis hin
zum Kontext und Live-
Verhalten auf einer
Website oder App.
Personalisierte Inhalte und
Produkte maßschneidern
Der ML-basierte Ansatz auto-
matisiert Segmentierung und
Clustering von Schlüsselseg-
menten. Manuelle Prozess-
schritte werden automatisiert
und Marketer können
Zielgruppen in Echtzeit
erstellen. Segmente werden
automatisch und in Echtzeit
mit jedem neuen Datenpunkt
aktualisiert.
Ein moderner Ansatz
erhöht die Sensibilität
und berücksichtigt alle
Datenpunkte in Echtzeit
und erstellt Affinitäts-
Scores pro Kunden-
segment.
Hochgradig personalisierte
Angebote für Werber von
Freunden optimieren die
Anzahl der Neukunden zu
einem niedrigen CPA.
Machine
Learning
Techniken
HDBScan, k-Means
(Vektorquantisierungsver-
fahren)
Regression, Neuronales
Netz, Decision Tree
Reinforcement Learning,
Neuronales Netz, Multi-
Armed Bandits & Bayesian
Optimization
HDBScan, k-Means (Vektor-
quantisierungsverfahren)
Statistische Korrelation,
Bayesian Klassifizierung,
Hidden-Markov-Modelle
Regression, Neuronales
Netz, Decision Tree
Geschäfts-
potenzial
Erhöhung von Conversion
Rates in Werbekampag-
nen und Reduktion der
Kosten für die Kunden-
akquise
Erhöhung der Anzahl
potenzieller Kunden und
Verringerung der Kosten
für CLV-Kampagnen
Höhere Kundengewin-
nungsraten, mehr Neu-
kunden, höhere Umsätze
Hyper-personalisierte
Kampagnen erhöhen den
Warenkorbwert
Verbesserte Warnmel-
dungen und gezielte
Kampagnen auf Basis der
Kundenaktivität erhöhen
den Lifetime Value und
monatlichen Kunden-
umsatz.
Höhere Kundengewin-
nungsraten bei geringeren
Kosten pro Neukunde
10 A D VA N C E D D ATA I N T E L L I G E N C E
Personalisierte Kampagnen skalieren
und traditionelle Data Science Methoden automatisieren
Machine Learning macht es möglich
Überblick über Machine Learning Modelle (2/2)
Nutzung erhöhen Cross- / Up-Sell Service Churn verhindern
CLV Score Next Best Action Next Best Product Next Best Category Risk Score Churn Score
Funktionalität Vorhersage und
Klassifizierung
Assoziation und
Korrelation
Assoziation und
Korrelation
Assoziation und
Korrelation
Vorhersage und
Klassifizierung
Vorhersage und
Klassifizierung
Definition Der Customer
Lifetime Value Score
sagt den poten-
ziellen monetären
Wert eines Kunden
während seiner
Lebenszeit voraus.
Next Best Offer
bewertet die Affinität
zu einem Sonderan-
gebot.
Der Affinity Score
sagt die Produkte
voraus, die für einen
bestimmten Kunden-
datensatz oder ein
bestimmtes Ver-
halten am ehesten
als nächstes gekauft
werden.
Next Best Category
bewertet einen Kunden
hinsichtlich verschiede-
ner Produktkategorien
und seiner Affinität
für einen Up- oder
Cross-Sell in dieser
Kategorie.
Ein Risiko-Score
prognostiziert das
potenzielle Risiko,
dass ein Kunde nicht
fristgerecht zahlt,
oder Kundenver-
halten einen Verlust
verursacht.
Churn Scoring prog-
nostiziert potenzielle
Kundenabwanderung
oder Reduzierung der
Ausgaben.
Typischer
Use Case
Mit Customer
Lifetime Values wird
ein Kundentyp an-
hand des bisherigen
Kaufverhaltens im
Vergleich zu anderen
Kunden klassifiziert
und ein Score be-
rechnet, um seinen
Wert zu messen.
Erstellen gezielter
Marketingkampag-
nen per E-Mail, App
oder vor Ort.
Up- und Cross-Sell-
Möglichkeiten für
Kunden schaffen.
Empfehlungsmaschi-
nen, "Das könnte
Ihnen auch gefallen"
sind in Shops üblich,
um weitere Produkte
in der gleichen Kate-
gorie anzuzeigen.
Typischerweise für
Cross-Sell-Kampagnen,
Onsite-, Post- oder
E-Mail-Kampagnen
sowie für In-App-
Angebote verwendet
Analyse des Risikos
von Betrug,
Zahlungsausfällen
und anderen
Geschäftsrisiken
Churn kann auf
verschiedene Weise
auftreten: Umsatz-
abwanderung, Nut-
zungsreduzierung
- prognostizierte
Abwanderung, Kun-
denabwanderung.
Heraus-
forderungen
des traditio-
nellen Data-
Science-
Ansatzes
Eine statische,
periodische CLV-
Bewertung kann zu
falschen Kampagnen,
falschem Timing und
zum Übersehen von
potenziellen Kunden
während eines
bestimmten
Zeitraums führen.
Zur Schaffung von
Affinitäten sind
Kaufdaten relevanter
als demografische –
ebenso aktives
Verhalten in Shops
und höheres Churn-
Potenzial, wenn
keine Transaktions-
daten, Verhaltens-
änderungen oder
Kanalpräferenzen
betrachtet werden.
