Daten sind Macht

Ein Artikel von Andreas Huber | 13.11.2019 - 15:51

... und die Fragen lauteten:

1.  Wie können Banken und FinTechs (un-)strukturierte Datenquellen nutzen, um die Kundenanforderungen besser zu verstehen?

2. Big Data: Welche Herausforderungen bestehen und wohin geht die Reise?

3. Wo liegt der konkrete Nutzen von Big-Data-Anwendungen für das Geldinstitut?

4. Mit welchen Lösungen unterstützen Sie die Banken im Datenanalysekosmos?

„Aussagekräftige Erkenntnisse benötigen schließlich ein ganzheitliches Bild“

elo_press_photo_mosbach_interview.jpg

Karl Heinz Mosbach, Geschäftsführer ELO Digital Office GmbH

Zu 1: Um die Anforderungen der Kunden besser zu verstehen, müssen alle relevanten Datenquellen im Kontext zueinander ausgewertet werden: Denn aussagekräftige Erkenntnisse benötigen schließlich ein ganzheitliches Bild! Dies gelingt meist nur mit Unterstützung intelligenter Data-Analytics-Komponenten, die eine Vielzahl an Auswertungsergebnissen – beispielsweise in einem zentralen Auskunfts-Dashboard – zusammenführen. Auf diesem Weg sind Rückschlüsse für ein optimales Kundenmanagement schnell möglich

Zu 2: Die Herausforderung besteht zum einen darin, die immer größer werdenden Datenmengen umfassend und schnell zu analysieren. Zum anderen müssen komfortable und leistungsfähige Analysedefinitionen geschaffen werden, die schnell zu brauchbaren Ergebnissen führen. In Zukunft werden die Lösungen dank KI-Techniken immer intelligenter und damit auch leistungsfähiger werden, um weitgehend selbstständig große Datenmengen zu analysieren und die Ergebnisse aufzubereiten.

Zu 3: Der Nutzen liegt in der Transparenz: Problemfelder müssen frühzeitig erkannt werden, um die ­nötigen Maßnahmen einzuleiten. Unser Business beinhaltet heute eine Vielzahl an Informationen. Die Kunst ist es, diese im Detail sichtbar zu machen und im richtigen Kontext darzustellen, damit daraus die richtigen Schlüsse und Handlungen möglich sind.

Zu 4: Wir unterstützen bei der Erschließung der unterschiedlichen Informationsquellen. Seien es unstrukturierte Informationen wie E-Mails usw. oder vorhandene Datenbanken und eingesetzte Business-Lösungen. Mit unserer Data-Analytics-Komponente stellen wir unseren Kunden eine leistungsfähige Analysekomponente zur Verfügung, mit der Informationen nach frei definierbaren Regeln ausgewertet und in übersichtlichen Dashboards dargestellt werden können.  

„Nachhaltiges Wachstum generieren“

Liebke1.jpg

Thomas Liebke, Principal Business Consultant bei Diebold Nixdorf

Zu 1:  Nur ein mehrstufiges Analyseverfahren wird zum Ziel führen. Grundvoraussetzung für den Erfolg und die Akzeptanz von Datenanalysen ist die Definition eines Analyseziels auf Managementebene – beispielsweise „Steigerung der Erlöse im Retailkundengeschäft“. Aus den vielen, oft unstrukturierten Datenquellen (Big Data) muss ein contentbasierter Smart-Data-Ansatz erschaffen werden. Das heißt, die Daten müssen auf die dem Ziel folgenden und wesentlichen Kennziffern bereinigt und verdichtet werden. Erst mit diesem Smart Data-Bestand kann ein qualifiziertes und akzeptiertes Ergebnis erzeugt werden. 

