Das Finanzwesen befindet sich mitten in einer Revolution. Prozesse werden digitalisiert. Entscheidungen werden zunehmend datengesteuert und von unten nach oben angegangen. Künstliche Intelligenz (KI) kümmert sich um das Geschäft, während wir von zu Hause aus arbeiten. Die Revolution hat alle Märkte, Unternehmen und Abteilungen betroffen – mit Ausnahme des Produktvertriebs.

Der Verkauf von Finanzprodukten an institutionelle Anleger ist in den letzten zwei bis drei Jahrzehnten merkwürdig unverändert geblieben. Es geht nur um Beziehungen.

Meine Firma Genpact hilft Kapitalmarktteilnehmern, ihr Geschäft mit KI zu transformieren. Wir haben mit mehreren großen Vermögensverwaltern zusammengearbeitet, um neu zu erfinden, wie sie ihre Produkte vertreiben.

Dieser Prozess erfordert die Bewältigung mehrerer zentraler Herausforderungen:

  • Ineffiziente Qualifikation der potenziellen Kunden aufgrund manuell erstellter Prospektdossiers, die aus Daten unterschiedlicher Anbieter und interner Quellen bestehen.
  • Inkonsistente Verkaufsprozesse das macht es schwierig, kanalweite Strategien zu bewerten und auszuführen.
  • Herausforderungen prognostizieren auf Konto-, Gebiets- und Kanalebene aufgrund von Schwierigkeiten bei der Zuordnung ausgehender Aktivitäten und ihrer Kosten zu Gebühreneinnahmen.

Hier betrachten wir die erste dieser Hürden: die Priorisierung der Ziele.

Die Datenflut

Die heutigen Verkaufsteams für Investmentfonds und Exchange Traded Funds (ETF) ertrinken in Daten. Ob es sich um Produktpositionen handelt; Performance; fließen; Umwelt-, Sozial- und Governance-Kriterien (ESG); Besprechungen und Anrufe; Makro und Mikro; Geschichte; Schätzungen; oder Vorhersagen – es gibt eine Informationsüberflutung. Diese Daten sollen dem Verkaufsteam helfen, potenzielle Kunden zu identifizieren und zu qualifizieren. Dies ist jedoch leichter gesagt als getan.

Ein Kunde, ein börsennotierter Investmentfondsmanager, teilte uns mit, dass die Qualifizierung eines einzelnen Leads mehr als 40 Minuten dauerte. So sah der schrittweise Prozess für das Verkaufsteam aus:

  1. Melden Sie sich bei der Broadridge-Finanzlösung an, um eine Liste der registrierten RIA-Interessenten (Investment Advisor) in einem bestimmten Gebiet zu erhalten.
  2. Sammeln Sie Asset Flows für diese potenziellen Kunden in der MarketMetrics Market Intelligence-Software.
  3. Sammeln Sie zusätzliche Informationen über die potenziellen Kunden aus der Finanzdaten- und Marketinglösung der RIA-Datenbank des Kunden.
  4. Vergleichen Sie die Daten mit einem CRM-System (Customer Relationship Management), um Informationen zu und Ergebnisse früherer Besprechungen zu erhalten.
  5. Stellen Sie alle Daten in Microsoft Excel zusammen.
  6. Ordnen Sie die Möglichkeiten anhand von Formeln und Urteilsvermögen ein.
  7. Überprüfen Sie die Anlagephilosophie des potenziellen Kunden mit höchster Priorität auf seiner Website, um den optimalen Pitch zu ermitteln.
  8. Planen Sie einen Anruf oder vereinbaren Sie ein Meeting.

Mit unserer Hilfe hat der Kunde diesen Prozess in drei Phasen umgewandelt:

Phase 1: Selbstbedienung

Der Client hat Datenfeeds mit allen seinen Anbietern eingerichtet, seine internen Daten und Daten von Drittanbietern in einem Datensee zusammengefasst und zur Verwendung über Benutzeroberflächen verpackt. Dazu gehörten eine Self-Service-Schnittstelle für Vertriebsmitarbeiter und eine erweiterte für das Business Intelligence-Team (BI).

