Relationship Equity im Private Banking - Universität St.Gallen

R E L A T I O N S H I P E Q U I T Y I M P R I V A T E B A N K I N G
arbeitet und aus wohlhabendem Hause kommt, und eines jungen Kunden, der eher spät ein
Psychologiestudium abgeschlossen hat und dem Mittelstand angehört.
Um die Bewertungsergebnisse in einem leicht erfassbaren Format präsentieren zu können,
müssen sie aber vereinfacht werden. Dabei richtet sich die Vereinfachungslogik nach den
konkreten Bedürfnissen des Benutzers im Management. Der feingliedrige und modulare
Aufbau der Kundencluster ermöglicht dabei eine flexible Anpassung an die Wünsche der
Bankführung. Grundsätzlich ist also auch ein „Mapping“ auf eine schon bestehende („qualitative“)
Lebenszyklus-Struktur einfach möglich.
6.3.1.2 Abgrenzung zu quantitativen Ansätzen
Ein sich für die vorliegende Arbeit anbietendes alternatives Methoden- und Vorgehensset
wäre im Bereich des quantitativen Marketings zu finden gewesen. Dabei handelt es sich um
das sog. Data Mining, also die Bearbeitung grosser (Kunden-)Datenmengen mit statistischen
Methoden 342 . Im vorliegenden Fall war es aufgrund des Fehlens eines Datensets nicht
möglich, diesen Pfad zu gehen. Bei einem Einsatz des Relationship Equity Modells in der
Praxis wäre aber der Einbezug von Data Mining Methoden eine sinnvolle Ergänzung zum
Bestehenden:
– Weitergehende Hypothesenvalidierung 343 : Die durch die Kundenberater aufgestellten
Hypothesen hinsichtlich der potentialrelevanten Faktoren könnten teilweise auf einer
grossen Datenbasis effizient und auf das konkrete Bankinstitut bezogen überprüft werden.
– Verbesserung der Datenqualität: Durch den Einbezug weiterer Kundenattribute sowie
deren Verknüpfung mit bereits bestehenden Dimensionen im Modell könnte unter anderem
die Vollständigkeit und somit Qualität der Datenbasis erhöht werden. Dies wäre
möglich, wenn statt auf den im Modell genutzten Faktoren (z.B. Angabe zum Reineinkommen)
falls nötig auf Näherungen („Proxies“) basiert werden könnte (z.B. regelmässige
Zahlungseingänge auf dem Konto, genaue Wohnadresse etc.). In der Betrachtung
des Einzelkunden aus der Optik der Bank kann die simultane Analyse aller verarbeitbaren
Informationsstücke bessere Ergebnisse liefern als dies aus einer Einzelbetrachtung
der Fall wäre. Dabei liesse sich aus diversen Dokumenten wie Anträgen für Kreditprodukte,
Baufinanzierungen oder aber im besten Fall natürlich ganzen Finanzplanungen
eine sehr gut nutzbare Kundeninformationsbasis ableiten 344 .
342 Seidmann (2001), 51: Die Methodik des Data Mining umfasst einerseits ungerichtete Ansätze wie das Clustering und
anderseits gerichtete Ansätze wie die Entwicklung von Entscheidungbäumen. Der erste Ansatz, bei dem der
Schwerpunkt auf der (unvoreingenommenen) Erkennung von Mustern in der Datenstruktur liegt, bildet oftmals den
Einstieg in die Bearbeitung grosser Datenmengen, indem verschiedene Zusammenhänge durch das Auftragen von
Attributsdimensionen gegeneinander und die Bildung von Clustern erkannt werden können. Der zweite Ansatz verfolgt
eine Zuteilung von Elementen (bzw. Kunden) nach bestimmten Algorithmen zu Knotenpunkten in einem Entscheidungsbaum.
Nach dessen Fertigstellung liegen klar strukturierte Regeln vor, welche es erlauben, neue Elemente
zu beurteilen, zu kategorisieren und schliesslich optimal zu bearbeiten.
343 Auf den in Abschnitt 5.2.2.1 entwickelten Hypothesen aufbauend
344 Interview mit Martin Huber (1.3.05). Die Frage des Kundendatenschutzes bleibt vorerst ungeklärt.
194