Herkömmliche Emp-
fehlungsmaschinen
können das Kunden-
verhalten nicht in
Echtzeit berücksich-
tigen und basieren
auf früheren Käufen
anderer Kunden
Category Manager
oder Marketer er-
stellen Next Best
Category-Kampagnen
für Bündelkampag-
nen oft manuell und
müssen viel Aufwand
betreiben, damit diese
genau sind.
Herkömmliche
statistische Risk Sco-
rings oder Decision
Trees vernachlässi-
gen das Echtzeitver-
halten und liefern
falsche Scores und
negative Scorings
potenzieller Kunden
anhand statischer
Regeln.
Statisches Churn
Scoring reagiert
episodisch und wo-
möglich zu spät im
Customer Lifecycle,
was zu schlechteren
Ergebnissen und
höheren Churn-Ra-
ten führt. Churn
Scores werden oft auf
Basis von CRM-Daten
berechnet, ohne
Berücksichtigung von
Online-Touchpoints.
Vorteil
dynamischer
Machine
Learning
Modelle
Dynamisches CLV-
Scoring ermög-
licht hochgradig
zielgerichtete und
personalisierte
Kundenerlebnisse in
Echtzeit, wodurch
höhere Conversion
Rates und Kaufvolu-
mina erzielt werden.
Hochgradig ziel-
gerichtete Angebote,
die durch KI-basierte
Verhaltens- und
Kontextanalysealgo-
rithmen ausgelöst
werden, verbessern
die Kaufraten und
Kundenbindung.
Dynamische Empfeh-
lungen und Kunden-
verhaltensdaten in
Echtzeit ermöglichen
verbesserte Produkt-
empfehlungen bis
hin zu eins-zu-eins-
personalisierten An-
geboten und Long
Tail Kampagnen.
Die Echtzeit-Optimie-
rung von Scores er-
möglicht die Nutzung
des Kundenverhaltens,
um Cross-Selling-Mög-
lichkeiten zu verbes-
sern und Anreize für
Nutzung und Kauf zu
schaffen.
Dynamische An-
sätze werten ein
multidimensionales
Datensignal aus, das
von den installierten
Schriftarten bis hin
zur historischen
Kaufhistorie reicht,
und ermöglichen so-
mit eine wesentlich
höhere Granularität
Machine Learning-ge-
stützte RFM-Modelle
- Echtzeit-Scoring von
Häufigkeit, Frequenz
und monetären
Werten, einschließlich
Online-Kundenverhal-
ten und Kartennut-
zungsdaten. So können
Churn-Prevention-Kam-
pagnen segmentiert
und rechtzeitig auf
den richtigen Kanal
zugeschnitten werden.
Die Optimierung von
Anti-Churn-Kampag-
nen ist der Schlüssel zu
langfristigen Umsätzen.
Machine
Learning
Techniken
Statistik, rekurrente
Neuronale Netze
(RNN)
Statistische Korrelation, Bayesian Klassifikation,
Reinforcement Learning, Q-Learning, Association Rule Learning
Regression,
Neuronale Netze,
Decision Tree
Regression,
Neuronale Netze,
Decision Tree
Geschäfts-
potenzial
Größerer Fokus auf
profitable Kunden-
segmente und
höhere Bindungs-
raten
Höhere Umsätze,
höherer Wert pro
Kauf, geringerer
manueller Aufwand
Höhere Umsätze,
höherer Wert pro
Kauf, geringerer
manueller Aufwand
Höhere Umsätze,
höherer Wert pro Kauf,
geringerer manueller
Aufwand
Weniger Zahlungs-
ausfälle und Betrug,
verbesserte Kun-
denakquise
Reduziertes Churn-
Risiko, verbesserte
Kundenbindung und
höhere Umsätze

6. Zielgruppen in
sozialen Netz-
werken und auf
Google
Verwendung
anonymisierter,
gruppierter
Kundendaten
für Zielgrup-
pen, z. B. für
One-to-ma-
ny-Kampagnen
bei Google
und Facebook
E-Mail-Lead-
Retargeting
Verwendung
von On-site-
Verhaltens-
daten nach
Zustimmung
des Nutzers
Verwendung
von E-Mail-
Daten mit
Opt-in
KI-basierte
Conversion-
Optimierung
von Funnel-
und Landing
Pages
Verwendung
von Kontext-
daten: Gerät,
Kanal, Marke-
ting, Browser,
geografischer
Standort, Uhr-
zeit und Tag
mit Opt-in und
Cookie-Zustim-
mung
EMOB* Angebote
der Next Best
Category
Belohnungen
verdienen
Serie zur
Begrüßung
neuer Kunden
Aufruf zur
Aktivierung
App
installieren
Apple/Google
Pay aktivieren
Mit klarer Zu-
stimmungs-Ma-
nagement-Stra-
tegie CRM- und
Kundendaten
nutzen, um
Multi-Channel-
Kampagnen zu
ermöglichen
Zusätzliche Opt-ins einsetzen, um
Transaktionsdaten von Zahlungen
und Produktkäufen zu nutzen.
Zur Aktivierung von Service- und
Callcentern für Kampagnen, wird
die Erlaubnis der Kunden benötigt
– die Bereitschaft zum Opt-in kann
durch einen Anreiz erhöht werden.
