die linusbank allgemeine marktübersicht unternehmenssicht problembeschreibung projektplan

Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research

Prof. Dr. Andreas [email protected]

http://wiid.wiwi.tu-dresden.de01062 Dresden

Telefon +49 351 463-32359Telefax +49 351 463-32736

Rico LudwigChris ReichePatrick Schwabe

Ausgewählte Aspekte der BI:Projektseminar

Endpräsentation

Mat. Nr.: 3111685Mat. Nr.: 3206958Mat. Nr.: 3235860


Endpräsentation

Die LinusbankAllgemeine Marktübersicht

Unternehmenssicht

ProblembeschreibungProjektplanDeskriptive AnalyseKundenwertkonzeptKlassifikationsmodellKampagnenauswertung

TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research

Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 3

Die LinusbankAllgemeine Marktübersicht

• höhere Preissensitivität

• Häufig 2 bis 4 Bankverbindungen

• Entwicklung kostenloser Girokonten:– 2000: gesamt: 6 %

– 2005: gesamt: 10 % - 2 % Onlinekonten

– 2010: gesamt 20 % - 19 % Onlinekonten

• Allgemeine Demografie am Markt:– 21 % jünger als 30

– 15 % älter als 70 Jahre

– 19 % zwischen 40 und 49

– andere Altersgruppen jeweils ca. 15 %



Die LinusbankUnternehmenssicht

• mittelgroße Filialbank mit 500.000 Kunden

• 5 Produkte :

• umfangreiches Data Warehouse mit historisierter Datenbasis

• sowohl Online- als auch Filialgeschäft


Endpräsentation

Die LinusbankProblembeschreibung

Was der Kunde sagt

Was der Kunde will

ProjektplanData UnderstandingData PreparationModeling



ProblembeschreibungWas der Kunde sagt

"Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“

"Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“



ProblembeschreibungWas der Kunde will

• Kosten für Kampagnen sehr hoch

• Kunden nutzen wenige Produkte

• Keine Erfolgsmessung der Kampagnen

• Wertvolle Kunden unbekannt

• Ziele:– Kundenzufriedenheit und Bindung erhöhen

– Wertvolle Kunden identifizieren

– Kosten reduzieren

– Erfolgsmessung für Marketingkampagnen einführen


Endpräsentation

Die LinusbankProblembeschreibungProjektplan

ProjektablaufKoordination der Projektarbeit

Data UnderstandingData PreparationModelingKampagnenauswertung



ProjektplanProjektablauf

• Orientierung des Projektablaufes an den Phasen des CRISP-DM

• Einarbeitung in Bankgeschäft und Daten der Linusbank

• Festlegen der Teilziele für Projektablauf

• Erarbeiten von Kennzahlen auf Basis der vorhandenen Daten

• Evaluation der erstellten Modelle und ableiten von Handlungsempfehlungen



ProjektplanKooperation der Projektarbeit


Endpräsentation

…ProjektplanData Understanding

Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept

Data Preparation…



Deskriptive AnalyseÜbersicht über vorhandene Daten



Deskriptive AnalyseProduktverteilung (gesamt)

• Girokonto hat größten Produktanteil

• Kredit nur vergleichsweise geringer Anteil

• Anteil für Riester und Spaern minimal



Deskriptive AnalyseProduktverteilung (für Monat Juni)



Deskriptive AnalyseProduktverteilung (für Monat Dezember)



