In Banken und Versicherungen häufen sich mit der Zeit unzählige Aktennotizen, Kundenschreiben oder sonstige Korrespondenzen an. Vielen Finanzdienstleistern ist noch gar nicht bewusst geworden, welchen Schatz sie anhand dieser Dokumente mittels Machine Learning heben könnten! Beim Einsatz von so genanntem «Text Mining» können Algorithmen die Strukturen und Bedeutung eines Textes verstehen. So können zum Beispiel Themenfelder erkannt oder auch Emotionen detektiert werden. Wird der Text «intelligent», das heisst Algorithmen-basiert, gelesen, reichen einfache Textmarker oder Textmuster für eine relativ zuverlässige Erkennung aus, die durch weiteres «Training» des Modells und dessen Selbstlernfähigkeit weiter optimiert werden können.
Risiken erkennen, Nutzen optimieren
Banken und Versicherungen sind vom Regulator (i. d. R. der FINMA) angehalten, operationelle Risiken kontinuierlich zu prüfen und allfällige Gegenmassnahmen laufend anzupassen. Daher liegt es im Interesse von Bank und Versicherung, frühzeitig Alarmzeichen bei Gefährdungspotenzial zu identifizieren. Um beispielsweise Beschwerden und Unzufriedenheiten von Kunden in der Korrespondenz raschestmöglich zu entdecken, kann diese per Machine Learning auf identifizierbare Schlagwörter oder -zeichen «gescannt» und analysiert werden. Drei fette Ausrufezeichen weisen unter Umständen bereits darauf hin, dass ein Problem besteht. Aber auch anhand des Vorhandenseins bestimmter Wortkombinationen, die sich im Kontext von Kritik kategorisieren lassen, kann das Finanzinstitut die Stufe der Eskalation eines potenziellen Risikos schneller und umfassender abschätzen. Eine hohe Trefferquote, die möglichen enormen Volumina sowie die Schnelligkeit sind Trümpfe für die maschinelle Verarbeitung gegenüber einer manuellen Prüfung.
Doch auch der Umkehrschluss ist möglich: Werden mit Text Mining Aktennotizen oder Kundenschreiben analysiert, die in der Vergangenheit im Up- oder Cross-Selling besonders erfolgreich waren, können Kunden im richtigen Moment, in der richtigen Art und über den richtigen Kanal angesprochen werden.
Die Erfolgsquote deutlich erhöhen
Die vorhandenen Dokumente sowie ein Machine-Learning-Modell reichen aus, um dank Text Mining Voraussagen für die Wahrscheinlichkeit eines Verkaufserfolgs zu treffen, indem die relevanten Textbausteine und der verzeichnete Verkaufsabschluss miteinander korreliert werden.
Mit Machine Learning kann also präziser entschieden werden, welche Kundin oder welcher Kunde wieder kontaktiert werden soll. Ein Rechenbeispiel zur Illustration: Bei 1’000 Kontaktnotizen wird in der Regel stichprobenartig jede zehnte manuell daraufhin geprüft, ob es an der Zeit sein könnte, den Kunden für ein Upselling anzurufen. Die Stichprobe ist damit höchst zufällig. Beim Einsatz von Machine Learning kann der Algorithmus bereits vorsortieren, in welchen Aktennotizen rein durch das Vorhandensein entsprechender Textmuster höhere Verkaufswahrscheinlichkeiten vorliegen. Anstelle der 100 willkürlich «herausgepickten» gibt uns der Roboter bereits die 100 vielversprechendsten Kontakte mit dem höchsten Upselling-Potenzial. Die Erfolgsquote kann so um ein Vielfaches gesteigert und das Modell vom Kundenberater optimal eingesetzt werden.
Inventx ist in der Lage, solche Algorithmen nach MLOPS zu entwickeln und sie produktiv auf einer Plattform zu betreiben, die diese auch ständig überwacht und deren Entscheidungen erklären oder visualisieren kann. Diese «Off-the-Shelf»-ML-Modelle können in Teilen immer wieder für gleiche oder ähnliche Herausforderungen wiederverwendet werden.
Falls Sie der Meinung sind, dass in Ihrem Unternehmen Datensätze vorhanden sind, in denen Use Cases dieser Art «schlummern» könnten, dann wenden Sie sich bitte an unser Data-Science-Team, das mit Ihnen gemeinsam prüft, welcher Schatz daraus zu heben ist.
