close
Share with your friends

Das Kundenerlebnis wird zusehends zu einem entscheidenden Wettbewerbsfaktor. Neue digitale Mitbewerber profilieren sich am Versicherungsmarkt durch Innovationen im Bereich Customer Experience (CX). Der Schlüssel zum Erfolg von CX ist dessen Operationalisierung, um die Kunden bei jedem Kundenkontakt zu begeistern. Spezialisierte Datentechnologien gewinnen dabei immer mehr an Bedeutung.

Initiativen zur Verbesserung der Customer Experience und Kundenzentriertheit werden von immer mehr Versicherungen gesetzt. Erfolgreich umgesetzt zeigt sich deren Wirkung in gesteigertem Umsatz und höherer Profitabilität. In der Praxis haben sich dabei auch Prinzipien und Best Practices für die konkrete Gestaltung – das Design – von CX etabliert. Innovatoren und Disruptoren im Bereich Internet und Mobile (Digitally Native Brands) treiben hier maßgeblich die Entwicklung voran und üben immer mehr Druck auf etablierte Versicherungen aus, indem sie die Messlatte der Kundenerwartungen ständig höher legen.
Die Strategien dieser neuen Mitbewerber sind darauf ausgelegt, durchgängig (End-to-End) die Wirksamkeit jeder Kundeninteraktion zu optimieren. Jede Interaktion soll relevant, zeitgerecht und proaktiv sein. Sie darf keine Zeit verschwenden und muss auf die individuellen Bedürfnisse des Kunden zugeschnitten sein. Negative Kundenerfahrungen sollen frühzeitig erkannt und mit Empathie behandelt werden. Das dafür nötige Know-how hinsichtlich CX-Design entwickelt sich rasant weiter.

Neben dem Design ist die durchgängige operative Steuerung von CX größtenteils ein IT-Thema. Und hier tauchen die typischen Herausforderungen wie komplexe Datenintegration, Silos und lange Produkteinführungszeit (Time-to-Market) auf. „Customer 360“ ist in aller Munde, funktioniert für manche Unternehmen auch ausgezeichnet, scheitert jedoch in vielen anderen Fällen. Das erzeugt bei vielen Versicherungen eine große Kluft ­zwischen Zielbild und Endergebnis der CX-Initiativen. Für die wirkungsvolle Umsetzung im Tagesgeschäft müssen Versicherungen den Rohstoff Daten beherrschen – und eben das erweist sich oft als schwierig.

Innovation durch vernetzte Daten

Um die stark steigende Komplexität der Datenlandschaften und die wachsende Vielfalt der verfügbaren Daten bewältigen zu können, wurden neue Ansätze und Architekturen entwickelt. Eine solche Datentechnologie ist beispielsweise zur automatisierten Aufdeckung von Betrugsfällen, also Fraud Detection, bereits länger im Einsatz: sogenannte Graph-Datenbanken.

Beispiel Betrugserkennung (Fraud Detection): Zur Bewilligung eines Versicherungsantrags oder einer Zahlung muss hier in Echtzeit eine qualifizierte Entscheidung bzw Frühwarnung generiert werden, um den Vorgang zu erlauben oder eben zu blockieren. Dies basiert notwendigerweise auf einer möglichst breiten Informationsbasis, die durch Mustererkennung zu einem aussagekräftigen Verhaltens- und Background-Profil eines Antragstellers oder Kunden verdichtet wird. Die verschiedensten Datenpunkte müssen dabei multifaktoriell ausgewertet werden und daher in einem gesamtheitlichen Datenpool bereitstehen. In Echtzeit werden dann Fragen beantwortbar wie zB „Welche auffälligen Verhaltensmuster waren in ähnlichen Fällen erkennbar?“ oder „Was wissen wir über diesen Kunden und was davon signalisiert betrügerische Absichten?“

Diese Anforderungen weisen starke Ähnlichkeiten zu jenen im CX-Design auf: Richtige Signale erkennen, Kontext verstehen, Verhalten antizipieren und proaktiv handeln. Und dieselbe Technologie lässt sich einsetzen, um End-to-End Customer Journeys zu modellieren.

Doch wie funktioniert das konkret? Abbildung 1 oben zeigt beispielhaft in einem Screenshot, wie Customer Touchpoint Analytics auf Kundendaten blickt: Datenpunkte zu Kunden und Kundeninteraktionen (zB aus Kundenportalen oder Web, Apps, Kampagnen, dem Servicecenter, Kernversicherungssystemen, Geo- und Demografiedaten, CRM etc) sind hier zu einem Knowledge Graph verknüpft. Individuelle Customer Journeys werden aus diesen Daten durch spezielle Suchalgorithmen rekonstruiert (Journey Discovery). Dabei bietet die Knowledge Graph-Technologie gegenüber traditionelleren Ansätzen eine Reihe von Vorteilen:

  • Der Aufwand für die Datenintegration wird stark verringert: Im Gegensatz zu klassischen SQL-Datenbanken können unterschiedlich strukturierte Quelldaten im Graph eingespielt werden, ohne dass komplexe Datentransformationen oder Data Lakes notwendig sind.
  • Dadurch kann der Graph später sehr effizient um weitere Details oder zusätzliche Datenpunkte erweitert werden, um Löcher in der Customer Journey zu schließen. Das vereinfacht die schrittweise Anreicherung um zusätzliche Quellen und macht Big Bang Rollouts unnötig.
  • Im Graph können Zusammenhänge über Quellsystem-, Channel-, Prozess- und Organisationsgrenzen viel effizienter verlinkt und identifiziert werden, als in klassischen SQL-Datenbanken.

