Einen Privatkredit bei einer Bank über das Internet zu finden und abzuschließen ist heutzutage einfacher als je zuvor. Oftmals können Kredite noch innerhalb des Antragsprozesses direkt zugesagt und ausgezahlt werden. Möglich wird diese aus Kundensicht bequeme und einfache Form der Kreditaufnahme durch digitale und automatisierte Prozesse, welche die vormals zeit- und kostenintensiven manuellen Arbeitsschritte ersetzen. Diese digitalen Prozesse wie z.B. der digitale Kontocheck, die Online-Schufa-Prüfung oder auch der Einsatz einer qualifizierten elektronischen Signatur werden in der Regel von Spezialanbietern über ein Software-as-a-Service-Modell bezogen. Die Kosten für die Services werden dabei üblicherweise nutzungsbasiert abgerechnet, jeder einzelne Aufruf kostet also Geld.
Sofern ein Kredit auch zum Abschluss kommt, ist dieses Geld sicher auch sehr gut eingesetzt. Allerdings führen im Durchschnitt nur 5 bis 10% der prozesskostenverursachenden Anträge zur tatsächlichen Kreditauszahlung. Im Umkehrschluss bedeutet es, dass bei 90 bis 95 % der Anträge zwar Prozesskosten anfallen, aber keine Erträge generiert werden können. Retrospektiv betrachtet sind die Prozesskosten für diese bestimmten Anträge also unnötig gewesen.
Wir befinden uns also in einer neuen Phase des digitalen Vertriebs. Eine Phase, in der die Kosten für einen digitalen Abschluss aus oben genannten Gründen anders zu bewerten sind als noch in der Vergangenheit. Neben den Kosten für das Einwerben von Kunden (Stichwort Vergleichsportale) sind die Prozesskosten dabei große Stellhebel für eine Optimierung.
Schaut man sich die Prozessschritte einmal genauer an und vergleicht dabei die Abschmelzquote und die bei den jeweiligen Schritten anfallenden Prozesskosten (siehe Abbildung 1), wird das Optimierungspotenzial hier schnell klar.

Insbesondere nach der Kreditvorprüfung lohnt ein genauerer Blick auf die im Anschluss anfallenden Prozesskosten für Auskunfteien, Legitimation, Qualifizierte elektronische Signatur sowie gegebenenfalls Kundensuche und Geldwäsche-Prüfung bei Nutzung von IT-Produktpartnern. Vor allem diese Prozessbestandteile stellen einen hohen Kostenblock dar.
Prozesskosten optimieren, aber wie?
Zur Veranschaulichung ziehen wir ein Beispiel in der Größenordnung einer kleinen Bank heran. Wenn bei dieser Bank für den Online-Kredit eine Million Prozessaufrufe pro Jahr erfolgen und wir unterstellen, dass die Hälfte dieser Aufrufe die Kreditvorprüfung erfolgreich durchlaufen und bankseitig nicht abgelehnt wurden, erzeugen eine halbe Million Aufrufe Prozessfolgekosten für Auskunfteien (z.B. Schufa), Legitimation, QES und weitere.
In dem Beispiel würde die Bank über 950.000 EUR p.a. für Prozesskosten nach der Kreditvorprüfung aufwenden.1
Selbstverständlich weichen die Prozesskosten von Bank zu Bank ab, da die Ablehnungsquote nach der Kreditvorprüfung oder auch die Kosten für die Prozesspartner unterschiedlich sind. So wird z.B. die Ablehnungsquote nach der Kreditvorprüfung bei Banken mit Ausweitung der Vertriebsoberfläche höher sein als bei Banken mit Fokus auf Bestandsgeschäft. Das Beispiel soll vor allem zeigen, dass eine Detailanalyse der Prozesskosten wichtig ist, um die jeweils richtigen Bereiche für eine Optimierung zu finden.
Klar ist, eine Optimierung bzw. Reduzierung der Prozesskosten darf nicht zu Lasten des Vertriebserfolgs gehen. Denn was nützen geringere Prozesskosten, wenn auch der Ertrag darunter leidet. Doch ist es möglich, Prozesskosten nur dann zu verursachen, wenn ein Abschluss zu erwarten ist? Kann es statt dem retrospektiven Blick auf die Kosten eine prospektive Betrachtung auf den Abschluss geben?
Oder anders gefragt: was bedarf es, um eine solche Vorausschau zu ermöglichen?
Die Antwort lautet stark vereinfacht: Machine Learning. Mit den mittlerweile zur Verfügung stehenden Techniken des Machine Learnings ist es möglich, aus historischen Antragsdaten abgeleitet Konversionswahrscheinlichkeiten mit hohen Aussagegenauigkeiten zu berechnen. Berechnet werden kann dabei die prozentuale Wahrscheinlichkeit, ob ein Antrag zum Abschluss führt.
Eine solche Voraussage stellt dann die Grundlage für die weitere Prozesssteuerung dar. Je nach Höhe der Konversionswahrscheinlichkeit können nun Folge-Prozessschritte gesteuert werden. Die Justierung wird dabei ganz nach Geschäftspolitik oder Risikobereitschaft der Bank vorgenommen. Beispielsweise kann entschieden werden, bei einer Abschlusswahrscheinlichkeit unter 40% die Aussteuerung in einen Prozess mit geringen Prozesskosten erfolgen soll. Will eine Bank hingegen die Vertriebschancen maximal ausreizen, kann die Aussteuerung auch erst bei z.B. unter 20% erfolgen. Bei einem Kostenfokus auch schon bei 60% oder mehr.
Der alternative prozesskostenreduzierte Prozess könnte eine Aussteuerung in ein Angebotsverfahren vorsehen: Die Bank schickt dem Interessenten ein Angebot als PDF und Prozesskosten für die Bank treten erst dann wieder auf, sofern der Adressat echtes Interesse bekundet und das Angebot zurückschickt bzw. den Prozess wieder aufruft.

Um auf das oben genannte Beispiel zurückzukommen, wären dort bei einer konsequenten Aussteuerung nicht erfolgsversprechender Vorgänge Einsparungen von im Idealfall bis zu 1 Mio. EUR Prozesskosten p.a. möglich, ohne den Vertriebserfolg zu riskieren. Geld, was z.B. stattdessen besser für das Einwerben weiterer Kunden verwendet werden könnte.
paso.ai als Lösung
Es lohnt sich also durchaus, sich genauer mit den Prozesskosten zu beschäftigen und mit den Möglichkeiten, sie „ertragsoptimiert“ anfallen zu lassen. Machine-Learning-Methoden bieten dabei passende Werkzeuge, um eine solche Optimierung zu realisieren.
Einen ganzen Werkzeugkasten für die Prozesskostenoptimierung bietet dabei eine von digit.cologne entwickelte Lösung, die ohne großen Aufwand einsetzbar ist. Mit paso.ai ist ein System entstanden, das Vorhersagen zur Abschlusswahrscheinlichkeit liefert und so maßgeblich zur Reduzierung von Prozesskosten beiträgt, ohne den Vertriebserfolg zu gefährden.
1 Angenommene Kosten pro Vorgang: Auskunfteien 1,10 EUR, Kundensuche 0,065 EUR, Legitimation 20 EUR