Dienstag, 26 Juli 2022 / Veröffentlicht in Allgemein

Inzwischen sollte in allen Branchen bereits angekommen sein, dass durch die zunehmende Digitalisierung Daten gewinnbringend eingesetzt werden können und sollten. In vorherigen Blogbeiträgen haben wir bereits die Wichtigkeit der Datenbewertung und Datenverarbeitung hervorgehoben und die darin verborgenen Möglichkeiten für Unternehmen beschrieben. Denn durch den Besitz großer Datenmengen allein, kann man noch nicht das darin verborgene Potenzial nutzen. Dieses Potenzial wird gänzlich in einem digitalen Ökosystemen genutzt, indem die Daten nicht nur die technischen Voraussetzungen in Form von digitalen Plattformen zur Verfügung stellen, sondern auch das notwendige Netzwerk bilden, um neue Geschäftsmodelle und Wertschöpfungsketten zu generieren.

Dabei ist der Nutzen für alle Beteiligten deutlich größer als für ein einzelnes Unternehmen auf dem Markt [1]. Das Kundenerlebnis wird erheblich verbessert, was auch der entscheidende Faktor für den Erfolg von digitalen Ökosystemen ist. Durch die Vernetzung ergeben sich viele weitere Wettbewerbsvorteile für alle Beteiligten. In erster Linie erhalten die Nutzer:innen eine größere und weitgefächerte Produktauswahl, welches den Mehrwert für die Anbieter steigert.

Mit zunehmender Produktauswahl steigt aber auch die Herausforderung für die einzelnen Nutzer:innen das passende Produkt zu finden. Im schlimmsten Fall kann die lange Suchzeit zur Ablehnung des Dienstes und somit zum Scheitern des digitalen Ökosystems führen. Große Unternehmen wie Amazon, YouTube, Netflix usw. erleichtern die Suche mit sogenannten Recommender-Systemen, indem sie Ihren Nutzer:innen Vorschläge anhand ihres Verhaltens unterbreiten. Der Vertrieb wird dabei „hyperpersönlich“, da er dabei um die Nutzer:innen zentriert ist, die passgenau anhand ihrer Charakteristika angesprochen werden sollen. Den Nutzer:innen wird bei jedem Besuch einer Plattform ein einzigartiges Erlebnis präsentiert. Das Prinzip der Hyperpersonalisierung werden wir in einem zukünftigen Blogbeitrag näher behandeln.

Auch für das MaklerRadar*, unserem Datenökosystem für Maklerbetriebe, wurde eine solches Recommender-System entwickelt. Diese Dienstleistung ermöglicht abgesehen von der Effizienzsteigerung durch weniger Suchzeit, auch die effektivere Nutzung der Maklerdaten.

Grundidee

Wir werden uns an dieser Stelle nicht näher mit den zu Grunde liegenden Algorithmen befassen, sondern auf die wesentlichen Ideen und die verschiedenen Stufen der Implementierung aus Sicht der Nutzer:innen eingehen. Das Recommender-System wird im Folgenden anhand unseres Produktes MaklerRadar erläutert, doch natürlich können die Ideen analog auf jedes andere digitale Ökosysteme übertragen werden.

Die Grundidee eines Recommender-Systems ist es, den Nutzer:innen anhand des jeweiligen Verhaltens und der Charakteristika bzw. der Präferenzen passende Angebote vorzuschlagen. Diese können im Wesentlichen in zwei Aspekte unterschieden werden:

  • Vorschläge anhand der Ähnlichkeit der Nutzer:innen
  • Vorschläge anhand der Ähnlichkeit der Maklerbetriebe.

Bei Vorschlägen anhand der Ähnlichkeit der Nutzer:innen spricht man auch von kollaborativen Recommender-Systemen. Die Vorschläge basieren auf Grundlage des Verhaltens von Nutzer:innen, die eine ausreichende Ähnlichkeit aufzeigen. Es werden also Maklerbetriebe als Vorschläge angezeigt, die von diesen ähnlichen Nutzer:innen gesucht und angesehen wurden. In E-Commerce Plattformen könnte diese Form mit „Ähnliche Nutzer wie Sie suchten auch nach…“ betitelt werden.

Bei den Vorschlägen anhand der Ähnlichkeit der Maklerbetriebe handelt es sich um ein sogenanntes inhaltsbasiertes Recommender-System. Es werden also Maklerbetriebe vorgeschlagen, die eine gewisse Ähnlichkeit zu den Maklerbetrieben aufzeigen, die bereits vom entsprechenden Nutzer gesucht und angesehen wurden. In E-Commerce Plattformen würde das einem „Ähnliche Produkte wie das, was Sie angesehen haben…“ entsprechen.

Diese beiden Aspekte können und sollten auch kombiniert werden, damit sowohl die Qualität der Vorschläge als auch das Kundenerlebnis erheblich verbessert wird (siehe Abb.1).

Hier sollte man anmerken, dass unabhängig von der genauen Art der Implementierung, die Vorschläge auf den für die Nutzer:innen relevanten Makler basieren. Das heißt z.B., dass einem Nutzer, der sich ausschließlich auf Vorsorge spezialisiert hat, auch nur Vorsorgemakler vorgeschlagen werden und nicht beispielsweise ein Finanzierungsmakler mit ähnlichen Merkmalen.