Deskriptive AnalyseProduktverteilung

• Deutliche Unterschiede in der Produktverteilung zwischen den

Monaten Juni und Dezember erkennbar

• Zurückzuführen auf wirksame Marketingkampagnen

• Alle Informationen über erstes Halbjahr im Datensatz für Juni enthalten

• Juni - Datensatz stellt Basis unserer Annahmen und Berechnungen dar

• Später: Vergleich und Güteanalyse mit Daten des Dezembers



Deskriptive AnalyseProdukterträge

• Riester und Kredit haben die höchsten Anteile an den Erträgen

• Zins, Giro und Depot vergleichsweise niedriger Ertragsanteil

Jahresertrag Laufzeitertrag

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Riester

Zins

Giro

Depot

Kredit Jahresertrag Laufzeitertrag

530 1970

140 290

40 260

25 90

450 570


Endpräsentation

…ProjektplanData Understanding

Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept

Data Preparation…



Deskriptive AnalyseKundenanalyse

Die absolute Zahl der Kunden, die 1, 2, 3, 4 oder 5 und mehr Produkte besitzen

Die relativen Änderungen der Kunden mit einer bestimmten Anzahl an Produkten



Deskriptive AnalyseKundenanalyse

Umsatzanalyse nach Monaten sowie Zahl der Kunden, die einen Vertrag abgeschlossen haben und Zahl der

abgeschlossenen Verträge.



Deskriptive AnalyseKundenstruktur 1/2



Deskriptive AnalyseKundenstruktur 2/2

• Mehr Filial- als Onlinekunden

• Kaum Unterschiede in der Altersstruktur im Vergleich Online/ Offline



Deskriptive AnalyseKundenwertkonzept

Motivation:• Banken besitzen nur beschränkte Ressourcen für Aktivitäten der Kundenbindung

• Ziel ist es Kundensegmente zu identifizieren, die den Einsatz dieser Ressourcen

rechtfertigen

• Ermöglichung einer spezifischen Art der Betreuung von Bestandkunden und potenziellen

Neukunden

• Ausschöpfung von Cross- & Up - Selling Potenzialen

Mögliche Verfahren• Qualitative Segmentierung

• ABC - Analysen

• Kunden - Deckungsbeitragsrechnung

• Kunden - Scoring - Modelle

• Kunden - Portfolio - Analyse

• Customer Lifetime Value




Kundenwert lässt sich über viele Faktoren bestimmen:• Beziehungsdauer

• Kreditwürdigkeit

• Transaktionsvolumen

• erwartete Kaufwahrscheinlichkeit für die Zukunft

• generierter Umsatz

• Hohes Einkommen

Durch welche Daten lassen sich solche Kunden erkennen?• Kreditvolumen (VOLUMEN_KREDIT)

• Kreditwürdigkeit

• Einalgen - Netto - Volumen

• Einlagenvolumen

• Saldo Girokonto

• Beziehungsdauer




Kunden unterteilen in A, B und C Kunden

• A Kunden sind wertvoll

• B Kunden haben keinen besonderen Wert, schädigen die Linusbank aber nicht

• C Kunden schädigen die Linusbank

Einflussreiche Größen

• Produktnutzung_X --> X ist die Menge an Produkten, welche einen besonders hohen Anteil

am Umsatz/Gewinn der Linusbank haben

• Dauer_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank

• Anzahl_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank

• Volumen_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank

• Kreditwürdigkeit --> Risikominimierung

• Vermögensausprägung --> viel Vermögen bedeutet viel Kapital für die Linusbank

• Beziehungsdauer --> Zeichen für Loyalität

• Cross-Selling_Potenzial_X --> Möglichkeit der Aufwertung des Kunden durch Kampagnen


Endpräsentation

…Data UnderstandingData Preparation

Datenbereinigung

Kundenwert Preparation

…

Modeling…



Data PreparationDatenbereinigung

• Ausschluss von "toten" Kunden, um eine saubere Datenbasis für die

Folgemodelle zu erzeugen?

– Nur bedingt sinnvoll, da diese Kunden durch die Kampagnen reaktiviert werden!

– Denkbarer Nutzen etwa bei Assoziationsanalyse für den Warenkorb, wobei Konten-

Tabelle nur Kunden enthält, die mindestens ein Produkt besitzen

• Modelle arbeiten fehlerhaft, aber der gezielte Ausschluss (klar definierter)

wertloser Kunden ist fehlerfrei, sodass das Endmodell eine höhere Güte aufweist

• Normierung der Datensätze erforderlich, da Daten sowohl metrisch skaliert

vorliegen (z. B. Kredithöhe oder Beziehungsdauer) oder nominal bzw. ordinal (z.

