Banken versuchen mit zu vielen generischen Strategien und Konzepten eine umfassende Transformation durchzuführen. Vieles geht dabei deutlich schneller und günstiger mit der richtigen hybriden Datenstrategie: Minimalinvasiv und agil gewinnbringende Erkenntnisse erzielen und Geschäftsprozesse automatisieren.

Der Konkurrenzdruck wächst in der Finanzbranche – die Zahlungsrichtlinie PSD2, Challenger-Banken und die Ereignisse der letzten Monate erhöhen die Notwendigkeit neue Wege zu beschreiten. Es ist an der Zeit, die bis dahin nur mangelhaft genutzten „Assets“ endlich zum Wohle des Kunden zu nutzen: Den realen Druck, Daten effizienter zu nutzen, um digitale Geschäftsmodelle und einen Kundenservice der neuen Generation zu schaffen, verspüren gerade alle.

Die Digitalisierung und digitale Transformation ist ja schön und gut, aber zur jetzigen Zeit sind langwierige Transformationsprozesse weder effizient noch liefern sie die benötigten und gewünschten Ergebnisse in Form von schnell verbesserten Kundenerlebnissen und der Erschließung neuer Geschäftsbereiche. Banken haben nicht mehr die Zeit maßgeschneiderte Finanzprodukte und eine neue Kundenexperience erst nach abschließen der digitalen Transformation anzubieten – das Tempo hat sich erhöht und diejenigen, die sich nicht anpassen, werden bald von neuen Challenger-Banken aus dem Markt gedrängt.

„Eine 10%ige Steigerung der Datenzugänglichkeit führt bei einem typischen Fortune-1000-Unternehmen zu einem zusätzlichen Nettogewinn von mehr als 65 Millionen Dollar.“

Eine neue Strategie ist unvermeidlich! Kunden vertrauen ihr Geld und ihre Daten den Banken an. Daher ist gleichermaßen die kluge und verantwortungsbewusste Nutzung dieser Daten entscheidend. Der konsequente und intelligente Einsatz modernster Datentechnik und Analysemethoden, unterstützt mit künstlicher Intelligenz (KI) und maschinellem Lernen (ML), ermöglichen eine automatisierte Datenauslese und -veredelung. Auf diese Weise kann die Bank schnell zu einer besseren Bank für ihre Kunden werden, indem sie einen maximalen Kundenertrag und -service bietet.

Der Transformationsprozess muss minimalinvasiv in agiler und flexibler Weise, Stück für Stück, im Hintergrund vorangetrieben werden, ohne das operative Geschäft zu stören. Der Kunde und seine Zufriedenheit, die mit für ihn geschaffenen datengetriebenen Produkten, Services und Prozessen erreicht und gesteigert wird, stehen im Zentrum dieser Strategie.

Der Nutzen, der durch diese Strategie erfolgt, ist nicht einseitig – beide Parteien profitieren davon. Ist der Kunde zufrieden, da seine Bank ihm ein hohes Maß an Sicherheit bietet und mit individuell zugeschnittenen Finanzprodukten einen höheren Ertrag ermöglicht, wächst seine Loyalität gegenüber seiner Bank. Das hat zur Folge, dass er sie weiterempfiehlt und die Bank neue Kunden an sich binden kann. Wenn die Bank dem Motto der Customer Centricity „Know your customer better” folgt, dann kann sie ihren Kunden auch wesentlich bessere Sicherheitsmechanismen anbieten. Dies gelingt beispielsweise mit einem KI-gestützten Algorithmus, der mit den Gewohnheiten des Kunden trainiert wird und daher jegliche Anomalien erkennt und automatisch Präventivmaßnahmen einleiten kann. Wenn der Kunde sich sicher fühlt, kann die Bank es auch.

Ebenso kann mit KI- und ML-gestützten Automatisierungen eine schnellere Abwicklung des operativen Tagesgeschäftes erreicht werden. Dadurch werden die Kunden nicht nur flexibler in ihren Bankgeschäften, sondern können auch in den Genuss von niedrigeren Bankgebühren kommen, die gleichzeitig ein wesentlicher Differenzierungspunkt sind. Sobald die Bank einen Großteil ihrer sich wiederholenden Prozesse automatisiert, kann sie die menschliche Arbeitskraft in Form von Kreativität dazu nutzen, ihre Fähigkeiten um- oder auszubauen, andere Geschäftsbereiche für sich zu erschließen und sich so diversifizieren.

Dies ist allerdings nur möglich, wenn die Banken in der Lage sind ihre großen Mengen an Daten, die bisher in disparaten Datenquellen vorhandenen sind, nutzbar zu machen. Neue interne und externe Datenquellen wachsen weiterhin exponentiell und damit die Notwendigkeit sie in der Nähe der Quelle zu bereinigen und zu verarbeiten.

