„Rote Chucks, die muss ich haben“, Sandra Schoan weiht uns ein, ins behütetste Geheimnis vieler Frauen: Wieso sie Schuhe kaufen (müssen). Die Data Science Expertin der Europace AG nimmt uns mit auf ihre persönliche Costumer Journey.
Ein Text von Michael Sudahl.
Die Data Science Expertin der Europace AG nimmt uns mit auf ihre persönliche Costumer Journey. Die Kundenreise startet an ihrem Handy. Dort werden ihr beim Surfen genau die roten Turnschuhe angezeigt, die sie sich wünscht. Zwei, drei Klicks, oder besser gesagt, zwei, drei Wische später, hat Schoan die Sneakers online bestellt. Und zwei, drei Tage später öffnet sie voller Vorfreude das Paket mit den neuen Tretern. Prima, genau so einfach soll es gehen, das Kaufen im Netz.
Von Standard bis Wow
Doch weil Schoan nicht nur online Shoppingqueen kann, sondern vor allem Expertin für alles ist, was wir gerne als „Big Data“ bezeichnen, erklärt sie, welche Entscheidungen Maschinen und Software getroffen haben, damit sich ein käufliches Glücksgefühl einstellt. „Wissen wird aus Daten generiert“, erklärt Schoan. Und die Firma, die ihr die Chucks verkauft hat, weiß eine ganze Menge über die Käuferin: Etwa, dass ihr die Farbe Rot gefällt, dass sie Modelle der Marke Converse mag. Oder welcher Lieferweg der beste und schnellst ist, damit die Kundin in kurzer Zeit die Modelle anprobieren kann. Das alles hat das System erkannt, verarbeitet und letztlich damit die Erwartungshaltung erfüllt, die wir heute beim Onlinekauf haben. Das ist Standard. Ein „Wow“ wäre für Schoan, wenn sie nicht nur online mit ihrem Handy bezahlen kann, sondern auch auf dem Wochenmarkt. Anbieter wie die chinesische App von Alipay können das schon heute.
Der Ausflug ins persönliche Kaufverhalten Schoans dient der Veranschaulichung, was Europace bald Beratern bietet. Die Empfehlung und das passsende Angebot der roten Chucks ist nichts anderes, als ein automatisiertes Beratungsgespräch. Und diese unterstützenden Entscheidungshilfen sollen Berater künftig auch erhalten, damit für ihre Kunden das Kaufen einer Immobilie so einfach wird, wie mieten.
Was Kunden wirklich wollen
Wie vermutet, liefern Daten hierzu die Basis. Schoan hat sie analysiert und herausgefunden, was Baufi-Kunden wichtig ist. Schnelligkeit etwa. „Kunden wünschen sie sich, wenn es um den Nachweis der Eigenmittel geht“, sagt die Data-Expertin. Wichtig ist auch Vertrauen. Dafür gehen manche Interessenten einen weiten Weg, fahren durch die ganze Stadt, um zu ihrem Berater ins Büro zu kommen. Auch Fairness steht auf der Kundenwunschliste ganz oben. Das für sie passende Produkt soll es sein, um das Gefühl zu haben, sich richtig entschieden zu haben. Werden all diese Bedürfnisse künftig in der Costumer Journey berücksichtigt, steigen die Abschlussquoten, so die nachvollziehbare These. Die überdies einen Blick in die Zukunft erlaubt: Denn Big Data liefert auch Wahrscheinlichkeiten dazu, welche Kreditanfragen klappen und wieso.
Europace Machine-Learning-Experte Hagen Zahn erklärt das Konstrukt der Erfolgsaussichten: Eine Software analysiert alle Baufi-Anträge nach 16 Parametern, wie das Anstellungsverhältnis des Kunden oder den Beleihungsauslauf. Abweichungsgründe wie ein zu geringer Haushaltsüberschuss oder eine zu große Wohnfläche zeigen dem Berater dann, wo nachjustiert werden kann, damit die Abschlusschancen steigen.
Vertrauen steigt
Die Vorteile solcher Analysen liegen in der Transparenz. Wissen Berater und Kunde aufgrund von Vergleichsfällen, dass etwa der zu geringe Haushaltsüberschuss tendenziell zu einer Ablehnung eines Kredits führen kann, können sie agieren und müssen nicht auf die Absage warten. „Das erspart den Kunden negative Erfahrungen“, verdeutlicht Schoan. Der Vertrauensbonus steigt.
Bye Bye Papier
Einher mit einer vereinfachten Kundenreise geht die automatisierte Dokumentenerkennung. Diese gelingt über die drei Säulen Visualität, Inhalt und Kontext. Am Beispiel der Erkennung eines Personalausweises, eines Kreditantrages und einer Flurkarte wird deutlich, wie die drei miteinander verknüpft sind.
Ein „Perso“ wird typischerweise über die Visualität erkannt, weil alle deutschen Ausweise sich optisch gleichen. Bild und Text stehen an der gleichen Stelle. Inhaltlich findet das System Begriffe wie „Personalausweis“ oder „Bundesrepublik“, die ebenso erkennen lassen, dass es sich um eine Identitätskarte handelt.
Kreditanträge hingegen sind sich selten ähnlich. Unterschiedlich Corporate Designs sorgen für eine schwere optische Vergleichbarkeit. Sie erkennt das System über den Inhalt, den Text. Flurkarten wiederum erkennt die Software über die klare, einheitliche Optik. Analysiert es den Text, reihen sich nur wirre Zahlenreihen aneinander.
Die dritte Säule, der Kontext, sucht nach logischen Erklärungen aus der visuellen und inhaltlichen Erkennung. Das Gesamtbild entsteht, das Dokument wird als das erkannt was es ist – und passend abgelegt. Zum Maschine Learning wird das Ganze, je mehr Dokumente analysiert werden. Denn sortierte und vom Berater korrigierte Erfahrungswerte speichert es. Dadurch wird es immer schlauer.