B. Geschlecht, Familienstand, Kreditwürdigkeit)

• Verbindung der Datensätze über die Kundennummer möglich (jeder Kunde hat

eine eindeutige Kundennummer)



Data PreparationAusschluss von Datenmaterial

• Produktnutzung_Giro und Dauer_Giro beinhalten die gleichen

Fakten:

• Wenn die Produktnutzung = 0 ist auch die Dauer_Giro = 0

• Daraus folgt, dass Dauer_Giro überflüssig ist

• ebenso bei Giro, Zins, Kredit, Riester, Depot, Kreditkarte, Sparkarte,

Baufinanzierung

• Ausschluss von Kreditkarte, Baufinanzierung und Termingeld,

Sparkarte laut Aufgabenstellung (keine adäquaten Daten)



Data PreparationTransformierung von Datensätzen

Tabelle Konten und Kunden• Verknüpfung der beiden Tabellen für

jeden Monat mit den Informationen:– Beziehungsdauer

– Alter

– Vertriebskanal

– Produktnutzungsdauer (Giro, Zins, Kredit, Riester, Depot, Sparkarte)

Einteilung der Zeiten in Intervalle

• Nutzungsdauer:

0 Jahre1-12: 1 Jahr13-24: 2 Jahre37-60: 3-5 Jahreab 61: 6-10 Jahre

• Alter:

bis 17: Minderjährig18-2930-3940-4950-59ab 60

• Beziehungsdauer:

0-3: Neukunde3-12: 1 Jahr13-24: 2 Jahre25-60: 3-5 Jahre51-120: 6-10 Jahreab 121: mehr als 10 Jahre



Data Preparation Transformierung in Intervalle mittels SQL

when '9 0 Volumen' then 0when 'A 0 bis 0,25 Tsd.' then 0when 'B 0,25 bis 1 Tsd.' then 0when 'C 1 bis 2,5 Tsd.' then 0when 'D 2,5 bis 5 Tsd.' then 0when 'E 5 bis 10 Tsd.' then 1when 'F 10 bis 25 Tsd.' then 1when 'G 25 bis 50 Tsd.' then 1when 'H ab 50 Tsd.' then 1else 0 end AS vermoegensauspraegung,case d.produktnutzung_giro when 'G' then 1 else 0 end as Giro,case d.produktnutzung_kredit when 'K' then 1 else 0 end as Kredit,case d.produktnutzung_riester when 'R' then 1 else 0 end as Riester,case d.produktnutzung_zins when 'T' then 1 else 0 end as Zins,case d.produktnutzung_depot when 'D' then 1 else 0 end as Depot,casewhen d.beziehungsdauer <= 3 then ' Neukunde 'when d.beziehungsdauer >= 4 and d.beziehungsdauer < 12 then ' 1 'when d.beziehungsdauer >= 13 and d.beziehungsdauer < 24 then ' 2 'when d.beziehungsdauer >= 25 and d.beziehungsdauer < 60 then ' 3-5 'when d.beziehungsdauer >= 61 and d.beziehungsdauer < 120 then ' 6-10 'else ' Mehr als 10 Jahre' end as Beziehungsdauerfrom altranbi.kundendaten_200812 dwhere d.alter >= 18;

run;

proc sql;

/*- Transformation der Intervall-Daten Alter, Beziehungsdauer in diskrete nominale Intervalle- Speicherung von Produkt-Nutzung- Filterung von Minderjaehrigen Kunden*/

drop table altranbi.kunden_binary200812;create table altranbi.kunden_binary200812 asselectd.kundennummer,casewhen d.alter < 18 then ' minderjaehrig 'when d.alter >= 18 and d.alter < 30 then ' 18-29 'when d.alter >= 30 and d.alter < 40 then ' 30-39 'when d.alter >= 40 and d.alter < 50 then ' 40-49 'when d.alter >= 50 and d.alter < 60 then ' 50-59 'else ' ab 60' end as Alter,d.vertriebskanal as Kanal,d.kreditwuerdigkeit,case vermoegensauspraegungwhen '2 -50 bis -25 Tsd.' then -1when '3 -25 bis -10 Tsd.' then -1when '4 -10 bis -5 Tsd.' then -1when '5 -5 bis -2,5 Tsd.' then -1when '6 2,5 bis -1 Tsd.' then 0when '7 -1 bis 0,25 Tsd.' then 0