Angebote im
Interessen-
gebiet
Up-Sell zur
Platin-Karte
Cashback
Cross-Selling-
Angebote von
Partnern (Ver-
sicherungen,
Telekommu-
nikations-
unternehmen,
Drittanbieter)
Up-Selling
auf Premium-
produkte
Nutzung von
CRM- und
Zahlungsdaten,
um passende
Cross-Sell- und
Up-Sell-Produk-
te über One-
to-one und
One-to-ma-
ny- Kampagnen
anzubieten.
Angebot zur
vorzeitigen
Erneuerung
Umstellung von
Vollzahlung auf
revolvierenden
Kredit
Aktivierung in-
aktiver Kunden
Nutzung von
Vertrags- und
Finanzdaten
zur Erstellung
individueller
Angebote für
bestehende
Kunden
Lookalike
audiences
Hochwertige
Kunden
Lead
scoring
Affinity Scoring
Next Best Product
Next Best Offer
Bewertung der
Aktivität
Bewertung
der Kunden-
abwanderung
Wert der
Kundenlebens-
dauer
Beispiele für Datenschutz und Einwilligung
Datenmodelle
Anwendungsbeispiele
Third
Party
DMP,
Verhalten
Audience
Daten
Lead
Daten
On-site
Verhalten
Geo, Gerät,
Cookie
CRM
Produkt
Kunden-
betreuung
ERP
Third party
App-
Nutzungs-
daten
Warenkorb,
Zahlungs-
und Transak-
tionsdaten
Loyalty-
Programm
und Be-
lohnungen
Eingabe-/Ausgabedaten
11 A D VA N C E D D ATA I N T E L L I G E N C E
Auf einen Blick: Customer Lifecycle Management mit KI
Die richtigen Daten mit dem richtigen Use Case und dem besten KI-
Ansatz für jeden Schritt im Customer Lifecycle Management verbinden –
und Ergebnisse maximieren
*EARLY MONTH ON BOOK (EMOB): Die ersten 90 Tage sind entscheidend für den Kundenlebenszyklus
Eine wirksame Aktivierung zu Beginn des Customer Lifecycle entscheidet weitgehend darüber, ob der Kunde
seine Kreditkarte intensiv nutzt oder nicht. Untersuchungen von Mastercard haben ergeben, dass Kartenin-
haber, die EMOB-Nachrichten erhalten, einen dreimal höheren Lifetime Value haben.1
Bewährte erfolgreiche
Maßnahmen – einschließlich Anreizen für Ausgaben und hinterlegte Karten – können automatisiert und durch
Daten verstärkt werden.
1
Integrated Analytics, Mastercard FYI 2018-2019 COF Insights, US consumer credit
Aktualität
Kundenaktivitäten
in Echtzeit, wie z. B.
Käufe oder Besuche
Frequenz
Häufigkeit der
Kundentransaktionen
oder -besuche
Geldwert
Ausgabenbereitschaft
oder Kaufkraft
des Kunden
Ansprechen
und akquirieren
12
Zielgruppensegmente bewerten und klassifizieren und
ähnliche Zielgruppen ansprechen mit RFM Metriken
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
USE CASES
Leads
pflegen
Kon-
vertieren
Aktivieren
Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Werben
Ansprechen und
akquirieren
Reaktivierung
Aktivieren und
incentivieren
Die ersten 90 Tage bestimmen den Kundenerfolg
Pflegen und
halten

7. 13
Dynamische Lookalike Audiences aus Kundendaten
Restriktionen von Third Party Cookies und andere
Regulierungen schränken den Zugang zu Kunden-
informationen ein und beeinträchtigen so die
Marketingeffizienz.
Unternehmensbedarf
Auf Basis von Kundendaten werden die intensivsten
Nutzer pro Segment oder Marketingkanal analysiert
und dynamische Lookalike Audiences für die
Kundenakquise erstellt.
Segmentierung und Klassifizierung von Kunden-
segmenten mit dem RFM-Modell.
Genutzte Daten
Machine Learning Modell
Je mehr zielgerichtete Anzeigen Kunden sehen,
desto höher ist die Wahrscheinlichkeit für
Conversions.
Kundenerlebnis
Verbesserte Traffic-Qualität und höhere Conversion
Rates führen zu niedrigeren Akquisitionskosten.
Ergebnis
Retargeting von Leads per E-Mail oder Anruf
Die Neukundengewinnung wird aufgrund des
wachsenden Wettbewerbs teurer. Nach dem
Website Visit ist die Absprungrate potenzieller
Kunden im Checkout-Funnel hoch. Um mehrstufige
Retargeting-Kampagnen durchzuführen und die
Conversion Rates zu erhöhen, ist das Erfassen von
E-Mail-Adressen oder Telefonnummern mit Opt-in
des Nutzers essenziell.
Unternehmensbedarf
E-Mail-Adresse und Zustimmung des Kunden oder
Telefonnummer für Push-Nachrichten.
Prediction-Modelle, Lead- und/oder Conversion-
Scoring zur Berechnung des Kaufpotenzials und
Bayesian Bandit zur Optimierung von personalisier-
ten E-Mail-Kampagnenmotiven und -inhalten.
Genutzte Daten
Machine Learning Modell
Die Kundenreaktion ist bei mehreren Erinnerungs-
und Anreiz-E-Mails wesentlich höher.
Kundenerlebnis
Höhere Conversion Rate, höhere Anzahl von Neu-
kunden und niedrigere Customer Acquisition Cost.