Vor der Transformation musste das Verkaufsteam jeweils einen Kunden aufschlüsseln. Jetzt hilft die Self-Service-Oberfläche dem Team bei der Analyse über mehrere Kunden hinweg. Dies hat die Tür zu einer Reihe fruchtbarer datengesteuerter Gespräche geöffnet. Beispielsweise erwiesen sich die Produkte, die das Unternehmen zuvor für das Verkaufsteam priorisiert hatte, weder als die leistungsstärksten noch als die am besten verkaufbaren.

Phase 2: Berichtsbibliothek

Nachdem die Verkaufs- und Marketingdaten zentralisiert und integriert worden waren, entwickelte der Kunde eine Bibliothek mit Berichten, um einen Drilldown in die Daten durchzuführen. Ziel war es nicht, vorhandene Berichte zu reproduzieren, die Pipeline zusammenzufassen oder zu beschreiben, wie die Dinge laufen. Vielmehr ging es darum, Entscheidungen darüber zu treffen, wen man anruft und was man aufwirft.

Die Kombination von Branchen- und Geschäftskenntnissen mit digitalen Technologien erwies sich hier als kritisch. Die besten und erfahrensten Verkäufer des Kunden hatten die Erfahrung, das Können und die Intuition, um Muster wahrscheinlicher Käufer und wahrscheinlicher Stellplätze zu identifizieren. Die Berichtsbibliothek hat dieses Wissen kodifiziert und dem gesamten Team zur Verfügung gestellt.

Hier sind zwei Musterbeispiele:

  • RIA 1 kaufte 2012 und 2013 Mid-Cap-Investmentfonds, nachdem Mid-Cap-Fonds eine Outperformance erzielt hatten. Wenn die Mid-Caps des Kunden wieder eine Outperformance erzielen, ist es ein guter Zeitpunkt, RIA 1 anzurufen.
  • RIA 2 stellt sein Portfolio im Januar konsequent um. Der Kunde kann sie also im Oktober anrufen, nicht im Februar.

Basierend auf solchen Mustern identifizierte der Kunde Ziele mit hoher Wahrscheinlichkeit und berichtete wöchentlich per E-Mail und über das CRM darüber. Die Berichte waren prägnant und handlungsorientiert, wie in „Firma X anrufen und Produkt Y aufstellen“. Intelligentes Routing stellte sicher, dass der richtige Interessent beim richtigen Verkäufer und Teamleiter landete.

Phase 3: Maschinelles Lernen

Während die Berichtsbibliothek die Identifizierung menschlicher Muster verpackte und automatisierte, bestand der nächste Schritt darin, eine maschinenbasierte Musteridentifikation hinzuzufügen. Um das Modell zu trainieren, mussten wir klar definieren, wonach das Verkaufsteam im Hinblick auf positive Ergebnisse aus den verfügbaren Daten suchen würde. Es gab einige Nuancen. Die richtige Definition hing vom Team und vom Verkaufsprozess ab.

Hier sind zwei Beispiele aus derselben Kundenorganisation:

Verkaufsteam Verkaufsprozess Positives Ergebnis
Verkauf an RIAs Einzelgespräche Zufluss von 1 Million USD oder mehr innerhalb von 60 Tagen nach dem Pitch-Meeting
Verkauf an Pensionsplanadministratoren Angebotsanfrage (RFP) Schaffe es in die Shortlist-Phase

Sobald das Ergebnis genau definiert war, haben wir historische Daten verwendet, um ein Modell zu trainieren, um vorherzusagen, welche Tonhöhen am wahrscheinlichsten erfolgreich sein würden. Jetzt verhält sich das Modell des maschinellen Lernens wie ein leitender Verkäufer, der Nachfragemuster identifiziert und diese vom Besten zum Schlechtesten bewertet.

