Wir haben für unsere Kunden eine regelbasierte Recommendation-Engine entwickelt, um Angebote auf Basis der vergangenen Transaktionen verschiedener Kunden zu individualisieren.
Unser Kunde bat uns, die Relevanz und die Konversionsrate von Gutscheinen in seiner App zu erhöhen (sowohl für sein eigenes Produkt als auch sein Loyalitätsnetzwerk von Einzelhandelspartnern).
Vor dem Projekt basierten die Produktempfehlungen der Bank auf einfachen Regeln und einer Zufallsauswahl. Da die Konvertierungsrate niedrig war, wollte die Geschäftsleitung die Relevanz ihres eigenen Treueprogramms und das ihrer Handelspartner verbessern. Dies bedeutete, dass die App-Gutscheinstruktur durch ein personalisiertes Gutscheinsystem neugestaltet werden sollte.
Wir nutzten bisher ungenutzte Geschäftsdaten, um die Relevanz des Treueprogramms erheblich zu steigern.
In dieser Phase richteten wir ein neues System für Empfehlungen ein, das auf Kunden- und Transaktionsdaten sowie auf einer Unterteilung in verschiedene Zielgruppen basiert.
Wir verfolgten einen wissenschaftlichen Ansatz zur Segmentierung der Kunden der Bank. Dies wurde erreicht, indem wir:
- ein regelbasiertes Produktvorhersagemodell aufbauten, das auf dem Ausgabeverhalten der Kunden basiert
- die generierten Empfehlungen in Interviews mit ausgewählten Kunden testeten, um unsere Empfehlungen zu bestätigen und Erkenntnisse über das bevorzugte Layout der Bankingapp zu gewinnen
- das Gutscheinsystems neu modellierten, um eine kundenfreundlichere Customer-Experience zu gewährleisten
78 Prozent der Kunden bevorzugten die optimierten Empfehlungen!
Wir haben ein personalisiertes Gutschein-System eingeführt, das die Konversionsrate für das Treuenetzwerk der Bank erheblich steigern konnte, indem wir:
- jeden Nutzer auf Basis von Kundendaten (Alter, Geschlecht, Einkommen) und vergangenem Kaufverhalten segmentiert haben
- mehrere Regelwerke aufgestellt haben, die auf den vergangenen Transaktionen einzelner Kunden und des jeweiligen Segments sowie auf individuellen Informationen (Kinder, Haustier, Auto) basieren
- Interaktionen des Kunden mit den Loyalitätspartnern angestoßen haben (angepasst an das jeweilige Ausgabeverhalten)
Im letzten Schritt haben wir sogar einen A/B-Test vorbereitet. Dieser ermöglicht es dem Kunden, unsere Empfehlungen nach dem Start der App weiter zu analysieren und zu verbessern.
Kontakt
Nehmen Sie Kontakt zu uns auf, unser Team berät Sie gerne.