Den Kunden auf der Spur
Den Kunden auf der Spur. Der Online-Börsenhändler Cortal Consors analysiert mit Business-Intelligence-Techniken Kundendaten, um seine Klientel besser bedienen und den Ertrag steigern zu können.

Den Kunden auf der Spur
Customer Relationship Management (CRM) ist bei der Anlagebank Cortal Consors von strategischer Bedeutung. Das Unternehmen hat erkannt, dass nicht nur die Produktpalette, sondern die gesamte Organisation nach den Bedürfnissen der Kunden ausgerichtet sein muss, wenn der Ertrag maximiert werden soll. Als Konsequenz wurde mit dem Team Customer Intelligence eine zentrale Schnittstelle zwischen Marketing, Vertrieb und IT ins Leben gerufen. Das Ziel: durch einen Mix aus analytischem CRM, Kampagnenmanagement und Marktforschung eine ertragsorientierte Kundenansprache zu gewährleisten. Im Mittelpunkt steht dabei die Segmentierung des Kundenstammes.
Anfangs nur Vermutungen
Bis vor wenigen Jahren galt das Unternehmen Consors, das seit der Fusion mit einer französischen Direktbank unter dem Namen Cortal Consors firmiert, fast ausschließlich als Anlaufstelle für so genannte Trader ? Börsenprofis, für die das Kaufen und Verkaufen von Aktien oder das Spekulieren mit Derivaten völlig selbstverständlich ist. Allerdings vermutete man bei der Anlagebank, dass die Klientel keineswegs so homogen war, wie es den Anschein hatte. Daher beschloss die Marketing-Abteilung, der Zusammensetzung des Kundenbestandes auf den Grund zu gehen ? mit dem Ziel, das bisherige, sehr an den Tradern ausgerichtete Portfolio in Richtung Anlageberatung auszuweiten und damit neue Kunden anzusprechen. Mit Hilfe von Customer-Intelligence-Software des US-amerikanischen Herstellers SAS Institute begann Cortal Consors, zunächst die bestehenden Kundendaten zu ordnen und abgegrenzte Segmente zu definieren. Untersuchte Analyseparameter waren Einzelmerkmale wie Trade-Aktivität oder Depotvolumen, aber auch Informationen über Kundenwünsche und -bedürfnisse aus dem Call Center oder dem E-Mail-Verkehr wurden berücksichtigt. Eine besondere Rolle spielte dabei ein statistisches Verfahren namens Self Organized Maps, eine Sonderform von Neuronalen Netzen.