Zu 2: Aus Sorge vor dem Datenschutz und daraus folgender negativer „Presse“ werden Datenanalysen in den Banken kaum oder nur sehr halbherzig betrieben. Eine weitere große Herausforderung besteht ­darin, dass die Banken selbst kaum noch über Analysekompetenz (Mitarbeiter, Software) verfügen und die relevanten Daten i. d.R. an unterschiedlichen Orten und Quellen mit unterschiedlichen Zuständig­keiten lagern.  Banken gestehen sich selbst oft ein, dass sie „kein Analyseproblem sondern ein Umsetzungsproblem ­haben“. Zentrale Angebote u.a. der Rechenzentren sind nicht immer praxistauglich, zu langsam und/oder zu teuer. Externe Spezialisten wiederum haben es aufgrund der Sensibilität der ­Thematik oft schwer, Aufträge zu erhalten. Daher wird die Datenanalyse bei Banken unter deren Möglichkeiten angewendet.

Zu 3: Eine Bank hat nur zu etwa 30-40 Prozent ihrer gesamten Kunden persönlichen Kontakt. Hier kann nachhaltiges Wachstum generiert werden. Mittels intelligenter Datenanalysen können vor allem die ­Qualität und Effizienz der Kundenberatung deutlich erhöht werden. 

Zu 4: Mit der Vertriebseffizienzanalyse bietet Diebold Nixdorf eine vollumfängliche und erlösorientierte Analyse der Kundendaten an. Dabei geht es um die ganzheitliche Sicht auf die Kundensituation. Die ­Besonderheit liegt unter anderem darin, dass die Ergebnisse dieser Analyse verständlich und handlungsorientiert dem Berater bereitgestellt werden.

„Die Kundenzufriedenheit wird bei reduzierten Serviceaufwänden weiter gesteigert“

Oberndorfer1.jpg

Erwin Oberndorfer, Software Product Manager bei KEBA © Roland Koch

Zu 3/4: Durch das Erkennen von Mustern mit Hilfe von Machine Learning und die Anwendung ­intelligenter Algorithmen wird der Betrieb der SB-Infrastruktur effizienter und trägt zur hohen Verfügbarkeit unserer SB-Systeme bei. So wird die Kundenzufriedenheit bei reduzierten Serviceaufwänden weiter gesteigert.

Je performanter die SB-Infrastruktur funktioniert, desto mehr können sich die Bankmitarbeiterinnen und -mitarbeiter am Point of Service dem Wesentlichen widmen: ihren Kunden, den zwischenmenschlichen Beziehungen und dem Vertrieb ihrer Dienstleistungen.

„Der Nutzen ist im Wesentlichen ein zeitlicher Vorteil“

Andreas Hufenstuhl.jpg

Andreas Hufenstuhl, Director Big Data & Advanced Analytics bei PwC

Zu 2: Fest steht: Big Data verlangt einen anderen Umgang mit Informationen. Viele Big Data Quellen charakterisiert eine Struktur oder Qualität, welche impliziert, dass klassische Systeme und Prozesse diese Daten nicht verarbeiten können. Es geht darum, Informationen zunächst vollumfänglich zu speichern, auch wenn noch nicht ganz klar ist mit welchem Hintergrund. Die mangelhafte Qualität in den Daten wird erst berücksichtigt, wenn es gezielte Analysen auf den Daten gibt.

Zu 3: Der Nutzen ist im Wesentlichen ein zeitlicher Vorteil. Big Data beschreiben häufig wie es zu Fehlern oder mangelhaften Entscheidungen gekommen ist. Es geht um Korrespondenzen, Werbung oder Marktverhalten, das den Kunden vor der Entscheidung beeinflusst hat. Klassische ERP-Systeme dokumentieren immer erst den Abschluss und die Fakten, der Weg zur Entscheidung ist hingegen in klassischen ERP-Systemen nur lückenhaft dokumentiert.

Zu 4: Wir unterstützen Kunden in der Quellenanalyse, um relevante von unwichtigen Datenquellen zu separieren. In weiteren Projektphasen helfen wir bei der Identifizierung von Verhaltensmustern und dem Ausbau von Prozessen zur Nutzung der neu gewonnenen Information.