DatapreparationKundenwert

• Für eine erste Analyse genügt ein relativ einfacher Kundenwert, der auf Basis des generierten Umsatzes ermittelt wird. In weiteren Schritt kann anhand von Prognosemodellen ein Score für jeden Kunden erzeugt werden, der in einen präziseren und feiner abgestimmten Kundenwert einfließt. Für die aktuelle Aufgabe genügt jedoch der einfache Kundenwert in Umsatzklassen.

• Kunden haben zu einem bestimmten Zeitpunkt ein eine Menge an Produkten mit unterschiedlichem Jahresertrag und Laufzeitertrag erworben

• Je nach Jahresertrag und Laufzeitertrag erzeugen diese Kunden einen höheren oder niedrigeren Umsatz

• Kunden werden anhand dieses Umsatzes in verschiedene Werte-Klassen eingeteilt



DatapreparationKundenwert

Hilfsmittel: ABC-Analyse

• Klassische ABC-Analyse gruppiert Kunden prozentual in Klassen ein, die einen bestimmten

Umsatzanteil ausmachen

• jedoch in SQL extrem komplex zu implementieren

• Abgewandelter Algorithmus sortiert Kunden absteigend nach Umsatz und ordnet absolute

Mengen in die Klassen ein, sodass die ersten 10.000 Kunden mit dem höchsten Umsatz

Klasse A darstellen, die nächsten Kunden Klasse B usw.

• Daten auswählen, anhand wir den Wert berechnen können (in Datensatz schauen)

• Modell aufbauend auf den Parametern erstellen



Data PreparationKundenwertgenerierung mittels SQL

proc sql;

/*Berechne die Umsaetze fuer die Kunden im Monat Dezember*/

DROP TABLE altranbi.kundenwert_200812;CREATE table altranbi.kundenwert_200812 ASSELECTsum(p.laufzeitertrag) + sum(p.jahresertrag) AS Umsatz, k.kundennummer, Gesamtumsatz, Gesamtkunden, Avg_Umsatz_je_Kunde, a.AbschlussFROMaltranbi.produkte pJOIN altranbi.konten k ON lower(k.produkt) = lower(p.name)CROSS JOIN (SELECTsum(laufzeitertrag+jahresertrag) AS Gesamtumsatz, count(DISTINCT kundennummer) AS Gesamtkunden, sum(laufzeitertrag+jahresertrag) / count(DISTINCT kundennummer) AS Avg_Umsatz_je_Kunde, AbschlussFROMaltranbi.produkte pJOIN altranbi.konten k ON lower(k.produkt) = lower(p.name)WHERE Abschluss = 200812GROUP BY k.Abschluss) aGROUP BY k.kundennummer;

reset outobs=10000;

/*Ordne den Kundendaten die passenden Umsaetze zu*/

/* A KUNDEN */DROP TABLE altranbi.a_kunden;CREATE TABLE altranbi.a_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kORDER BY Umsatz DESC;

/* B KUNDEN */reset outobs=30000;DROP TABLE altranbi.b_kunden;CREATE TABLE altranbi.b_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kWHERE kundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden)ORDER BY Umsatz DESC;

/* C KUNDEN */reset outobs=50000;DROP TABLE altranbi.c_kunden;CREATE TABLE altranbi.c_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kWHEREkundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden)ORDER BY Umsatz DESC;




/* D KUNDEN */reset outobs=100000;DROP TABLE altranbi.d_kunden;CREATE TABLE altranbi.d_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kWHEREkundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.c_kunden)ORDER BY Umsatz DESC;

