Relationship Equity im Private Banking - Universität St.Gallen
Relationship Equity im Private Banking - Universität St.Gallen
Relationship Equity im Private Banking - Universität St.Gallen
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
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<br />
Die Banken verfügen zwar über CRM-Systeme; diese werden zum einen aber nicht systematisch<br />
bewirtschaftet, zum andern liegen über viele Kunden typenbedingt in vielen Fällen<br />
keine detaillierten Informationen vor 167 . Aus diesem Grund erfolgt die Potentialbeurteilung<br />
eher grob: In best<strong>im</strong>mten Bereichen mittels einer zweid<strong>im</strong>ensionalen Kundenbeurteilung<br />
anhand gegenwartsbezogener Daten (bspw. mit der heutigen Umsatzleistung als wichtige<br />
D<strong>im</strong>ension) oder teilweise aufgrund kundenberatereigener subjektiver Potentialeinschätzungen.<br />
Dabei ist man sich bewusst, dass die CRM-Systeme nur so gut sein können wie die Informationen,<br />
die sie beinhalten. Was die durch den Kundenberater eingegebenen Daten betrifft<br />
168 , könnten also geeignete Anreize die Datenqualität steigern. Dies geschieht teilweise<br />
schon dadurch, dass der Berater direkt vom CRM-System profitieren und selbst zu seinem<br />
eigenen Nutzen sein Kundenportfolio nach verschiedenen Aspekten analysieren oder auch<br />
die Verwaltung von Kontakten zu potentiellen Kunden vornehmen kann. Ein latentes Problem<br />
bleibt die mangelnde Verfügbarkeit flächendeckender (vor allem soziodemographischer)<br />
Kundeninformationen. Einerseits sind diese zwar <strong>im</strong> System enthalten, aber nicht<br />
zweckmässig und in auswertbarem Format erfasst, oder aber sie werden vom Kundenberater<br />
in separaten Katalogen geführt.<br />
Ein wichtiger Fokus bei flächendeckenden Kundenbeurteilungen liegt auf der schnellen<br />
Priorisierung bestehender Kunden nach deren Bedürfnissen wie auch deren Attraktivität; so<br />
können die Kunden anschliessend modulartig mit geeigneten Verkaufsstrategien abgeholt<br />
werden, was der Bank Effizienzgewinne bringt, und auch dem Kunden bei der gezielten<br />
Befriedigung seiner Bedürfnisse entgegenkommt.<br />
Neben solchen breiten Beurteilungsversuchen erfolgen auch detaillierte punktuelle Analysen,<br />
welche zu Teilopt<strong>im</strong>ierungen und der Verfeinerung von Teilstrategien beitragen können.<br />
Bei solchen Efforts kommen auch statistische Verfahren zur Anwendung, mittels derer<br />
man zu verstehen versucht, welche logischen Zusammenhänge zwischen einzelnen Kundenattributen<br />
bestehen (Beispiel: der Zusammenhang zwischen dem Alter und der Nutzung von<br />
elektronischen Kanälen) 169 .<br />
Solche Anstrengungen laufen als CRM vor allem unter der Ägide der Marketingabteilungen<br />
der betrachteten Banken. Dabei fungiert das sog. analytische CRM als methodische und<br />
technische Fachstelle, die durch Auswertung von Informationen über Zahlungsverkehrstransaktionen,<br />
Wertschriftenstamm- und Transaktionsdaten, Kundenstammdaten, Privatkre-<br />
167 Insbesondere <strong>im</strong> Falle der Nummernkonti, wo auf Bankseite nur einem engen Personenkreis die wirtschaftlich Berechtigten<br />
bekannt sind (Mirabaud (2005)), liegen in den zentralen Systemen keine weiterführenden soziodemographischen<br />
Informationen vor. Im Rahmen „normaler“ Kundenbeziehungen steht am Anfang die Erfassung sämtlicher<br />
Vermögenswerte (Zweitstämme, Familienmitglieder) sowie der Jahresausgaben eines Kunden. Dabei wird das Gespräch<br />
auf verschiedene Bereiche wie Geld, Familie oder die Hobbies gelenkt, um ein möglichst komplettes Bild des<br />
Kunden zu erhalten. Meist ist sich der Kunde von vornherein selbst nicht ganz bewusst, was er alles besitzt. Man<br />
versucht zumindest, die Asset Allocation auch externer Gelder in Erfahrung zu bringen.<br />
168 Wie Einkommen, Gesamtvermögen, Alter, Geschlecht, Wohnort, Risikoneigung, Anlegertyp etc.<br />
169 Bspw. Datamining, komplexe Algorithmen, Entscheidungsbäume, Regressionsanalysen und Modellrechnungen<br />
72