Für jede Kundeninteraktion ist damit der Kontext – dh die Kundensicht – klarer sichtbar, zB:

  • Was vor der Interaktion aus Kundenperspektive geschehen ist
  • Kundenzentrierte Qualitäts-Metriken: statt interner Metriken (wie zB Bearbeitungszeit) hin zu kundezentrierten Metriken (wie zB Zeit-bis-Problemlösung)
  • Was bei vergleichbaren Kunden oder in vergleichbaren Situationen geschehen ist
  • Signale für eine negative Customer Experience bis hin zu Storno-Frühwarnungen

Darauf aufbauend generieren Algorithmen proaktiv Empfehlungen, Risikowarnungen, Next Actions etc für das operative Geschäft. Graph-Datenbanken ermöglichen dies in Echtzeit, egal wie viele Touchpoints, Produkte, Channels etc analysiert werden. Systeme wie zB CRM, Kundenportale oder Call Center Software können sich diese Empfehlungen über kompakte Schnittstellen abholen und interaktiv einbinden.

End-to-End-Steuerung der Customer Journey

Mit der beschriebenen Datenplattform lassen sich vier wesentliche Use Cases zur Operationalisierung von Customer Experience-Maßnahmen realisieren (Abbildung 2).

Dazu ein Beispiel: Die vernetzten Customer Journeys werden laufend automatisiert von Algorithmen überprüft, um diese mit Referenzgruppen oder im historischen Vergleich auszuwerten. Damit werden Mikrosegmente berechnet (Abbildung 3). Diese geben ein facettenreiches Bild, wie Kunden den Kontakt mit dem Unternehmen wahrnehmen, zB:

  • Präferenzen: Finden Kunden die Marketing-Botschaften relevant, die wir ihnen kommunizieren?
  • Zufriedenheit: Ist die wahrgenommene Bearbeitungsqualität eines Kundenproblems zufriedenstellend?
  • Bedarfsprofil: Decken wir die Bedürfnisse eines Kunden ausreichend oder haben wir blinde Flecken?
  • Open Topics: Welche Erwartung hat ein Kunde beim nächsten Kontaktpunkt mit uns?
  • Churn Score: Läuft ein Kunde zusehends Gefahr die Beziehung mit uns abzubrechen (Storno)?

Die verwertbare Information geht über die reinen Touchpoints hinaus. Die Zusatzinformationen zur Kundeninteraktion sind ebenfalls verwertbar, zB:

  • Geografisches Umfeld des Kunden (zB Filialen, Ärzte oder Freizeit-Infrastruktur)
  • Kundenbetreuer im Servicecenter mit vergleichbarem Kundenstamm mit ähnlichen Präferenzen
  • Polizzen mit Produktempfehlungen basierend auf dem Bestand

Diese Mikrosegmente sind die Basis für die Empfehlungen (Recommendations) zur Kundenkontakt-Steuerung. Wird zB ein Kunde mit hohem Potenzial im Bereich Kfz identifiziert, kann er über eine personalisierte Kampagne weiter stimuliert werden. Unglücklicherweise kommt es im Zuge der Kampagne zu einer ineffizienten Abfolge von Touchpoints im Kundencenter sowie Kundenportal. Anhand Mustererkennung in den oben beschriebenen Touchpoint-Daten wird für diese Journey automatisiert ein Kundenverlust-Risiko erkannt (unterversorgter Kunde plus wachsende Unzufriedenheit). In diesem Fall kann diese spezifische Journey frühzeitig behandelt und ein Spezialangebot generiert werden.



Gerade in solchen Situationen ist es wichtig zu vermitteln, dass die Versicherung die Situation des Kunden erkennt (Empathie), die Initiative ergreift (Proaktivität), die richtigen Maßnahmen setzt (Relevanz) und dabei gezielt vorgeht (Zeiteffizienz). Mikrosegmente und Empfehlungen liefern dafür die dringend notwendigen Targeting-Werkzeuge. Abbildung 4 zeigt eine beispielhafte Benutzeroberfläche eines CX-Assistenten für den Außendienst oder das Kundenservice. Die einzelnen Touchpoints werden darin visualisiert, Aktionspotenziale angezeigt und personalisierte Empfehlungen gelistet.

Proaktives, kundenzentriertes Customer Experience Management wird durch die richtige Operationalisierung zum Wettbewerbsvorteil. Und das nicht nur in der digitalen Welt. Customer Touchpoint Analytics ist hier ein wichtiger Teil einer modernen Datenstrategie.

Weitere Artikel dieser Ausgabe