Udviklingen af ​​den schweiziske detailbankindustri er drevet af konsolidering af de finansielle markedsdeltagere, som på deres side er drevet af stigende udgifter til overholdelse og målinger for at øge effektiviteten. Derudover er der et miljø med usikkerhed forårsaget af negative renter. Derfor står schweiziske detailbanker over for faldende salgs- og rentemarginaler sammen med stigende omkostninger i et miljø med intens konkurrence.

Figur 1:Gennemsnitlig indtægtsmargin og omkostningsprocent for schweiziske kantonbanker

Kilde:Deloitte analyse, 2017

Samtidig vokser kundernes forventninger til tilgængeligheden af ​​banktjenester og produkter fortsat på grund af den seneste teknologiske og digitale udvikling. Hvis banker er i stand til at opfylde disse forventninger, belønnes de med en stærkere kundeloyalitet og loyalitet.

Hvordan kan banker reagere?

I det nuværende pressede forretningsmiljø har schweiziske detailbanker længe startet store transformationsprogrammer ledet af digitalisering af deres værdikæde for banktjenester. De er under pres for at repositionere sig i en branche i forandring og frem for alt at finde nye indtægtskilder. I vores observation synes en nøglearm at dukke op gentagne gange:Hvordan kan banker udnytte rigdommen af ​​kundedata til at foreskrive indtægtsskabende handlinger?

Ideen om at få indsigt fra kundedata er ikke ny, men med de fleste banker nu i fuld damp med deres digitale transformationsinitiativer, er mængden af ​​kundegenererede data eksploderet. Finansielle serviceinstitutioner investerer kraftigt i deres avancerede analysekapacitet, og det er der gode grunde til. En nylig undersøgelse offentliggjort i Harvard Business Review ¹ afsløret, at analytikere f.eks. er 2,5 gange mere tilbøjelige til at bruge realtidsdata og analyser til at skræddersy kundeoplevelsen, eller 2,6 gange mere tilbøjelige til at udnytte analyser til at begrænse kundeafgang, hvilket resulterer i direkte konkurrencefordele og overlegenhed bundlinjepræstation i form af bruttomargin, driftsmargin og overskudsgrad.

Figur 2:Vigtigste fordele ved "Digitale ledere"

Kilde:Illustration tilpasset af Deloitte, 2017

Faktisk kan avanceret kundeanalyse antage meget forskellige former afhængigt af bankens strategiske prioriteringer og fokus på dens virksomhedsstrategi og hvordan sidstnævnte udføres på hvert niveau i banken. Markedserfaringer har vist et stort potentiale for yderligere udvikling med hensyn til kundeanalyseinitiativer fra schweiziske detailbanker på følgende områder:

• Produkttilhørsforhold :Anvendelse af maskinlæringsalgoritmer baseret ikke kun på kundeprofiler, investeringspositioner, transaktioner, men også på deres onlineadfærd. Produktaffinitetsmodeller kan, afhængigt af den tilgængelige teknologi, i realtid beregne kundens sandsynlighed for at købe bankens produkter og ordinere øjeblikkelig Next Best Action til relationsadministratorer (RM'er) for at realisere muligheden.
• Avanceret kundeemneanalyse: Brug af intelligente netværksdata, normalt leveret af eksterne dataleverandører, der kombinerer data fra forskellige forskellige kilder:Virksomhedspublikationer, nyheder, kommercielle registre, LinkedIn eller Xing til at opbygge netværk af enkeltpersoner. Disse data kombineres med interne kunde- og CRM-data for at identificere kritiske "døråbnere" for, at RM kan nærme sig kundeemnet. Avanceret prospektering kan også kombinere en produktaffinitetskomponent og identificere, hvilket produkt eller hvilken bankpakke kundeemnet med størst sandsynlighed vil købe.
• Kundens levetidsværdi :Design og implementering af kundeværdimodeller baseret på ekstrapolering af en tidligere og nuværende kundeprofil og adfærd i forhold til lignende kunder for at kunne forudsige livstidsværdi med banken. Denne use case indeholder også avancerede klyngeteknikker, der giver nøgleinput til værdiansættelsesmodellerne. Det giver RM'er og frontsalg mulighed for at prioritere salgsindsatsen på højværdipotentialer af kunder eller til at tage handlinger for at skubbe kunder med lav værdi ind i forskellige klynger og dermed fremme langsigtede forretningsmål.
• Churn management og/eller øget kundeloyalitet
  Definition og specifikation af et sæt kriterier for adfærdsmønstre, som kan forudsige kundeafgang baseret på internt og eksternt fodrede databaser. Gennem avanceret analyse opsættes et automatiseret advarselssystem for RM'er baseret på identificerede årsager til churn. Det giver mulighed for proaktivt atidentificere kundespecifikke foranstaltninger for at undgå churn rettidigt.

Hvordan kan kundeanalyse gøres effektiv for detailbanker?

Nøgleovervejelser for vellykket indlejring af avanceret kundeanalyse i forretningsprocesser er:

• Skift fra foreskrevne handlinger til faktiske forretningsresultater: Dette kritiske skridt afhænger af bankens evne til at integrere innovation i sin business-as-usual-proces. Det kræver omfattende træning af frontpersonalet og supportpersonalet, omstrukturering af forretningsprocesser og endda ændring i virksomhedskulturen. Meget ofte viser dette sig at være særligt udfordrende for schweiziske bankinstitutioner. Et proof of concept er nyttigt til at teste hypoteser.
• Indlejring af analyseresultater i alle digitale kanaler :Kunder forventer det samme serviceniveau, uanset hvilken kanal de vælger at bruge til at interagere med banken (online, mobil, filial osv.). For at sikre en ægte omni-channel kundeoplevelse skal anbefalede handlinger fra avancerede analysemodeller gøres tilgængelige på tværs af alle platforme.
• Tillader modeller at lære af feedback :Avancerede analysemodeller er designet på en sådan måde, at de muliggør løbende forbedringer for at give mere præcise og rettidige anbefalinger. Når de designer en løsning, skal schweiziske banker sikre, at "sandhedens øjeblikke" langs kunderejsen kan kanaliseres tilbage til modellerne.
• Opnåelse af business buy-in gennem hele udviklingen :Implementering af avancerede analytiske use cases kan ikke udføres isoleret. Programledere og dataforskere skal validere resultaterne med deres forretningsinteressenter på hvert trin i udviklingen for at fange tidlig buy-in.

Har du brug for hjælp til at forbedre dine bankdata?

En Deloitte-udviklet løsning, Retail Banking Growth Engine, automatiserer analysen af ​​kundedata. Den omfattende database kombinerer eksterne og interne bankkunde- og transaktionsdata, hvilket muliggør forudsigelse af sandsynligheden for et specifikt produktkøb af kundegrupper. Mere information kan findes på vores hjemmeside.

Konklusion

Med markedskræfter, der omformer bankindustrien, har schweiziske detailbanker startet store digitaliseringstransformationsprogrammer – de skal gøre det til en prioritet at udnytte deres stigende mængde kundedata for at realisere nye vækstpotentialer for omsætning gennem avanceret analyse. For at gøre det effektivt, er bankerne nødt til at inkorporere kundeanalyser i deres daglige forretningsprocesser.

¹ Kilde:Robert Bock, Marco Iansiti, Karim R. Lakhani:What the Companies on the Right Side of the Digital Business Divide Have in Common, Harvard Business Review, januar 2017