Relationship Equity im Private Banking - Universität St.Gallen

Kapitel 6 – Entwicklung eines Relationship Equity Cockpits
– Überprüfung der Clusterstruktur: Die aus Kundenberatergesprächen abgeleiteten
Informationen zur Bildung von Kundengruppen könnten teilweise quantitativ erhärtet
werden. So könnten Kunden eines Datensets anhand von vorhandenen soziodemographischen
und finanziellen Attributen sowie der momentanen Profitabilität und mittels gebräuchlicher
Algorithmen statistisch validiert in Cluster eingeteilt werden 345 .
– Verfeinerung der Transformationswahrscheinlichkeiten: Die in der vorliegenden
Arbeit verwendeten Transformationswahrscheinlichkeiten zwischen den Clustern basieren
auf Schätzungen sowie erhärteten Daten des Bundesamtes für Statistik. Während die
Beibehaltung letzterer sinnvoll erscheint, könnte jedoch die Datenqualität für die Transformationswahrscheinlichkeiten
in den (am Lebensalter gemessen) späteren Clustern
durch die Anwendung eines quantitativen Verfahrens verbessert werden. So könnte z.B.
durch die Beobachtung einer grossen Anzahl Kunden sowie deren Zuteilung zu bestimmten
Clustern zu zwei unterschiedlichen Zeitpunkten die Wahrscheinlichkeit eines
Wechsels zwischen Clustern (die „Pfade“) geschätzt werden 346 .
Neben den Vorteilen lassen sich allerdings auch einige Argumente gegen eine Verwendung
von echten Kundendaten zur Modellkalibrierung festhalten. Dabei sind auch Hindernisse
bei der Operationalisierung nicht zu unterschätzen:
– Abhängigkeit von Daten: Das erste und vielleicht hauptsächliche Problem stellt sich
am Anfang eines jeden Implementierungsversuchs: Sind genügend relevante Kundendaten
flächendeckend vorhanden, um eine Modellkalibrierung vornehmen zu können? Diese
Frage ist auch bei der Einführung des Relationship Equity Tools auf der Basis der
vorliegenden Logik von Bedeutung, bei einer statistischen Datenverarbeitung aber viel
akuter 347 . Die Modellerstellung im Rahmen dieser Arbeit basiert darum auch auf einem
Konzept, das qualitative bzw. beschreibende Daten zu seiner Grundlage macht. Die Erfassung
von Kundendaten sollte nicht unterschätzt werden; einerseits wegen des substantiellen
zeitlichen Aufwands, anderseits aufgrund der Abhängigkeit der Datenqualität
vom konkreten Setup. Es erscheint darum sinnvoll, bei einer Konzepteinführung sämtliche
angesprochenen Stakeholder zu involvieren, um die nötige Motivation und damit
Qualität sicherzustellen 348 .
345 Insbesondere drängen sich die Classification and Regression Trees (CART) und Chi-squared Automatic Interaction
Detector (CHAID) Methoden zur Bestimmung optimaler Knoten-/Clusterzusammensetzungen und –zugehörigkeiten
auf.
346 Dabei erscheint es als sinnvoll, die beiden Betrachtungszeitpunkte nicht bloss ein Jahr auseinanderliegen zu lassen
sowie unter Umständen mehr als zwei Zeitpunkte zu betrachten. Denn bei der Betrachtung einer einjährigen Spanne
könnten beobachtete Veränderungen zufällig sein.
347 Knöbel (1997) war bspw. mit seinem Customer Value Grid Ansatz nicht zum gewünschten Resultat gelangt nachdem
sich die Homogenität gebildeter Altersklassen als zu klein erwiesen hatte und er keine weiteren Daten zur Betrachtung
zur Verfügung hatte. Ein weiteres konkretes Problem liegt darin, dass viele Konten Nummernkonten sind, bei
denen die Bank in der Regel weniger über den Kunden weiss als bei offenen Bankbeziehungen.
348 Interview mit Daniel Rüegge (19.1.05)
195