/* E KUNDEN */reset outobs=;DROP TABLE altranbi.e_kunden;CREATE TABLE altranbi.e_kunden ASSELECT kundennummer, Umsatz FROM altranbi.kundenwert_200812 kWHEREkundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.c_kunden)ANDkundennummer NOT IN (SELECT kundennummer FROM altranbi.d_kunden)ORDER BY Umsatz DESC;

/*Enthaelt alle Kunden mit Werteklasse, Umsatz und Kundennummer*/

DROP TABLE altranbi.kundenwert;CREATE TABLE altranbi.kundenwert ASSELECT "A" AS Klasse, kundennummer, Umsatz FROM altranbi.a_kunden;

INSERT INTO altranbi.kundenwertSELECT "B" AS Klasse, kundennummer, Umsatz FROM altranbi.b_kunden;

INSERT INTO altranbi.kundenwertSELECT "C" AS Klasse, kundennummer, Umsatz FROM altranbi.c_kunden;

INSERT INTO altranbi.kundenwertSELECT "D" AS Klasse, kundennummer, Umsatz FROM altranbi.d_kunden;

INSERT INTO altranbi.kundenwertSELECT "E" AS Klasse, kundennummer, Umsatz FROM altranbi.e_kunden;

reset outobs=;




/*Ordne den Kundendaten die passenden Umsaetze zu*/

DROP TABLE altranbi.kundenwert12;CREATE TABLE altranbi.kundenwert12 ASSELECT * FROM altranbi.kunden_binary200812 kJOIN altranbi.kundenwert wON w.kundennummer = k.kundennummerORDER BY RANUNI(1234);

/*Aufraeumen*/

DROP TABLE altranbi.a_kunden;DROP TABLE altranbi.b_kunden;DROP TABLE altranbi.c_kunden;DROP TABLE altranbi.d_kunden;DROP TABLE altranbi.e_kunden;DROP TABLE altranbi.kundenwert_200812;

SELECTa.Klasse,sum(a.Umsatz) AS SummeUmsatz,count(a.kundennummer) AS SummeKunden,sum(a.Umsatz) / UmsatzGesamt AS AnteilUmsatz,count(a.kundennummer) / KundenGesamt AS AnteilKunden,KundenGesamt,UmsatzGesamt

FROM altranbi.kundenwert12 aCROSS JOIN (select sum(umsatz) AS UmsatzGesamt, count(kundennummer) AS KundenGesamt from altranbi.kundenwert12) bGROUP BY a.klasse;

run;



Zukünftiger Kundenwert

• Wahrscheinlichkeit für Abschluss?

• > Assoziazionsanalyse

• > Cross / Upselling

• > möglicher zusätzlicher Kundenwert

• >


Endpräsentation…Data UnderstandingData PreperationModeling

AssoziationsanalyseClusteranalysePrognosemodelle

…



Teil der Aufgabenstellung:

Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester.

Ziel der AnalyseEindruck darüber gewinnen, welche Produkte häufig gemeinsam genutzt werden.

ModelingAssoziationsanalyse



Modeling Vorbereitung der Daten für Assoziationsanalyse

• Benötigter Datensatz: – Konten

• Enthaltene Daten:– Kundennummer als ID

– Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1

– Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0 oder 1

– Alter in 5 Stufen nominal

– Kreditwürdigkeit (gut, schlecht, unbekannt) nominal

– Beziehungsdauer

– Kanal (Online, Filiale) binär



Modeling Der Datenfluss im Diagramm



Modeling Filtereinstellung



Modeling Einstellungen im Detail



Modeling Ergebnis

Das Ergebnis der Analyse mit dem ermittelten Warenkorb.

Hier zu sehen sind nur die Regeln, die auf der rechten Seite genau ein Ergebnis erzeugen.