Ergebnis
14
Steigerung der Kundengewinnung durch KI-gestützte
Website-Optimierung
Kunden konsumieren Informationen auf unter-
schiedliche Art und Weise und sind an
personalisierte Erfahrungen gewöhnt.
Unternehmensbedarf
Es werden alle Daten verwendet, die mit dem
Besuch eines Nutzers auf einer Website erhoben
werden, wie zum Beispiel Gerät, Browser, Tageszeit,
Wochentag oder ähnliche Tracking-Daten.
Vorhersage und Optimierung mit Scoring, Bayesian
Bandit oder Neuronalem Netz.
Genutzte Daten
Machine Learning Modell
Alle Kunden sehen die Website, die auf ihren Punkt
in der Customer Journey und auf ihre Bedürfnisse
ausgerichtet ist. So erhalten beispielsweise neue
Kunden Informationen über Ihr Unternehmen, um
das Vertrauen zu stärken, während die Website für
wiederkehrende Besucher auf den Kauf ausgerich-
tet ist.
Kundenerlebnis
Nutzer erhalten den Inhalt, der sie optimal zum Kauf
anregt. Das bedeutet: Höhere Conversion Rate und
mehr Umsatz.
Ergebnis
„Die Nutzung von Daten ist Teil des Geschäfts-
modells der TF Bank, um unser Geschäft auszubauen.
Die Suche nach profitablen Kundensegmenten und
die entsprechende Optimierung von Kampagnen ist
ein Schlüsselelement unseres Erfolgs.“
Mattias Carlsson, CEO, TF Bank
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
USE CASES
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
USE CASES

8. 15
Dynamische und personalisierte Check-out-Funnel
Personalization Engine
AI-BASED
LEARNING
Abgleich in <200
Millisekunden
Aufgrund der Vielzahl von Endgeräten werden
neue Arten von Akquise-Funneln benötigt, die
über statische Listen mit leeren Feldern zum
Ausfüllen hinausgehen.
▪ Intelligente Integration in jedes
CMS, Portal und jede Website
▪ Die Engine kann alle unstruk-
turierten Daten verarbeiten
▪ Selbstlernendes System, das
durch gezielte Zielgruppen-
ansprache und Optimierung
des Contents eine stetige
Verbesserung ermöglicht
▪ Jede digitale Präsenz
(Website, Kundenportal, App)
wird in der für den jeweiligen
Besucher optimalen Version
ausgeliefert
▪ KI-basierte dynamische
Optimierungsmodelle -
Multi-Armed Bayesian Bandit
oder Neuronales Netz
So funktioniert es
▪ Aus Klicks und Konversions-
daten lernen, ob das Ziel erreicht
wurde
▪ Abgleich mit historischen Daten-
Vorhersage, ob dies ein Trend
ist - J/N
▪ Abgleich mit kurz- und langfris-
tigen Daten aus der Vergangen-
heit, um die Stärke der Trends zu
bestätigen
▪ KI testet sich selbst gegen Fehler
- teilweise zufällige Lieferung von
Varianten zum Lernen
Version A
Status: Bestandskunde
Wiederkehrer
Gerät: iPhone
Über Display Ad gekommen
Ort: Hamburg
Zeit: Montag Morgen
Über Google AdWords
gekommen
Gerät: Tablet
Verhalten: Warenkorb
abgebrochen
Erstbesucher
Version B
Version C
Herausforderung
Alle Daten, die beim Besuch einer Website
anfallen - einschließlich Gerät, Browser, Tageszeit
und Wochentag - werden verwendet.
Vorhersage und Optimierung mit Scoring, Bayesian
Bandit oder Neuronalem Netz.
Genutzte Daten
Machine Learning Modell
Gamification im Anmeldeprozess erhöht die
Kundenaufmerksamkeit und steigert die
Conversions. Eine Möglichkeit sind z. B.
bewegliche Schieberegler, Optionen zum späteren
Fortfahren, automatisches Ausfüllen und veränder-
te UX je nach Gerät und Nutzung (Maus vs. Finger).
Kundenerlebnis
Höhere Conversion Rates und höhere Einnahmen.
Ergebnis
A D VA N C E D D ATA I N T E L L I G E N C E
Nutzer mit unter-
schiedlichen Daten-
sätzen und Quellen
Echtzeit-Abgleich
mit dem passendsten
Kundensegment
Verteilung von
Content-Versionen für
verschiedene Segmente
Automatische
kontinuierliche Optimierung
für höheren ROI
16
Aktivieren und
incentivieren
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
USE CASES
USE CASES
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten

9. Willkommensreihe EMOB (Early Month on Books)
Studien zeigen, dass die Aktivierung von Kunden
innerhalb der ersten 45 bis 90 Tagen den Customer
Lifetime Value erhöht. Viele Banken haben über
50 Prozent inaktive Kunden, weil sie diese Chance
verpasst haben.
Unternehmensbedarf
Standard-Kundendaten und der Kontext des
Nutzers – zum Beispiel, ob die App herunter-
geladen wurde oder regelmäßig mobile Zahlungen
genutzt werden
Activity Scoring analysiert das Kundenverhalten und
bewertet es im Vergleich zu anderen Girokonten.
Genutzte Daten
Machine Learning Modell
Der Kunde erhält ein perfekt zugeschnittenes
Onboarding, bei dem er alle Vorteile und Möglich-
keiten kennenlernt, die er aus dem neuen Vertrag
ziehen kann.