Dieser Zustand kann innerhalb relativ kurzer Zeit mit einer hybriden Datenplattform erreicht werden, mit der sich agil und iterativ immer wieder neue und wertvolle Erkenntnisgewinne erzielen lassen. Diese Herangehensweise eröffnet den Banken ein völlig neues Niveau und die Chance – horizontal sowie vertikal – auf die veränderten Bedürfnisse ihrer Kunden individuell einzugehen, Geschäftstrends vorauszusehen, Umsatzchancen zu erkennen, wirklich zu nutzen und die betriebliche Effizienz zu steigern.

Jedoch die Vielfalt, Verschiedenartigkeit und Komplexität der Datenintegrationsoptionen und Analyseanwendungen und -tools bringt das Unternehmen auch in die Gefahr, eine schwer zu wartende, unsichere oder ineffektive Analyseumgebung mit geringer Kapitalrendite aufzubauen. Ohne einen ganzheitlichen Ansatz können sich Risiko und Kosten eines schlecht durchgeführten Projekts erhöhen.

„Laut dem Marktforschungsunternehmen Gartner, belaufen sich die durchschnittlichen Kosten für schlechte Datenqualität in Unternehmen auf jährlich zwischen 9,7 und 14,2 Millionen Dollar.“

Mit dem richtigen Ansatz zur Datenstrategie, einer robusten und effizienten Datenarchitektur sowie einer angepassten Information Governance gelingt es, ihre Daten, die an mehreren Orten und in verschiedenen Qualitäts- und Nutzungszuständen gespeichert sind, zusammenzuführen und den größtmöglichen Geschäftswert daraus zu ziehen. Daten können sich auf veralteten Datenumgebungen befinden, die zunehmend brüchig, schwierig zu warten und sicher zu halten sind. Geschäftszweige müssen sich zunehmend auf vertrauenswürdige Daten mit bekannter Herkunft verlassen können, um Entscheidungen zu treffen, Kundenbeziehungen zu verwalten, Marketing und Vertrieb zu fördern, Prozesse zu automatisieren, intelligente Agenten zu implementieren oder vorausschauende Analysen anzuwenden, um Ressourcen effektiver zu planen und zu verwalten.

Hinzukommen Sicherheitsbedrohungen sowie behördliche Auflagen und Gesetze, die sich ständig weiterentwickeln und sich auf die Daten- und Systemsicherheit eines Unternehmens und seine Fähigkeit zur Einhaltung von Vorschriften auswirken. Unternehmen benötigen eine Möglichkeit, ihre Daten- und Analyseumgebung effizient zu verwalten, um den ständigen Herausforderungen systematisch und proaktiv begegnen zu können.

Wenn neue Datenpunkte wie Echtzeitnachfragetrends, gruppenspezifische Entscheidungs- oder Abschlusskriterien verfügbar und bestehende Daten maschinell auswertbar sind, helfen moderne Datentechnik und Plattformen beispielsweise Angebot und Nachfrage besser zu verstehen, unterausgelastete Ressourcen zu identifizieren, menschliche Vorurteile und Fehler zu reduzieren und eine übermäßige Abhängigkeit von älteren Datenmodellen zu überwinden.

„Die Unternehmen verfehlen ihre Prognosen im Durchschnitt um 13 %. Sie verlieren bis zu 300 Millionen Dollar pro Jahr an Gewinn für jeden 1%igen Prognosefehler.“

Ein Mangel an internen Spezialisten oder Fachkräften kann die Fähigkeit eines Unternehmens gefährden, seine Datenanalysefähigkeiten zu erhalten und auszubauen. Dies führt dazu, dass die sich entwickelnden Fähigkeiten der künstlichen Intelligenz und des maschinellen Lernens, die die Möglichkeit bieten, größere Einblicke zu gewinnen und Entscheidungen und Prozesse zu automatisieren, nicht voll ausgenutzt werden können. Ohne die Mittel, Daten effektiv zu verwalten oder KI effizient und kostengünstig zu implementieren, laufen Unternehmen jedoch Gefahr, den Kontakt zu ihren Daten und damit ihre Wettbewerbsfähigkeit zu verlieren.

Der erste Schritt bei Daten- und Analysediensten beginnt mit dem Verständnis der Geschäftsstrategie und der Probleme, die neue und verbesserte Dateninteraktionen mit sich bringen. Geschäftspläne und Anwendungsfälle müssen validiert, Entscheidungen getroffen und Ergebnisse analysiert werden. Im Anschluss kann das Geschäft mit Daten transformiert und skaliert werden, sodass IP (Intellectual Property) geschützt sowie Innovation gefördert wird. Um große Mengen an Testdaten für die KI-Entwicklung aufnehmen und interpretieren zu können, ist eine hybride Datenlösung unumgänglich. Mit dieser und dem minimalinvasiven Datenansatz lässt sich der Zeit- und Kostenaufwand des Klienten für Innovation und Entwicklung immens reduzieren, und das Ziel, einer 360-Grad-Ansicht des Kunden rückt in greifbare Nähe – und das ohne eine aufwendige Komplett-Transformation.