Modeling Ergebnis II



Modeling Fazit

Häufig zusammen gekauft werden Zins, Depot und Riester in allen möglichen Kombinationen. Das macht auch Sinn, da alle drei Produkte im Kern Sparprodukte darstellen. Einen starken Lift erzeugen Riester-Produkte, die sowohl für Zins, als auch Zins in Kombination mit Giro oder Depot häufig nachgefragt werden. Diese Produkte werden jedoch vergleichsweise selten verkauft.

Handlungsmöglichkeiten:

Kunden, die bereits ein oder mehrere Produkte besitzen, könnten entsprechend interessiert sein an den ermittelten Kombinationen. So bietet es sich an, Besitzer von Zins, die noch über kein Depot verfügen, ein Produktangebot vorzubereiten bzw. Depot-Besitzern auch Linuszins anzubieten.




…



Modeling Clusteranalyse

Teil der Aufgabenstellung:Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester.

Ziel der AnalyseEindruck über die Kundenstruktur gewinnen. Gibt es typische Nutzergruppen, die ähnliche Eigenschaften aufweisen?




• Benötigter Datensatz: Kunden_binary200812

• Enthaltene Daten:– Kundennummer als ID

– Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1

– Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0 oder 1

– Alter in 5 Stufen nominal

– Kreditwürdigkeit (gut, schlecht, unbekannt) nominal

– Beziehungsdauer

– Kanal (Online, Filiale) binär




Nachdem der Clusternode keine zufriedenstellenden Ergebnisse hervorbrachte, kam der SOM-/Kohonen-Node zum Einsatz.

Vorgehen: Sampling-Node mit Simple-Random (12345) als Starteinstellung und 4x6 Clustern. Anschließend Beobachtung des Distance-Plots auf eine gleichmäßige Verteilung der Cluster und Prüfung der Clusterhäufigkeit in den Statistics. Schrittweise Reduzierung der Clusterzahl brachte bei 2x3 Clustern das erste gute Ergebnis, bei dem die Cluster gut verteilt waren und keine Häufung mehr auftrat. Als wichtige Variablen zeigt sich stets die Beziehungsdauer, die Vermögensausprägung, Giro, Depot, Zins, Kredit.



Modeling Der Datenfluss im Diagramm



Modeling Ergebnis der Analyse mit dem ermittelten Distanzgraphen



Modeling Der Überblick über alle erzeugten Ergebnisse.



Modeling Das Alter wurde nicht in die Cluster-Unterscheidung

einbezogen.



Modeling Die Verteilung der Produkte auf die verschiedenen Cluster



Modeling Kreditwürdigkeit und Vermögensausprägung

Während Vermögensausprägung durchaus einen Einfluss hat, ist die Kreditwürdigkeit in allen Clustern gleich verteilt.



Modeling Fazit

Es zeigen sich drei auffällige Cluster-Gruppierungen. So gibt es stets ein Cluster Kreditkunden, das einen erheblichen Anteil an Kreditkunden beinhaltet, die eine stark negative Vermögensausprägung aufweisen und eine mittlere Beziehungsdauer ab 3 Jahren erreichen.

Die zweite Gruppe sind die Sparkunden mit positiver Vermögensausprägung, langer Bindungsdauer teils über 10 Jahre und allen drei Spar-Produkten Zins, Depot und Giro.

Die dritte Gruppe umfasst die verbleibenden Cluster mit vorrangig ausgeglichenem Vermögen und häufig einem Girokonto oder Depot.

Handlungsmöglichkeiten:Es lässt sich erkennen, dass im Cluster der Sparkunden die klassischen Sparprodukte häufig nachgefragt werden. Ein Ansatz wäre, Kunden zu finden, die ebenfalls vermögend sind, aber noch nicht alle Produkte besitzen. Zusätzlich ist eine Aktion denkbar, bei der Kunden, die alle Produkte besitzen, aber nur geringe Einlagen aufweisen, zusätzliches Geld überweisen, weil sie mit hoher Wahrscheinlichkeit noch woanders über Konten mit Spareinlagen verfügen.