Kundenerlebnis
Die Zahl der inaktiven Kunden, deren Akquise und
Bindung kostspielig war, sinkt. Gleichzeitig steigen
Customer Lifetime Value und Umsatz.
Ergebnis
17
Best Practice - EMOB-Kampagnenwasserfall
Monat 1 Monat 2 Monat 3
Karten-
versand
Erhält 4x
Loyalty
Cashback
Kampagne
der
Next Best
Category
Willkom-
mensserie
Kampagne
der
Next Best
Category
Raten-
zahlungs-
kampagne
Anreiz für die
erste Karten-
nutzung
Installiert
eine App,
um Treue-
prämien zu
sammeln
Anreize für
umsatzstarke
Kategorien
„Gewinnen Sie
eine Reise,
wenn Sie Reise-
buchungen mit
Ihrer Karte
vornehmen“.
Aktiviert
Apple Pay
Anreiz zur
Hinterlegung
der Karte
Buy now,
pay later
Alter:
Geschlecht:
Kundin seit:
Einkommen:
38
Weiblich
Jan 2012
€ 65,000
Ausgaben incentivieren
Die durchschnittlichen Transaktionswerte von
Kreditkarten sind in den letzten Jahren gesunken,
entsprechend sinken die Einnahmen aus Transak-
tionsgebühren.
Unternehmensbedarf
Transaktionsdaten von Kreditkarten und Girokonten
werden analysiert, um zu ermitteln, welche Katego-
rien Voraussagen über Ausgaben in anderen Kate-
gorien erlauben.
Next Best Action-Modelle korrelieren das Kunden-
verhalten und ordnen es im Vergleich zu anderen
Girokonten für eine mögliche Next Best Action ein.
Genutzte Daten
Machine Learning Modell
Kunden erhalten maßgeschneiderte Angebote aus
den Kategorien, in denen bereits andere, vergleich-
bare Kunden eingekauft haben.
Kundenerlebnis
Die häufigere Nutzung von Kreditkarten führt zu
mehr Transaktionen und damit zu höheren Einnah-
men aus Transaktionsgebühren.
Ergebnis
18
Beispiel: Kaufanreize entlang
der Kartennutzung des Kunden
Kampagne mit relevanten Anreizen über den gesamten Customer Lifecycle hinweg
Kundenverhalten
Adtelligence Use
Cases und
Kampagnen
Ende des Tages
Hört Musik
Bezahlt Mitglieds-
beiträge für Apple
Music - Kampagne
zur Aktivierung von
Apple Pay
Bestellt Abendessen
Erhält ein kostenlo-
ses x, wenn er seine
Karte hinterlegt
Trinkt einen Kaffee
Bezahlt mit Karte,
erhält
5% Cashback
Kauft Lebensmittel
Verwendet
Treuepunkte
zum Bezahlen
Treibt Sport
Mitgliedsbeiträge -
Kampagne zum
hinterlegen der
Kreditkarte
Schaut Fernsehen
Erhält Treueprämien
Nimmt ein Taxi
Bezahlt mit Karte,
sammelt Treue-
punkte
Fährt mit der U-Bahn
Upgrades in die
erste Klasse bei Ver-
wendung der Karte
Hebt Geld am
Geldautomaten ab
Limit erreicht -
„Jetzt klicken, um
Limit zu erhöhen“
Kauft Schuhe
Kampagne
„Buy now,
pay later“
Start 7:30
20:30
8:30
19:00
8:45
18:00
9:00
15:00
11:00
14:00
Holt
Mittagessen
Bezahlt mit
Karte,
erhält 5%
Cashback
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
USE CASES
USE CASES

10. Up-Sell zur Premiumkarte
Die meisten Menschen behalten ihre ursprüngliche
Kreditkarte, selbst wenn ein Premium-Angebot
besser zu ihrem Nutzungsverhalten und Lebensstil
passen würde.
Unternehmensbedarf
Kundendaten, Transaktionsdaten und Website-Daten
werden verwendet, um einen Aktivitätsindex zu
erstellen. Wenn die Aktivität eines Kunden dem
Verhalten bestehender Platin-Kunden ähnelt, ist die
Wahrscheinlichkeit einer Conversion höher.
Next Best Product Scoring korreliert das Kunden-
verhalten und ordnet es im Vergleich zu anderen
Girokonten für einen potenziellen Kauf des nächst-
besten Produkts ein.
Genutzte Daten
Machine Learning Modell
Zum richtigen Zeitpunkt erhalten Kunden ein
hochpersonalisiertes Angebot für ein Upgrade zur
Premiumkarte.
Kundenerlebnis
Kunden nehmen einen höheren Mehrwert der
Kreditkarte wahr. Die Einnahmen aus den Jahres-
gebühren können erhöht werden.
Ergebnis
19
Up-Sell zur Premiumkarte
unter Verwendung
von Affinity Scores
Monat 2
Monat 1
Nahezu inaktive Nutzer
Zahlungskarte wird nur
selten verwendet
Nutzer erhält E-Mail
„Nutzen Sie Ihre Zahlungskarte bei Douglas
und erhalten Sie doppelte Treuepunkte“.
Die Affinität zur Kategorie Beauty nimmt zu,
da die Korrelation zwischen den Kategorien
Mode und Beauty hoch ist
Aktivitätsindex steigt,
KI erkennt durch Analyse von
Transaktionsdaten, ob das Ziel
erreicht ist
Der Aktivitätsindex steigt weiter an,
was darauf hindeutet, dass die Wahrschein-
lichkeit eines Upgrades auf eine Premium-
karte oder andere Produkte steigt.
