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
– Fehlende Impulse zur Weiterentwicklung: Zwar ist die Anwendung vorhandener Daten
wie dies beim Einsatz eines quantitativen Verfahrens vorausgesetzt werden müsste,
sehr pragmatisch, kann aber in der Findung der besten Lösung ggf. hinderlich sein. Ein
Modell, das hingegen „auf der grünen Wiese“ gebaut worden ist, sich dabei einzig auf
die Beiträge von Experten und logischen Konzepten stützt und nicht auf organisatorische
Gegebenheiten Rücksicht nehmen muss, kann die Findung dieses Ideals überhaupt erst
angehen. Zwar wird es bei der Implementierung mit hoher Bestimmtheit zu Abstrichen
kommen, wenn das Konzept mit der Realität abgeglichen wird; zudem wird der ganze
Gedankenprozess wohl mehr Zeit in Anspruch nehmen als bei einer direkten Konzentration
auf das Vorhandene. Dennoch kann ein solches Vorgehen auch helfen, Horizonte zu
öffnen, Impulse zur Erstellung notwendiger Datengrundlagen zu geben und somit mithelfen,
eine Organisation weiterzubringen.
– Mangelnde Repräsentativität: Wenn die Berechnung von Transformationswahrscheinlichkeiten
nicht auf öffentlich zugänglichen Daten beruht, welche das Verhalten der Gesamtbevölkerung
widerspiegeln, sondern wie beschrieben auf errechneten Transformationswahrscheinlichkeiten
der bestehenden Bankkunden, stellt sich die Frage, ob die Kunden
sich eher wie andere Bankkunden verhalten oder aber eher wie die Grundgesamtheit
der Bevölkerung? Es ist anzunehmen, dass bei Grossbanken eine kritische Menge an
Kunden vorhanden ist, um von diesen Schlüsse auf alle anderen zu ziehen. Bei kleineren
Instituten erscheint die Verwendung repräsentativer, öffentlich verfügbarer Daten opportuner.
Dies gilt jedoch vornehmlich für die vom statistischen Bundesamt gut abgedeckten
Lebensbereiche.
– Mangelnde Relevanz aus Kundenwertsicht: Die Anwendung der Clusteringmethode
führt durch Gruppierung von Kunden mit ähnlichen Eigenschaften im Sinne einer verkaufsrelevanten
Strukturierung der Kundenbasis. Wenn man das vorliegende Konzept
der Modellierung des Kunden entlang seines Lebenszyklus berücksichtigt, sind aber einige
Folgerungen aus dem statistischen Clustering nicht unbedingt wünschenswert: Eine
Gruppierung der Kunden nach relevanten soziodemographischen Unterscheidungskriterien
kann zum einen grundsätzlich dem Konzept des Lebenszyklus entgegenstehen,
wenn bspw. das Kundenverhalten nicht von der Altersstufe abhängig ist und Cluster somit
über die Altersgrenzen hinweg gebildet werden müssten. Zum anderen ist ein
Clustering nach der momentanen Profitabilität aus der Lebenszyklussicht ebenfalls nicht
sinnvoll, da punkto Profitabilität homogene Kunden in ihren anderen Attributen sehr
verschieden sein können und diese zudem nicht viel über den Gegenwartswert des Lebenswertbeitrags
aussagt 349 . Somit könnte es sein, dass die Modellierung entlang des
Lebenszyklus grundsätzlich in Frage gestellt wäre, was auf die Verständlichkeit und Akzeptanz
des Modells abträglich wirken könnte.
349 Knöbel (1997)
196