…



Modeling Prognosemodelle

Teil der Aufgabenstellung:Entwickeln Sie jeweils ein produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte linuskredit, linusdepot, linusgiro, linuszins und linusriester.

Ziel der ModelleKlassifikation von neuen Kunden, um Wahrscheinlichkeiten für Produktabschlüssen zu prognostizieren. Ist auch eine Hilfestellung um Cross-Selling-Potenzial von bereits bestehenden Kunden zu ermitteln.



Modeling Vorbereitung der Daten für die Prognosemodelle

• Benötigte Datensätze:

– kunden_binary200806

– kunden_binary200812 (Clustering)

– kundenwert_200806

– kundenwert_200812 (Kundenwert)

• Enthaltende Daten:

– Kundennummer (id)

– Alter (nominal 5 Klassen)

– Kanal (binär)

– Kreditwürdigkeit (nominal 3 Klassen)

– Vermögensausprägung (ordinal -1 0 und 1)

– Giro (binär)

– Kredit (binär)

– Riester (binär)

– Zins (binär)

– Depot (binär)

– Beziehungsdauer (nominal 5 Klassen)

– Klasse (nominal 5 Klassen)

– Umsatz (interval 115-4365)



Modeling Manipulation der Daten und Erstellung von Standartprognosemodellen

Über SAS Code die benötigten Datensätze erzeugen

Über "Input-Data-Source-Node" jeweils die komplette Kundenwert Tabelle von 06 und 12 laden (Model Role der Kundennumemr als ID deklarieren)




Für jedes Prognosemodell je 2 "Data Set Attributes Nodes" erstellen und die für die für das jeweilige Modell interresannte Varibale als Target definieren. Pro Modell ist ein Data Set Attributes Node mit dem Kundenwert 06 bzw 12 verbunden. Weiterhin wird die Variabale Umsatz ausgeschlossen, da sie indirekt durch den Kundenwert repräsentiert wird.




Im Strang von Kundenwert 06 wird ein Sampling Node eingeführt, um bei der Targetvaribalen ein ausgeglichenes Verhälltnis der Ausprägungungen zu erhalten. Weiterhin ist darauf, zu achten, dass 100% der Daten für das Sampling genutzt werden.




Anschliessend wird in beiden Strängen ein Data Partition Node eingeführt. Im Stang vom Kundenwert 06 werden 70% als Training und 30 % als Validation definiert. Im Strang Kundenwert 12 werden 100% als Test definiert.




Nun werden für jedes Prognosemodell jeweils ein Regression Node, ein Tree Node und ein Neuronal Network Node erstellt. Diese sind mit den Data Partition Nodes aus den 2 Strängen zu verbinden. Wichtig ist, dass der Input der Daten für Training und Validation aus dem Strang Kundenwert 06 und der Input der Daten für den Test aus dem Strang Kundenwert 12 kommt. Im Model Manager werden Die Checkboxen Train, Validation und Test aktiviert, sowie Entire data set bei dem Score Data Set.

Abschliessend werden alle 3 Modelle für jedes Prognosemodell in einem Assesment Node zusammengefasst.



Modeling Zwischenergebnis



Modeling Zwischenergebnis

Für jedes Produkt ist nun eine Vorkonfigurierte Strucktur vorhanden. Diese beinhalten Trainings und Validierungsdaten vom Monat Juni, als noch keine Kampagne begonnen hat und Testdaten aus dem Monat Dezember, als die Kampagnen schon abgeschlossen waren. Durch das Aufbereiten der Test und Validierungsdaten können Modelle mit hoher Güte erstellt werden und durch die getrennte Betrachtung der Trainingsdaten auch mit der Realität verglichen werden. Zur Orientierung stehen vorerst die Standartversionen der drei Grundmodelle zur Verfügung, welche im Assessment Node verglichen werden können. Anhand der Vergleichswerte können Rückschlüsse gezogen werden, welches Modell ein guter Ausgangspunkt für Optimierungen ist. Durch die zusätzlichen Aktivierungen im Modelmanger ist es ausserdem Möglich gezielt auf den Fehler zweiter Art bei den jeweiligen Modellen einzugehen und ihn zu minimieren.




