Artikelzustand: | Neu mit Karton: Neuer, unbenutzter und nicht getragener Artikel, in der Originalverpackung (wie z. B. ... Mehr zum Thema Zustand | Marke: | Gabor |
Besonderheit: | Form: Athen | Material: | Nubuk Lavato |
Alljährlich organisiert die Hochschule Luzern die Konferenz “Innovationen im Banking”, wo Banken über ihre aktuellen Innovationen & Projekte referieren. Doch sind unsere Banken wirklich innovativ genug?
Der Markt bewegt sich zur Zeit stark, es drängen junge, frische, anpassungsfähige Fintechs auf den Markt. Mit dem Vorteil meist nicht eine träge, komplexe IT-Infrastruktur im Rücken zu haben und einem klaren Fokus der Kundenzentrierung.
Auf der anderen Seite haben wir die grossen Techgiganten wie Apple, Google, Facebook, Alibaba oder Tencent, die auch ein Stück vom Kuchen möchten.
Hier ein kleiner Auszug der Referate.
Credit Suisse – Datengetriebenes Marketing
Andrea Bargetzi berichtet, wie man mit Daten im Marketing umgehen kann. Nicht erst seit heute ist Content enorm wichtig, um Kunden zu begeistern. Doch wie nur messen und sich verbessern?
Die Credit Suisse hat für diesen Zweck ein Content Health Panel eingeführt. Das ist ein Dashboard für die Inhaltsersteller, wo sie genau erkennen können, welche Inhalte ankommen und welche nicht. Die Erfolgsmessung beinhaltet vordefinierte Parameter, wie beispielsweise Anzahl von Klicks, Verweildauer, Call-to-action Interaktionen, etc..
Transparent sieht man die Performance der Inhalte.
Um dies nun auf das nächste Level zu heben, arbeitet die CS mit den bestehenden Daten und geht in die Richtung der Voraussage. Die sogenannte Content Success Prediction gibt dem Autor bereits vor dem Publishing ein Feedback, wie sein Artikel beim Publikum ankommt.
Quelle: Credit Suisse (Andrea Bargetzi), 18.06.2019
Ein spannender Ansatz, wie man mit Daten im Marketing umgehen kann. Hier noch ein Einblick aus dem Bunker Schuhe Stiefelette Artikel MegaW34 Gold Gr. 41 Original Schuhe Neu OVP | Qualitätsprodukte | Die Qualität Und Die Verbraucher Zunächst | Neuheit Spielzeug mit ABB aus 2014.
LUKB – Use Cases Data Analytics
Auch die LUKB macht erste Versuche im Bereich Data Analytics. Für sie sind unter anderen folgende Use Cases relevant:
- HN Stiefel Damen Oberschenkel Hohe Stiefel Über Das Knie Overknee Schenkelhoch Schwarz Braun Schnalle Reißverschluss Wildleder Mode Warmhalten Herbst Winter Schuhe Größe 35-42, braun | eine große Vielfalt
- ZHIRONG Damen Low Mid Heel Block Peep Toe Damen Knöchelriemen Party Strappy 6.5CM Beige Schwarz ( Farbe Beige , größe EU37 UK4.5-5 CN37 ) | Mittlere Kosten | Perfekte Verarbeitung | Spielen Sie Leidenschaft, spielen Sie die Ernte,
- HOESCZS schwarz Nachtclub Schuhe 19 Frühjahr Neue Spitze Wasserdichte Plattform Stiletto Super High Heels wild dünne einzelne Schuhe Flut | Elegante Und Stabile Verpackung
- JE schuhe Schuhe mit Hohen Absätzen Wasserdichte Platform Heel Schuhe Thick-Bottomed Schuhe Pumps Schuhe mit Hohen Absätzen (Farbe Schwarz, Größe 36) | Verrückter Preis
- Recommendation Systeme
Empfehlungen für Kunden aufgrund von ähnlichen Eigenschaften - Kundensegmentierung
Kundensegmentierung nicht mehr old-school nach Asset Class und Vermögen sondern nach Verhalten & Bedürfnissen - Frühwarnsysteme
Die Analyse kann die Kundenbindung erhöhen - Potentialerkennung eines Kunden
Die LUKB hat einen ersten Versuch bei der Potentialerkennung der Kunden gemacht, mit dem Ziel Drittbankkundenvermögen zu erkennen. Dies passiert mittels Mustererkennung in den Daten, beispielsweise in der Transaktionsanalyse.
Facts aus der Präsentation von Guido Hauser:
- Das Tankverhalten korreliert positiv mit dem Gesamtvermögen. Sprich, je mehr man fürs Tanken ausgibt, umso grösser ist die Wahrscheinlichkeit von Vermögen im Vergleich zu wenig oder gar keinen Tankausgaben.
- Bussenausgaben korrelieren nicht mit dem Gesamtvermögen. Hier gibts keinen Zusammenhang -> Bussen bezahlen wohl alle nicht gern :)
- Die Ausschöpfung Limite der Maestro Karte korreliert positiv mit dem Gesamtvermögen.
Nimmt man nun all diese Muster zusammen, kann man mit Machine Learning bereits jetzt nach dem Test leicht bessere Resultate erzielen, im Vergleich zu manuellen Abfragen der Daten durch das Beratungszentrum. Dies braucht zudem noch mehr Zeit (10 Min mit Machine Learning vs. 10 Tage bei der manuellen Erfassung). Hier ein Einblick.
Quelle: Luzerner Kantonalbank (Guido Hauser), 18.06.2019