Durch die Einführung des maschinellen Lernens wurden auch Bonusfunktionen geschaffen, einschließlich der folgenden Möglichkeiten:

  • Beurteilen Sie, welche menschlichen und maschinellen Muster am effektivsten sind, um positive Ergebnisse zu erzielen.
  • Ordnen Sie die Ziele nach Mustern nach erwartetem Wert (positives Ergebnis x Zufluss) und erstellen Sie eine einzige Anrufliste, auf die das Verkaufsteam reagieren kann.
  • Identifizieren Sie neue Muster im laufenden Betrieb, da das Modell anhand neuer Daten umgeschult wird. Dies erfasst strukturelle Veränderungen im Kaufverhalten, beispielsweise aufgrund von COVID-19.

Fazit

Durch die Segmentierung der Transformation in drei Phasen haben wir unseren Kunden geholfen, die Änderung zu bewältigen, und die Erfolgschancen verbessert.

  • Selbstbedienung hat dazu beigetragen, das Vertrauen der Geschäftsinteressenten in die Daten zu stärken, indem alle auf die gleiche Seite gebracht wurden. Es lieferte auch einige schnelle Gewinn- und Verlustgewinne.
  • Berichtsbibliothek ermöglichte es der Vertriebsleitung, den Verkaufsprozess zu standardisieren und von Effizienz zu Effektivität überzugehen. Außerdem wurden die Funktionen dem breiteren Team in einem leicht verdaulichen Format vorgestellt.
  • Maschinelles Lernen Die Funktionen wurden transparent eingeführt, ohne das Format der vom Verkaufsteam verwendeten Berichte zu ändern. Dies schafft weitere Glaubwürdigkeit und ermöglicht ein erweitertes Intelligenz-Betriebsmodell: KI, die das menschliche Urteilsvermögen unterstützt.

Unser Kunde hat die Zeit für die Qualifizierung eines potenziellen Kunden von 40 Minuten auf nahezu sofort reduziert. Für die Zukunft wird erwartet, dass die Outbound-Aktivitäten innerhalb eines Jahres um 30% und die Zuflüsse um 10% bis 15% zunehmen werden.

Dies ist zwar nur ein Beispiel, aber es zeigt, wie KI, wenn sie richtig genutzt und vom menschlichen Urteilsvermögen geleitet wird, effizientere und effektivere Prozesse schaffen kann. Es ist auch eine Fallstudie darüber, wie die Unternehmen und Fachleute, die die heutige Daten- und Technologierevolution erfolgreich nutzen und sich darauf einstellen, den Finanzsektor in den kommenden Jahren führen können.

Wenn Sie mehr über alternative Vermögenswerte erfahren möchten, melden Sie sich für das kostenlose Webinar „Die globalen Investment Performance Standards (GIPS®): Anwendung auf alternative Strategien“ an, das am 15. Juli 2020 vom Standards Board für alternative Anlagen (SBAI) veranstaltet wird.

Wenn Ihnen dieser Beitrag gefallen hat, vergessen Sie nicht, den unternehmungslustigen Investor zu abonnieren.

Alle Beiträge sind die Meinung des Autors. Als solche sollten sie weder als Anlageberatung ausgelegt werden, noch spiegeln die geäußerten Meinungen notwendigerweise die Ansichten des CFA-Instituts oder des Arbeitgebers des Autors wider.

Bildnachweis: © Getty Images / MF3d

Alon Bochman, CFA

Alon Bochman, CFA, ist Partner in der Kapitalmarktberatungspraxis von Genpact (NYSE: G) mit Sitz in New York. Er arbeitet mit Vermögensverwaltern und Banken zusammen, um ihnen zu helfen, bessere Entscheidungen mit Daten zu treffen. Zuvor verwaltete er zwei Jahre lang ein Aktienportfolio für SC Fundamental. Bochman begann seine Karriere als Programmierer mit der Gründung einer Social-Networking-Softwarefirma, die schließlich von Thomson-Reuters übernommen wurde. Er hat einen MBA von der Columbia Business School und einen BA von der University in Albany.