Lösungsvarianten

Allgemein beruhen die Vorschläge auf dem Nutzerverhalten, wobei man aber von verschiedenen Graden an Auswertung dieses Verhaltens sprechen kann. Mit Hinzunahme weiterer Datenpunkte werden die Vorhersagen und Vorschläge passgenauer auf die Nutzer:innen zugeschnitten und bieten damit auch ein verbessertes Erlebnis. Jedoch können die Ökosystem-Teilnehmer:innen selbst entscheiden, wie viele Daten der einzelnen Nutzer:innen zurate gezogen werden sollen und dürfen. Daher wollen wir im Folgenden die verschiedenen Stufen der Implementierung beschreiben.

  1. Stufe Nutzerverhalten unabhängig:

Für unsere Versicherungskunden, die das Nutzungsverhalten ihrer Maklerbetreuer nicht speichern oder verwerten möchten, haben wir eine Lösung implementiert, die den Nutzern Vorschläge unabhängig von ihrem Verhalten unterbreitet. Dabei identifizieren wir die wesentlichen Merkmale eines Maklerbetriebs und bestimmen anhand dieser Merkmale die Vorschläge. Mit dieser „Light-Version“ können die Nutzer:innen nur zum Teil von den Vorteilen eines Recommender-Systems profitieren, es fehlt hier das Matching auf das Suchverhalten der Nutzer:innen.

  1. Stufe Nutzerverhalten auf Versicherungsebene:

Wollen unsere Kunden aus unserer neuen Dienstleistung mehr Vorteile ziehen, haben jedoch Bedenken, die Nutzungsdaten eines einzelnen Maklerbetreuers zu verwerten, besteht die Möglichkeit das Nutzungsverhalten losgelöst vom Nutzer zu speichern und zu verwerten. Damit ist eine rechtssichere Analyse durch die Pseudonymisierung gewährleistet. Bei der Pseudonymisierung werden identifizierbare Merkmale von Nutzer:innen durch einen Code ersetzt, wodurch keine Rückschlüsse auf Einzelpersonen mehr gezogen werden können. Auf diese Weise können wir die wichtigsten Merkmale eines Maklerbetriebs für diesen Kunden identifizieren und anhand dessen Vorschläge unterbreiten. Damit können wir auf die individuellen Präferenzen unserer Kunden eingehen.

  1. Stufe Nutzerverhalten auf Betreuerebene:

Für Kunden, die das gesamte Potenzial unserer Dienstleistungen ausschöpfen möchten, können die Nutzungsdaten nutzerspezifisch gespeichert und verwertet werden. In dieser Version können wir nicht nur die relevanten Merkmale nutzerspezifisch identifizieren, sondern auch die verschiedenen Rollen der Maklerbetreuer:innen beim Vorschlag mit einfließen lassen. Somit können unsere Kunden das Maximum aus unserer Plattform herausholen.

Hier kommt wieder die Grundidee der Datenökosysteme ins Spiel. Anstatt nur auf die eigenen Daten zu schauen und diese auszuwerten, sollten die Datenpools verschiedener Teilnehmenden des Ökosystems in anonymisierter Form verbunden werden, da so eine gesteigerte Vertriebseffizienz erreicht werden kann. Erklären sich zwei oder mehrere Versicherungen bereit ihre Geschäftsfelder gemeinsam zu erweitern z.B., wenn sie komplementäre Versicherungen verkaufen, dann bieten wir ihnen auch die Möglichkeit an, dass wir das Nutzungsverhalten der einen Versicherung auswerten, um der anderen Versicherung Vorschläge zu unterbreiten. Dies ermöglicht den beteiligten Versicherungen das Generieren neuer Wertschöpfungsketten und damit verbunden einen Wettbewerbsvorteil gegenüber Konkurrenten.

Fazit

Digitale Ökosysteme bieten viele Möglichkeiten, aus den vorhandenen Daten Potenziale zu ziehen. In diesem Beitrag haben wir eine dieser Möglichkeiten – das Recommender-System – vorgestellt. Wir sind insbesondere auf die verschiedenen Lösungsvarianten, abhängig der Bereitschaft unsere Kunden ihre Nutzungsdaten zu speichern und zu verwerten, eingegangen. Zum Schluss haben wir die Möglichkeit zur Erweiterung neuer Geschäftsfelder und damit verbunden die Generierung weiterer Wertschöpfungsketten aufgezeigt.

„Um sich weiterhin in diesem veränderten Marktumfeld etablieren zu können, müssen die traditionellen Unternehmen umdenken und sich einem digitalem Ökosystem öffnen […]“ [1]

 

[1] D. Knörrer, M.W. Mosen, J. Moormann, D. Schmidt (Hg.): Digitale Ökosysteme Strategien, KI, Plattformen (Frankfurt School Verlag, Frankfurt a.M., Deutschland, 1. Auflage 2021)

 

*Das MaklerRadar wird von der VeDaTa VertriebsDatenServices GmbH vertrieben, einer gemeinsamen Tochtergesellschaft der mexxon GmbH und der bbg Betriebsberatungs GmbH.

Quelle Titelbild:

Soziales netzwerk Vektor erstellt von rawpixel.com – de.freepik.com

OBEN