Der Besuch einer bestimmten
Website erhöht den Affinitäts-
wert erneut und der Auslöse-
wert ist erreicht
Kunde erhält Upgrade-
Angebot für Premium-Karte
Einkauf
Mode
Activity Score: 0.2 Activity Score: Anstieg über einen Zeitraum von einem Monat
Einkauf
Beauty
Einkauf
Mode
Einkauf
Supermarkt
Einkauf
Gaming
Einkauf
Beauty
Einkauf
Beauty
Besuch der Website
für die Premiumkarte
Daten
Verhalten
Aktion
Zeit
Alter:
Geschlecht:
Kundin seit:
Einkommen:
38
Weiblich
Jan 2012
€ 65,000
KUNDENVERHALTEN NUTZEN
Kunden erhalten Cashback
Cashback ist einer der besten Anreize für Kunden,
ihre Ausgaben zu erhöhen oder ihre Karte bei
Händlern in bestimmten Kategorien zu registrieren.
Unternehmensbedarf
Zur Berechnung von Cashback und zur Auslösung
von Kampagnen werden Transaktionsdaten und
Händlerkategorien verwendet.
Das Next Best Action Scoring korreliert das
Kundenverhalten und ordnet es im Vergleich zu
anderen Girokonten für eine Cashback-Aktion ein.
Genutzte Daten
Machine Learning Modell
Kunden erhalten 1-5 Prozent Cashback bei oder
nach der Transaktion. Der Cashback-Anreiz wird
meist eine Woche oder einen Monat vor Beginn
der Kampagne per E-Mail oder Brief verschickt.
Kundenerlebnis
Sowohl der Betrag als auch das Volumen der
Transaktionen erhöhen sich. Die Nutzung der
Kreditkarte kann für attraktive Händler incentiviert
werden, z. B. bei Online-Zahlungen.
Ergebnis
20
Angebot von Treue- und Prämienpunkten
Loyalty- und Prämienprogramme verbinden
Händler mit Kunden und ermöglichen gezielte
Kampagnen, mit denen die Interaktion mit Co-
Marken gesteigert werden kann.
Unternehmensbedarf
CRM, Prämienpunkte, Händler und Kategorie.
Activity Scoring wird zur Analyse und Vorher-
sage des Kundenverhaltens verwendet und löst bei
Erreichen bestimmter Schwellenwerte/Scores die
nächstbesten Aktionen aus
Genutzte Daten
Machine Learning Modell
Durch Nutzung der Kreditkarte melden sich
Kunden ganz einfach für das Loyalty-Programm an.
Punkte und Prämien können über verschiedene
Kanäle wie App, Portal oder E-Mail übermittelt
werden.
Kundenerlebnis
Kunden haben einen größeren Anreiz, die Karte
häufiger zu benutzen. Co-Marken können ebenfalls
von loyaleren Kunden profitieren.
Ergebnis
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
USE CASES
USE CASES
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten

11. Automatisiertes Forderungsmanagement
mit positiver Customer Experience
Die Digitalisierung von Forderungen birgt Poten-
zial und führt zu einem Paradigmenwechsel: Das
Forderungsmanagement wird zu einem wichtigen
Kontaktpunkt, um Kundenbeziehungen zu stär-
ken. Voraussetzung dafür ist ein hervorragendes
digitales Erlebnis, also eine schnelle, reibungslose
Zahlung überfälliger Rechnungen.
CRM, Finanzdaten und Zahlungsinformationen.
Risk Scoring und Next-Best-Action-Modelle verbes-
sern die Kommunikationsszenarien für die Zahlungs-
abwicklung, um Kunden per E-Mail und Textnach-
richt zum besten Zeitpunkt anzusprechen.
Kunden erhalten Zahlungserinnerungen über ihren
bevorzugten Kanal und zur passenden Zeit. Eine
White-Label-Landing-Page bietet verschiedene
digitale Zahlungsmöglichkeiten.
Höhere Erfolgsquoten, loyale Kundenbeziehun-
gen und geringere Kosten: Von einem vollständig
digitalisierten und automatisierten Forderungsma-
nagement profitieren Unternehmen und Kunden
gleichermaßen.
21
„Forderungsmanagement als Instrument der Kundenbindung?
KI-basierte Technologie macht es möglich! Konzipiert als
freundliche Zahlungserinnerung per E-Mail oder SMS, gepaart
mit digitalen Zahlungsmethoden, wird die einst unangenehme
Mahnung zu einem positiven Serviceerlebnis. Bei collectAI
bezeichnen wir dieses Phänomen als Erinnerungsparadoxon.
Banken, die von unserer intelligenten Zahlungsplattform
profitieren, stärken ihre Kundenbeziehungen und erhöhen
gleichzeitig ihre Liquidität.“
Thomas von Hake, CEO, CollectAI
22
Kunden
halten
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
USE CASES
Unternehmensbedarf Genutzte Daten
Machine Learning Modell
Kundenerlebnis
Ergebnis
Aktivieren Nutzung
erhöhen
Service
Cross-Sell /
Up-Sell
Churn
verhindern
Leads
pflegen
Konver-
tieren
Werben
Ansprechen und akquirieren Aktivieren und incentivieren Halten
USE CASES

12. Den Ausgangspunkt definieren: Status Quo-Analyse des Portfolios
Eine zentrale Herausforderung liegt darin, dass aufgrund mangelnder Daten oder fehlender Zustimmung oft höchs-
tens 50 bis 60 Prozent aller Kunden direkt über Marketingkampagnen angesprochen werden. Um den Status Ihres
Portfolios zu bestimmen, starten Sie mit einer kurzen strategischen Übersicht, die die folgenden Fragen beantwortet:
Wie viele Kunden haben Sie derzeit?
