Best-Practice-Use-Case-Guide
Nutzung von Daten mithilfe von KI für Payment- und Kreditkartenanbieter
#Akquise #Aktivierung #EMOB #Monetarisierung #Kreditkarte #Daten #Analytics #KI #Personalisierung #Revolvingkredit #PreditcionModel #NextBestAction #MachineLearning #Loyalty
Die meisten Datenquellen liefern deterministische Daten – z. B. Kreditkartentransaktionen -, die von der traditionellen Business Intelligence genutzt werden, um Erkenntnisse wie die Kaufwahrscheinlichkeit für ein Finanzprodukt zu ermitteln.
Die Marketingabteilungen nutzen dann probabilistische Daten, um Kampagnen zu erstellen, die auf bestimmte Kundensegmente ausgerichtet sind. Dieser Ansatz führt zu Herausforderungen, wie z. B. dass Top-Kunden überproportional oft angesprochen werden und Kampagnen nicht optimal auf den einzelnen Kunden abgestimmt sind. Im Gegensatz dazu ermöglichen KI-Lösungen die Optimierung des Omnichannel-Kundenerlebnisses, indem die richtige Person zum richtigen Zeitpunkt auf dem richtigen Kanal angesprochen wird.
Die meisten Browser unterstützen das Tracking durch Cookies von Drittanbietern nicht mehr. Google hat angekündigt, dass der Chrome-Browser im Jahr 2023 keine Cookies von Drittanbietern mehr akzeptieren wird. Marketer werden weniger Informationen über das Online-Kundenverhalten haben, und Marken werden weniger in der Lage sein, Kunden mit gezielten Botschaften zu erreichen – es sei denn, sie können Kunden dazu bringen, First-Party-Cookies zu akzeptieren und künstliche Intelligenz einzusetzen, um die verfügbaren Daten so effektiv wie möglich zu nutzen.
Seite 2 Der Kampf um die Kundenschnittstelle
Seite 3 Kartennutzung steigern mit intelligenten Daten & KI
Seite 4 Mit KI zum Kundenerlebnis der nächsten Generation
Seite 5 KI – der Paradigmenwechsel im CLM, Der Einstieg in die KI: Machine Learning
Seite 6 Erfolgsfaktor Datenqualität, Die Vielfalt der Datenpunkte
Seite 7 Keine Angst vor dem Ende der Cookie-Ära
Seite 8 Automation für optimale Skalierbarkeit, Beispiel automatisierter Kampagnenplan
Seite 9 Überblick: Machine Learning Modelle, Kampagnen mit Echtzeit-Erlebnissen
Seite 10 Personalisierte Kampagnen skalieren
Seite 11 Auf einen Blick: Customer Lifecycle Management mit KI
Seite 12 Phase 1: Ansprechen und Akquirieren
Seite 13 ▪ Dynamische Lookalike Audiences
▪ Retargeting von Leads per E-Mail oder Anruf
Seite 14 ▪ Steigerung der Kundengewinnung durch KI-gestützte Website-Optimierung
Seite 15 ▪ Dynamische und personalisierte Check-out-Funnel
Seite 16 Phase 2: Aktivieren und incentivieren
Seite 17 ▪ Willkommensreihe EMOB
▪ Ausgaben incentivieren
Seite 18 ▪ Beispiel: Kaufanreize entlang der Kartennutzung des Kunden
Seite 19 ▪ Up-Sell zur Premiumkarte
Seite 20 ▪ Kunden erhalten Cashback
▪ Angebot von Treue- und Prämienpunkten
Seite 21 ▪ Automatisiertes Forderungsmanagement mit positiver Customer Experience
Seite 22 Phase 3: Kunden halten
Seite 23 ▪ Anreize für Kunden, aktiv zu bleiben
▪ Reaktivierung inaktiver Kunden
Seite 24 Den Ausgangspunkt definieren: Status Quo-Analyse des Portfolios
Seite 25 Einstieg ins datengesteuerte Customer Lifecycle Management
Seite 26 Über Adtelligence
„Maschinelles Lernen ist die Automatisierung von Data Science. Automatisierte Machine-Learning-Modelle steigern die Produktivität von personalisierten Kundeninteraktionen entlang des Lebenszyklus und verbessern die Skalierbarkeit. Wenn Daten das neue Öl sind, sitzen Zahlungsanbieter auf dem größten fast unberührten Ölfeld. Maschinelles Lernen wird der Grundstein für zu-künftige Umsatzmodelle von Zahlungs- und Kartenanbietern sein.“
Michael Altendorf, CEO, Adtelligence
Füllen Sie das Formular aus und erhalten Sie Ihr Exemplar