Aufrufe
vor 3 Jahren

01 | 2012 NEWS

  • Text
  • Experten
  • Banking
  • Technologie
  • Sicherheit
  • Msggillardon
  • Ikano
  • Basel
  • Anforderungen
  • Banken
  • Produkte
  • Analyse
  • Informationen
  • Operational
Emotional oder rational

u Top Story u

u Top Story u Erfolgsgrundlagen im Gewerbekundenvertrieb Projektvorgehen bei der Kreissparkasse Esslingen-Nürtingen Der erste Schritt des Projekts bestand darin, die Daten zu erheben bzw. zusammenzustellen. Daran schlossen sich die Sichtung und Aufbereitung der Daten entsprechend der Fragestellung an. Die darauffolgende notwendige Untersuchung der Daten hinsichtlich ihrer Qualität geschah anhand deskriptiver Analysen, wodurch beispielsweise nicht plausible Extremwerte erkennbar oder die Anzahl der fehlenden Werte in den zur Verfügung stehenden Tabellen herausgefiltert wurden. In diesem Zusammenhang musste auch entschieden werden, welchen Zeitraum man für die Parameterschätzung verwendet, da dies von der Beschaffenheit der Daten her nötig war. Ein zentrales Ziel an dieser Stelle war es, einen Basisdatensatz zu erhalten, der auf der einen Seite möglichst viele Beobachtungen aufweisen konnte und auf der anderen Seite auch möglichst viele Informationen über die Kunden beinhaltete. Es ist grundsätzlich entscheidend, einen guten Mix aus Qualität und Quantität zu erhalten, da nur „gute“ Daten die Grundlage für eine „gute“ Analyse bilden. Im Folgenden wurden die Zielvariable definiert und statistische Methoden bzw. Verfahren ausgewählt, die für das Schätzvorhaben infrage kommen (vgl. Abb. 2 – Short-List-Modell). Für das Projekt der Prognose von Kaufwahrscheinlichkeiten für Kreditkarten bedeutete dies, dass man sich zwischen den beiden folgenden Varianten entscheiden musste. 1. Zielgröße bekommt den Wert 1, wenn der Kunde in dem betrachteten Zeitraum im Besitz von mindestens einer Kreditkarte war. 2. Zielgröße bekommt den Wert 1 nur in dem Jahr, in dem der Kunde eine Kreditkarte beantragt hat. Die Endphase bestand darin, eine Liste aller Merkmale (Long List) zu erstellen, die in den Daten verfügbar waren und von denen erwartet wurde, dass sie einen Einfluss auf die Zielgröße haben. Prozentualer Anteil „Kreditkarte“ 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 Gini-Koeffizient: 65,82 % 0,1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 Prozentsatz „Gesamt“ Abbildung 3: CAP-Kurve und Gini-Koeffizient Im dritten Schritt wurden die ausgewählten Merkmale anhand statistischer Kennzahlen bzw. Kriterien, die die Trennschärfe von Variablen hinsichtlich der Zielgröße wiedergeben, genauer untersucht. Ein Kriterium, das beispielsweise verwendet wurde, um einen Eindruck über die Trennschärfe eines (stetigen) Merkmals zu bekommen, war die CAP-Kurve (Cumulative Accuracy Profile) und der dazugehörige Gini-Koeffizient (vgl. Abb. 3). 1 Je höher der Gini-Koeffizient, desto eher eignet sich das Merkmal als potenzieller Prädiktor für die Prognose. Im Allgemeinen bedeutet dies, dass der Abstand zwischen der Kurve und der Diagonalen in der Grafik möglichst groß sein soll, da die Punkte auf der Diagonalen aufgrund der Gleichverteilung der Zielgröße einem reinen Zufallsmodell ohne jegliche Trennschärfe entsprechen. Die Analysen wurden für jedes zur Verfügung stehende Merkmal wiederholt und am Ende diejenigen weiter berücksichtigt, bei denen die höchste Prognosefähigkeit unterstellt werden konnte. Letztendlich war es das Ziel, eine „kürzere“ Liste (Short List) zu generieren, die alle Merkmale enthielt, die aufgrund der univariaten Analyse darauf hinwiesen, einen Beitrag zur Erklärung der Zielvariable zu leisten. 8 I NEWS 01/2012

