Data-Driven Banking: das brachliegende Potenzial bei Banken

Im Schweizer Bankensystem werden die Veränderungszyklen kürzer und Geschäftsmodelle, die heute noch gelten, können morgen schon überholt sein. Auch die Bedürfnisse und Ansprüche an die Banken verändern sich rasant – Kundinnen und Kunden erwarten dienstleistungsorientierte Unternehmen. Damit Banken langfristig profitabel bleiben, müssen sie sich auf die Kundenwünsche ausrichten und Bankdienstleistungen entsprechend anpassen. Dies können sie erfolgreich tun, indem sie die bereits vorhandenen Informationen in der Bank clever verknüpfen und smart auswerten. Dieser Ansatz des Data-Driven Bankings ist den meisten Banken bekannt, jedoch setzen ihn noch längst nicht alle Finanz­institute um. Aber warum eigentlich nicht?

Für das zögerliche Verhalten bei der Umsetzung eines Data-Driven-Approachs gibt es verschiedene Gründe. Einer davon ist das manchmal noch unzureichende Verständnis der Verantwortlichen, das wiederum eng mit einer verzerrten Erwartungshaltung zusammenhängt. Die wahrscheinlich grösste Herausforderung ist das verbreitete Silo-Denken und -Handeln innerhalb der Finanz­institute. Das Verständnis für ein datengetriebenes Geschäftsmodell können Banken mit entsprechenden Aus- und Weiterbildungen beziehungsweise mit der Rekrutierung von entsprechend qualifizierten Mitarbeitenden fördern und so die Basis für eine realistische Erwartungshaltung schaffen. Wesentlich komplexer ist die Bekämpfung der über Jahre hinweg entstandenen Silos.

Hauptproblem Silos

Dass sich die einzelnen Abteilungen zu Silos entwickelt haben, fusst auf dem menschlichen Bedürfnis nach Struktur und Ordnung. Dummerweise behindern Silos Data-Driven Banking und das bringt einige Schwierigkeiten mit sich:

1. Isolierte Betrachtung von Themen und Vorhaben: Banken haben Kernbereiche wie Backoffice und Operations, Marketing, Sales sowie Legal, Compliance und Riskmanagement meistens isoliert voneinander aufgebaut. Jede Abteilung implementierte ihre eigenen Methoden und Prozesse.

2. Isolierte Datensammlung und Datenaufbereitung: Die Abteilungen erhalten zwar dieselben Daten aus ihrem Core-Banking-System (Zahlungen und Kundenstamm) sowie Umsystemen (E-Banking, Onlineportal, CRM, via Drittanbieter), jedoch werden diese häufig von den jeweiligen Fachbereichen auf eigene Faust aufbereitet und sind somit weder abgestimmt, noch normiert und standardisiert.

3. Isolierte Datenverarbeitung: Die Qualität der Datenanalyse ­-und die der Auswertung via KI sind unmittelbar davon abhängig, wie die Banken ihre Daten sammeln und auf­bereiten. Sind die Daten ungenügend aufbereitet, sind auch mit noch so ausgeklügelten Machine-Learning-­Modellen keine sinnvollen Auswertungen zu erwarten. Die ausgefeiltesten und fortschrittlichen Algorithmen und Analysen nützen nichts. Damit Banken passende Angebote massschneidern können, benötigen sie vollständige In­formationen.

Mit der Data-Driven-Herangehensweise brechen Banken das Silo-Denken und -Handeln auf: Die nachgelagerten Prozesse der Datenaufbereitung sind aufeinander abgestimmt und standardisiert und alle Kernbereiche können die ausgewerteten Daten der anderen nutzen. Mithilfe künstlicher Intelligenz können Banken ausserdem fortschrittliche Analysen durchführen, die Hinweise auf zukünftige Ereignisse liefern.

Data-Driven Banking

Beim Data-Driven Banking nutzen Banken die erhobenen Daten, um ihre Dienstleistungen und Produkte auf die persönlichen Bedürfnisse der Kundinnen und Kunden auszurichten. Diese Angebote umfassen massgeschneiderte Preise, aufeinander abgestimmte Lebensbedürfnisse und Dienstleistungen oder Einblicke zur Förderung des finanziellen Wohlergehens.

