FFG Projektdatenbank

zurück

Virtueller Berater

Kl-gestütztes Matching von Anlageverhalten und Finanzprodukten sowie personalisierte Kommunikation und Darstellung

Projektbeschreibung

Der Virtuelle Berater wird Machine Learning und Künstliche Intelligenz zur Zielgruppenanalyse einsetzen, um den Bankkunden (User) mit dem richtigen Bank- und Versicherungsprodukt zu matchen. Damit soll der Erfolg eines Abschlusses eines Bank- oder Versicherungsproduktes erhöht werden. Als Grundlage für den Machine Learning Algorithmus dienen Daten aus verschiedenen Quellen, die bislang in dieser Form für Bank- und Versicherungsdienstleister nicht verfügbar sind und im Rahmen des Projektes in einem Data Lake aufgebaut werden.
Zunächst wird eine psychologisch validierte Methode entwickelt, die mittels Gamification die Wertebasis und das Investitionsverhalten der User einstuft. Die Produktdaten der Bank- und Versicherungsdienstleister werden in ein maschinenlesbares Format umgewandelt. Die Daten der Einstufung, die Produktdaten sowie die vorhandenen Daten dienen als Basis für den zu entwickelnden Machine Learning-Algorithmus. Der Algorithmus erstellt nun Userprofile im Hinblick auf Risikobereitschaft, Wahrnehmungspräferenz, Wertebasis, Sinnhaftigkeit und Nachhaltigkeitsstreben und davon abgeleitete Zielgruppencluster. Aus den Produktinformationen der Bank- und Versicherungsdienstleister wird mittels Machine Learning Algorithmus eine Klassifizierung erstellt, die es erlaubt, eine Aussage zur Relevanz des Produktes für die Zielgruppencluster und Userprofile treffen. Je höher die Relevanz desto höher ist die zu erwartende Abschlusswahrscheinlichkeit. Über das Beraterdashboard erhält der Produktmanager die Informationen zur Zielgruppengröße und kann gegebenenfalls sein Produkt noch entsprechend anpassen, um die Reichweite zu erhöhen.

Endberichtkurzfassung

Im dreijährigen Forschungsprojekt „Virtueller Berater“ wurde eine KI-gestützte Plattform zur Analyse von Nutzerinteressen und zur personalisierten Ausspielung von Angeboten erfolgreich entwickelt und prototypisch umgesetzt.

Kern des Projekts war der Aufbau eines skalierbaren Cloud Data Lakes sowie die Entwicklung von Machine-Learning-Algorithmen, die Nutzerprofile datenbasiert mit Produkt- und Kampagneninhalten abgleichen. Zur Übertragung des ursprünglichen Matching-Ansatzes auf Handel, Markenhersteller und Interessensvertretungen wurden sogenannte „Lebenswelten“ entwickelt. Diese datengetrieben berechneten Cluster ermöglichen eine zielgruppenspezifische Ansprache über digitale Kanäle.

Die Algorithmen und Datenpipelines wurden hinsichtlich Performance und Skalierbarkeit optimiert und in ein Dashboard-System für Produktverantwortliche integriert. Zusätzlich wurde der Einsatz generativer KI zur Unterstützung bei zielgruppenoptimierter Content-Erstellung vorbereitet.

Mehrere A/B-Tests im realen Marktumfeld haben gezeigt, dass eine individualisierte Ansprache auf Basis der berechneten Lebenswelten bei Werbekampagnen zu signifikant erhöhten Klickraten führt. Damit konnte die Wirksamkeit des entwickelten KI-Ansatzes empirisch bestätigt werden.

Das Projekt schafft somit die Grundlage für eine skalierbare, KI-gestützte und datenbasierte Personalisierung im Finanz-, Handels- und Markenartikelumfeld.

zurück