Top Story t Erfolgsgrundlagen im Gewerbekundenvertrieb t Diese Short List wurde im Folgenden für die Schätzungen in den Modellen für die Prognose der Kaufwahrscheinlichkeiten verwendet, nachdem zuvor noch die erklärenden Merkmale mittels multivariater Analysen untereinander untersucht wurden. Besonderes Interesse galt hier der Korrelation zwischen zwei oder mehreren Variablen. Es gilt, dass bei Vorliegen sehr hoher Korrelationen die beobachteten Merkmale im Grunde denselben Sachverhalt erklären, so dass die Konzentration auf eins der Merkmale erforderlich ist, um das Ergebnis nicht unverhältnismäßig zu verzerren. Die Modelle wurden nun mit den ausgewählten Merkmalen geschätzt. Danach wurde die Performance der Modelle verglichen, wiederum anhand von dafür geeigneten statistischen Kennzahlen. Aus diesem Vergleich resultierte letztendlich das finale Modell, das für die Prognose der Kaufwahrscheinlichkeiten verwendet wurde. Schritt fünf beschäftigte sich mit der detaillierten Analyse des finalen Modells bzw. mit dessen Ergebnissen. Hauptaugenmerk wurde hier auf die Signifikanz der geschätzten Werte gelegt. Standardmäßig werden hierfür die Signifikanzniveaus 10 Prozent, 5 Prozent und 1 Prozent herangezogen. Je genauer, d. h. je kleiner das Niveau, desto mehr Variablen werden als nicht signifikant ausgewiesen und fallen dementsprechend aus dem Modell. Wichtig ist hierbei, dass ein vernünftiger Mix zwischen Genauigkeit (Signifikanz) und Trennschärfe des Modells vorliegen muss, um das endgültige Prognosemodell auszuwählen. Ergebnisse Nach der Entscheidung für das finale Modell wurden die Ergebnisse unter Einbeziehung von Expertenwissen interpretiert. Hierbei ging es vor allem darum, ob die geschätzten Wirkungsrichtungen der Merkmale den fachlichen Erwartungen entsprachen. Als Ergänzung ist zusätzlich eine initiale Validierung der getätigten Analyse empfehlenswert, um die Funktionstüchtigkeit des Modells auf einer zuvor nicht benutzten Stichprobe zu überprüfen. Die Ergebnisse werden somit verifiziert, so dass das Modell abschließend bestätigt oder erneut angepasst werden kann. Kreissparkasse Esslingen-Nürtingen Mit einem Geschäftsvolumen von fast 8,5 Mrd. Euro gehört die Kreissparkasse Esslingen-Nürtingen zu den großen Sparkassen in Deutschland. Seit über 160 Jahren ist sie hier daheim. Ihre dynamische Entwicklung aus bescheidenen Anfängen im Jahr 1848 bis zur heutigen Bedeutung als führende Regionalbank verdankt sie ihrer Position in einem wirtschaftsstarken und eng besiedelten Landkreis und der Strategie, Finanzdienstleistungen markt- und kundennah anzubieten. Als Regionalbank mit weit überregionaler Bedeutung betreut die Kreissparkasse 273.203 Privat- und Geschäftsgirokonten sowie 325.995 Spar- und Termingeldkonten. > Bilanzsumme (Stand: 31.12.2011): 8.317 Mio. EUR > Anzahl Filialen: 107 > Mitarbeiteranzahl: 1.662 1 Alle Grafiken und Tabellen sind Beispiele und entsprechen nicht den Resultaten aus dem Projekt bei der KSK Esslingen-Nürtingen. NEWS 01/2012 I 9

msg

01 | 2018 public
02 | 2017 public
01 | 2017 public
02 | 2016 public
01 | 2016 public
02 | 2015 public
01 | 2015 public
01 | 2014 public
01 | 2014 msg systems study
01 | 2015 msg systems Studienband
Future Utility 2030
Lünendonk® Trendstudie
Digitale Transformation | DE
Digital Transformation | EN
DE | inscom 2014 Report
EN | inscom 2014 Report

msgGillardon

02 | 2018 NEWS
03 | 2016 NEWS
02 | 2016 NEWS
01 | 2016 NEWS
03 | 2015 NEWS
02 | 2015 NEWS
01 | 2015 NEWS
02 | 2014 NEWS
01 | 2014 NEWS
02 | 2013 NEWS
01 | 2012 NEWS
02 | 2011 NEWS
01 | 2010 NEWS
MaRisk
01 | 2017 banking insight
01 | 2015 banking insight
01 | 2014 banking insight
01 | 2013 banking insight
01 | 2012 banking insight
02 | 2011 banking insight
01 | 2011 banking insight
01 | 2010 banking insight
2018 | Seminarkatalog | Finanzen

Über msg



msg ist eine unabhängige, international agierende Unternehmensgruppe mit weltweit mehr als 6.000 Mitarbeitern. Sie bietet ein ganzheitliches Leistungsspektrum aus einfallsreicher strategischer Beratung und intelligenten, nachhaltig wertschöpfenden IT-Lösungen für die Branchen Automotive, Banking, Food, Insurance, Life Science & Healthcare, Public Sector, Telecommunications, Travel & Logistics sowie Utilities und hat in über 35 Jahren einen ausgezeichneten Ruf als Branchenspezialist erworben.

Die Bandbreite unterschiedlicher Branchen- und Themenschwerpunkte decken im Unternehmensverbund eigenständige Gesellschaften ab: Dabei bildet die msg systems ag den zentralen Kern der Unternehmensgruppe und arbeitet mit den Gesellschaften fachlich und organisatorisch eng zusammen. So werden die Kompetenzen, Erfahrungen und das Know-how aller Mitglieder zu einem ganzheitlichen Lösungsportfolio mit messbarem Mehrwert für die Kunden gebündelt. msg nimmt im Ranking der IT-Beratungs- und Systemintegrationsunternehmen in Deutschland Platz 7 ein.


© 2018 by msg systems ag - powered by yumpu Datenschutz | Impressum