Die verschiedenen Komponenten wachsen organisch und werden nicht erst im Nachgang künstlich miteinander verbunden. So kann ein ganzheitliches analytisches Bild des Kunden entstehen. Voraussetzung dafür ist die strukturierte und zentrale Aufbereitung der angereicherten und bereinigten Daten. Eine einheitliche Datenstruktur fehlt Finanzinstituten oftmals, weswegen sie diese erst schaffen und die Quelldaten darauf verorten müssen.

Für ein ganzheitliches Bild reichen gewöhnliche Konto- und Kundenstammdaten nicht aus. Besonders aufschlussreich sind Kontextinformationen basierend auf externen Quellen sowie auch internen Quellen wie Transaktionsdaten. Transaktionen, die Bereiche wie Erbschaft, Mieteinnahmen, Kryptowährungen, Reiseausgaben oder Sozialversicherungsabzüge betreffen, lassen Rückschlüsse zur jeweiligen Person und ihrer finanziellen Situation zu. Daraus erstellen Bankberater personalisierte Angebote für ihre Kundinnen und Kunden und beweisen ihre Kompetenz.

Banken, die den Data-Driven-Approach verfolgen, können ihren Kundinnen und Kunden Unterstützung zum richtigen Zeitpunkt anbieten. Bietet jedoch etwa ein Relationship Manager ein Produkt oder eine Dienstleistung an, die nicht auf die persönlichen Bedürfnisse abgestimmt sind, hinterlässt dies ein Gefühl von Unprofessionalität und kann gar die Kompetenz der Bank infrage stellen. Des Weiteren vereinfacht Data-Driven Banking Compliance-Themen, Risk Management, Cybersecurity und vieles mehr.

KYC vs. UYC

Know Your Customer, KYC, ist für Banken mit einem Data-Driven-Approach somit nicht mehr ausreichend. Banken müssen ihre "Customers" nicht nur kennen, sondern auch verstehen. Die Bankkundinnen und -kunden hinterlassen mit ihren Interaktionen und Transaktionen Informationen. Anhand dieser Informationen, die einem digitalen Fingerabdruck gleichen, können Banken die User Experience verbessern und mit personalisierten Angeboten punkten. Das Konzept "Understand Your Customer", UYC, ermöglicht es, die sowieso vorhandenen Informationen zum Nutzen der Kundinnen und Kunden auf verschiedene Arten auszuwerten. Etwa in Form einer dynamischen Portfolioanalyse, bei der Realtime-Daten von mikro- und makroökonomischen Entwicklungen mit eingebunden werden können, um Risiken zu managen oder Marktopportunitäten zu nutzen.

Im Weiteren kann die Bank dank Auswertung externer Quellen, wie etwa der Wortwahl von Kundinnen und Kunden, eine Sentimentanalyse durchführen. Regis­triert die Bank Signale, die auf die Unzufriedenheit einer Person hindeuten, kann ein entsprechendes Tool eine Warnung auslösen – und damit das mögliche Abwandern (churn) eines Kunden verhindern.

Und jetzt?

Die Herausforderung der Daten-Silos in Finanzinstituten geht einher mit dem auch noch unzureichenden Verständnis für Datenanalyse. Aufgrund der mangelnden Datenanalyse verpassen Banken die Chance, ihren Kundinnen und Kunden personalisierte Angebote zur richtigen Zeit zu unterbreiten. Das Ziel der Banken soll eine bessere Customer Experience sein, die ein "Mehrgeschäft" ermöglicht.

Angesichts der komplexen Herausforderung, ein KI-Projekt umzusetzen, mögen Banken zögern. Damit sie sich jedoch weiterhin erfolgreich positionieren können, müssen Banken ihren Kundinnen und Kunden einen Mehrwert bieten. Dies erreichen sie mit einer stimmigen Customer Experience, die auf intelligenten Analysen basiert. Um die Automatisierung und Standardisierung voranzutreiben, müssen Finanzinstitute die abteilungsübergreifende Zusammenarbeit forcieren und dadurch ihre Silos auflösen.

In drei Schritten zum Data-Driven Banking

1. Aufbereitung: Banken strukturieren, bereinigen und reichern ihre
   Daten zentral an.

2. Analyse: Banken analysieren ihre Daten für eine 360-Grad-Ansicht
   des Kunden, inklusive Ein- und Ausgabenprofil, Events, Customer
   Lifecycle, Eigenschaften usw.

3. Nutzen: Banken interpretieren, verarbeiten und teilen ihre Daten,
   um sie abteilungsübergreifend nutzen zu können. Sie brechen ihre
   Datensilos auf.