GiroKreditRiesterZinsDepot

…



PrognosemodelleGiro

Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt zusammen:

• Neuronal Network: 0.2329926461

• Tree: 0.2807847915

• Regression: 0.2863756762

Auf dem ersten Blick ist das Neuronale Netz klar besser als die beiden

Alternativen. Beim Versuch dieses Netz weiter zu optimieren wurden jedoch nu

rminimale Erfolge erzielt (auf 0.2330764674). Durch des gringe

Optimierungspotenzial wurde der Entscheigungsbaum wieder interresant. Mit

dem Entscheidugsbaum konnten signifikant bessere Ergebnisse erzielt werden,

welche nun Vergleichbar sind mit denen des Neuronalen Netzes (0.2478094685).

Ein großer Kritikpunkt ist jedoch der Fehler zweiter Art. Dieser liegt bei 32,11%.



PrognosemodelleGiro II

Zur Optimierung des Neuronalen Netzes wurde als Selectionskriterium dei Misclassificaions Rate gewählt und die Zahl der verstecken Neuronen auf 20 erhöht. Weiterhin wurden direkte Verbindungen der Neuronen untereinander gestattet, um die Komplexität zu steigern.



PrognosemodelleGiro III

Zur Optimierung des Entscheidungsbaums wurde das Signifikanzlevel auf 0,5% herabgesetzt. Des Weiteren wurden die Anzahl der minimalen Anzahl an Objekten im Blättern auf 1 reduziert und die Anzahl der Beobachtungen vor einem Splitt auf 5000 erhöht.



PrognosemodelleGiro IV



PrognosemodelleFazit

Die Test Misclassifikation Rate beläuft sich auf nun auf 0.2478094685. Der Fehler zeiter Art beträgt nur 32,11%. Das Model ist somit nicht besonders geeignet, um den Absatz von Giro zu optimieren, da viele potenzielle Kunden als nicht interessiert eingeordnet werden.

Handlungsmöglichkeiten: Den Umsatz wieder als Variable einschliessen. Damit lassen sich nahezu perfekte Modelle erstellen, allerdings mit der Gefahr einzelne Informationen überzubewerten und das Problem des Overfitting zu provozieren. Das Modell muss in einer Kosten-Nutzen Rechnung zeigen, ob es trotzdem lukrativ sein kann auf ca. 1/3 der potenziell interresierten Kunden verzichten zu können.





…



PrognosemodelleKredit


•Neuronal Network: 0.0102094416

•Tree: 0.0173873441

•Regression: 0.0132717153

Alle Modelle liegen hier sehr nah bei einander und das auf hohen Niveau. Aus

vielfachgenannten Gründen wird der Entscheidungsbaum bevorzugt. Dieser soll

nun noch optimiert werden.



PrognosemodelleKredit II

Durch reduktion des Signifikanzlevels auf 5% und Absenkung der minimalen Objekten pro Baltt bei gleichzeitiger Erhöhung der Beobachtungen für jeden Split konnte der bereits sehr gute Baum nochmals verbessert werden.



PrognosemodelleKredit III



PrognosemodelleFazit

Die Misclassifikationrate der Testdaten konnte auf 0.005364567

verbessert werden bei einem Fehler zweiter Art von nur 2,5%.

Damit liefert das Modell einen sehr guten Ansatz zur Prognose

von Krediten.

Handlungsmöglichkeiten: Im Zusammenhang mit der

Kreditwürdigkeit lassen sich nicht nur genaue sondern auch

relativ sichere Prognosen machen zur vergabe von Krediten.





…



PrognosemodelleRiester


• Neuronal Network: 0.1684501989 • Tree: 0.2446298449 • Regression: 0.2089359158

Rest kommt noch...





…



PrognosemodelleZins







…



PrognosemodelleDepot



die linusbank allgemeine marktübersicht unternehmenssicht problembeschreibung projektplan

Documents