Wie viele davon waren in den letzten 30, 60, 90,
180 oder 365 Tagen aktiv?
Wie viele davon können Sie mit Marketingkampag-
nen ansprechen?
Wie viele E-Mail-Adressen haben Sie erfasst und
wie viele haben eine klare und rechtlich geprüfte
Einwilligung in der Datenbank?
Wie viele Personen haben Ihre App installiert und
sind aktiv/inaktiv?
Transakteure
Revolvierende Kredite
Darlehen
Churn
Servicefälle
Strafzahlungen
# der Kampagnen pro Monat
# der einmaligen Kampagnen
# der Kunden, die Rewards/Loyalty nutzen
# der automatisierten Kampagnen (Geburtstag…)
# der MCC trigger-basierten Kampagnen
# der modellbasierten Kampagnen
227,800
135,600
586,000
769,200
693,300
110,500
2,600,000
1,900,000
139,500
70,380
11,780
110,735
Wie viele Kunden nutzen die App?
Wie viele nutzen das Prämien-/Loyalty-Programm
und wie oft?
Wie viele revolvierende Kredite sind in der Datenbank?
Wie viele Service-Ereignisse haben Sie pro Monat?
Nehmen sie zu oder ab?
Wie viele Kampagnen laufen parallel und wie viele
sind automatisiert?
Wie viele Datenmodelle und Kundensegmente
können Sie ohne Data Science direkt nutzen?
Beispiel für die Visualisierung von Kreditkartenportfolios und Kampagnen
Kunden insgesamt
Kreditkarte
Bankkarte
Co-Branding-Karten
Zustimmungsmanagement & Daten
Keine Ausgaben
Keine Ausgaben
Keine Ausgaben
Keine Ausgaben
Keine Ausgaben
2,600,000
2,600,000
2,600,000
2,600,000
2,600,000
1,274,000
1,274,000
1,274,000
1,274,000
1,274,000
1,326,000
1,326,000
1,326,000
1,326,000
1,326,000
51%
51%
51%
51%
51%
49%
49%
49%
49%
49%
Transaktionen (pro Kategorie) Transaktionen im Zeitverlauf (pro Kartentyp)
24 A D VA N C E D D ATA I N T E L L I G E N C E
Schlüsselfragen für den Beginn Ihrer Bewertung
1 6
2 7
3 8
4
9
10
5 11
Restaurant 82,112€
Kleidung 45,620€
Lebensmittel 22,233€
Transport 2,150€
100,000€
50,000€
2,000,000€ 2,000,000€
100,000€
50,000€
Online Händler
Fluggesellschaft
Supermarktkette
Sportverein
Möbelhaus
VISA
Mastercard
AMEX
Diners Club
Andere
Email
SMS
Phone
Mail
App
71,111€
48,753€
26,547€
13,232€
Anreize für Kunden, aktiv zu bleiben
Die Kosten der Neukundengewinnung sind viel
höher als die Kosten zur Bindung eines Bestands-
kunden. Unternehmen müssen herausfinden,
wie sie Churn vorhersagen und frühzeitig
verhindern können.
Unternehmensbedarf
Demografische Kundendaten, Transaktionsdaten und
Datenquellen wie NPS-Umfragen können die Abwan-
derungswahrscheinlichkeit eines Kunden vorhersagen.
Vorhersage und Klassifizierung – Churn Scoring
prognostiziert die potenzielle Kundenabwanderung
oder den Umsatzrückgang.
Genutzte Daten
Machine Learning Modell
Kunden, die ein Premium-Produkt im ersten Jahr
kostenlos genutzt haben, erhalten maßgeschnei-
derte Mitteilungen, um sie von einer Kündigung
abzuhalten. Kunden, die im Laufe der Zeit weniger
aktiv werden, erhalten einen Anreiz, die Produkte
stärker zu nutzen.
Kundenerlebnis
Wenn der Churn verhindert wird, wächst der
Kundenstamm ohne hohe Akquisekosten. Dies führt
zu einem allgemeinen Gewinnwachstum.
Ergebnis
Reaktivierung inaktiver Kunden
Ein erheblicher Teil des Kundenstamms von Banken
ist heute inaktiv. Die Akquisition von Neukunden
ist viel teurer als die Bindung oder Reaktivierung
eines Kunden, sodass Wege zur Reaktivierung von
Kunden gefunden werden müssen.
Unternehmensbedarf
Kundendaten und Transaktionsdaten werden
analysiert, um Angebote zu finden, die sich auf das
bisherige Nutzungsverhalten und auf aktive Kunden
mit ähnlicher Demografie beziehen.
Activity-Scoring-Modell zur Analyse und Vorhersage
des Kundenverhaltens und zur Auslösung von
Reaktivierungskampagnen.
