.svg)
«Künstliche Intelligenz in Finanzdienstleistungen» war das Motto des SAS-Events vom 11. April im Zürcher Kaufleuten, an dem nebst PostFinance, Commerzbank, Deloitte und Consortix auch gateB eingeladen war, ihr Know-how und ihre Erfahrungen in diesem Bereich zu teilen.
Vom ATL zum Predictive Marketing
Marco Wyler, Director gateB, begann seinen Vortrag mit einer kurzen Geschichte des Marketings, der aufzeigte, wie sich die Effizienz von Marketingmassnahmen im Zuge technologischer Innovationen stetig erhöhte. Die traditionelle Massenkommunikation wurde mit der Kundensegmentierung abgelöst von Zielgruppen-Marketing. Trigger-based Marketing nutzte zusätzlich noch Verhaltensmuster und war in der Lage, in Echzeit auf relevante Ereignisse zu reagieren. Heute befinden wir uns in der Phase des Predictive Marketing. Unter Verwendung von Echtzeitdaten und mit dem Einbezug aller Kanäle und Customer Journeys können immer genauere Prognosen erstellt werden, welche ein frühzeitiges (Re-)Agieren ermöglichen und den Kunden eine personalisierte Begleitung bieten.
Vom herkömmlichen Programmieren zum Machine Learning
Während früher Computer mit Daten und einem Programm gefüttert wurden und danach ein Resultat ausspuckten, werden sie beim maschinellen Lernen mit Daten und Resultaten gefüttert und entwickeln von sich aus, quasi selbstlernend, das passende Programm oder nehmen an einem bestehenden Programm entsprechende Optimierungen vor.
Im Zuge dessen schreitet auch die Automatisierung von Customer Journeys rasant voran und deren Gestaltung wird immer ausgefeilter. Der traditionelle Kundenlebenszyklus mit verschiedenen aufeinanderfolgenden Phasen weicht Micro-Journeys, welche eine deutlich agilere und präzisere Kundenkommunikation ermöglichen.
Erfahren Sie mehr darüber, wie Sie mitthilfe von Machine Learning die optimale Customer Journey kreieren und langfristig erfolgeich sein können.
Von der zufälligen Aktion zu jener mit dem höchsten Mehrwert
Die Grundlage für die Journey-Optimierung bilden natürlich bereits vorhandene Daten, anhand deren eine erste mögliche Aktion ausgelöst wird. Mit dem Einsatz künstlicher Intelligenz bei der Optimierung der Customer Journey beurteilt das System jede Marketing-Aktion auf ihren State Action Value, also darauf, wie erfolgreich sie war, und passt die künftigen Massnahmen entsprechend an. Je mehr Daten die KI erhält, umso «schlauer» wird sie und umso effizienter werden die – automatisierten – Marketingmassnahmen.
Zentrales Element hierbei ist das Conversion-Feedback. Der Algorithmus löst nebst den bestmöglichen auch absichtlich Zufallsaktionen aus, um den Wert aller Massnahmen genauer beziffern zu können. Die Scores werden konstant aktualisiert und die Entscheidungen verbessern sich laufend.