Genutzte Daten
Machine Learning Modell
Kunden erhalten personalisierte Angebote und
maßgeschneiderte Informationen darüber, wie sie
alle Produkte am besten nutzen können.
Kundenerlebnis
Höhere Reaktivierungsrate, die den
durchschnittlichen Umsatz pro Kunde erhöht.
Ergebnis
23
Aktivieren
Aktivieren
Nutzung
erhöhen
Nutzung
erhöhen
Service
Service
Cross-Sell /
Up-Sell
Cross-Sell /
Up-Sell
Churn
verhindern
Churn
verhindern
Leads
pflegen
Leads
pflegen
Konver-
tieren
Konver-
tieren
Werben
Werben
Ansprechen und akquirieren
Ansprechen und akquirieren
Aktivieren und incentivieren
Aktivieren und incentivieren
Halten
Halten
USE CASES

13. Einstieg in das datengesteuerte Customer Lifecycle Management
Das Potenzial zur Steigerung von Engagement und Umsatz ist enorm.
Die Kombination der richtigen Use Cases, Datenparameter und Machine-
Learning-Modelle mit der Auslösung von Echtzeitaktionen ist entscheidend
für einen skalierbaren Geschäftswert.
Integration der KI-gestützten Customer Intelligence von
Adtelligence zur Auslösung von Entscheidungen und Aktionen
in Echtzeit
Datengestütztes CLM beginnt mit der Analyse des gesamten Zyklus und der Erstellung einer klaren Projekt-
Roadmap. Die besten Projekte für den Anfang sind in der Regel diejenigen mit dem geringsten Daten- und
Integrationsaufwand und einem erheblichen Uplift-Potenzial.
Software mit integrierten Datenmodellen ist das
Rückgrat des digitalen CLM. Sie ermöglicht es
Kreditkartenherausgebern, in Echtzeit auf das
Kundenverhalten zu reagieren. Angesichts der vielen
Datenpunkte, Varianten und Kanäle – und der not-
wendigen Reaktion in Echtzeit – kann nur Software
die optimalen Marketingentscheidungen treffen und
Prozesse automatisieren, um die Skalierbarkeit bei der
Abwicklung mehrerer Kampagnen zu ermöglichen.
Die Datennutzung zur Optimierung des Kunden-
lebenszyklus erfordert nicht zwangsläufig
Änderungen an der IT-Infrastruktur oder die
Weitergabe privater Kundeninformationen.
Die meisten Unternehmen verfügen über eine
Infrastruktur, um Inhalte in digitale Kanäle zu pushen,
wie z. B. ein E-Mail-Marketing-System. Mit einer
Customer-Intelligence-Plattform wie Adtelligence
erweitert KI diese Infrastruktur, um die Kunden-
interaktionen zu optimieren, ohne auf persönliche
Daten des Kunden zuzugreifen.
25 A D VA N C E D D ATA I N T E L L I G E N C E
CRM
CDP
Kundendaten
Management
Vorhersage
und Analytik
Datenqualität und
Zustimmungsmanagement
Zielgruppen
Management
Performance
Reporting
Decision Engine und
Kampagnensteuerung
Simulation und
Vorhersagemodelle
Personalisierung von
Kundenerlebnissen
KI gestützte
Optimierung
BI
NPS
Produkt-
und Kategorie-
daten
Data Lake
Kredit-
karten-
daten
Website- und
App-Verhalten
Leistungsbi-
lanzdaten
Weitere
Datenquellen
Weitere Marketing-
Channels
Email
Website und
Kundenportal
SMS
App
Brief
Sales
Agent
Social
Media
Service
Center
Integration von
Datenquellen
Customer Intelligence Omni-
Channel
Auswirkungen
auf den
Umsatz
A D VA N C E D D ATA I N T E L L I G E N C E
+25%
höhere
Conversions
50%
weniger Arbeits-
und Zeit-
aufwand
>100
automatisierte
Kampagnen und
Erfahrungen
Über Adtelligence
KI-Lösungen für intelligente und
personalisierte Kundenansprache
Kontaktieren Sie uns!
experience@adtelligence.com
On-site Personalisierung
Generieren Sie mehr Leads
und gewinnen Sie mehr Kunden
durch personalisierte Kundenerlebnisse
Optimieren Sie das Omnichannel-Kundenerlebnis, indem Sie die richtige Person zum richtigen Zeitpunkt auf dem
richtigen Kanal ansprechen. Mit der Customer Intelligence-Plattform von Adtelligence filtern Sie automatisch die
relevanten Signale aus Millionen von Zahlungs-, Kunden- und Verhaltensdaten und wandeln diese in personalisierte
Erlebnisse und eine perfekte Kundenansprache um. Nutzen Sie integrierte Machine Learning- und Prediction-
Modelle, um in Echtzeit die richtige Customer Journey auszulösen. Sie möchten die Potenziale von Data Intelligence
für Ihr Unternehmen nutzen?
Ein besonderer Dank geht an alle Mitwirkenden, insbesondere an:
Customer Intelligence
Aktivieren Sie Kunden,
steigern Sie Cross- und Up-Selling
und lösen Sie die Next Best Action aus
 Gewinnen Sie
mehr Neukunden
 Aktivieren Sie mehr
Bestandskunden
 Steigern Sie Cross-
und Up-Selling
 Optimieren Sie Ihr
Omnichannel-Kundenerlebnis
AI inside
DSGVO-konform
Integrierte Datenmodelle und
Customer Data Management