Was wollen Bank- und Versicherungskunden? Nur massive Datenana­lys­e per KI liefert echte Antworten

Vor­bei sind die Zei­ten, in de­nen sich die In­sti­tu­te aus­schlie­ß­lich auf Fo­kus­grup­pen und Um­fra­gen ver­lie­ßen, um den Puls der Kun­den­be­dürf­nis­se zu er­mit­teln. Daten und künst­li­che In­tel­li­genz (KI) werden Finanzdienstleistern helfen her­aus­zu­fin­den, was Kun­den wirklich wol­len und was nicht. Dazu kommt die Fä­hig­keit, ex­po­nen­ti­ell mehr Da­ten zu ana­ly­sie­ren. Die­se Kom­pe­tenz trennt die Fi­nanz­or­ga­ni­sa­tio­nen, die den Wan­del über­le­ben, von de­nen, die es nicht tun werden.

von Junta Nakai, Global Industry Leader, Financial Services & Sustainability bei Databricks

Finanzdienstleister sollten das Potenzial von Daten und KI für sich nutzen. Der Schlüssel dafür liegt in der Adaption der Konzepte „Offenheit“ und „Einfachheit“. Durch die Nutzung von Open-Source-Software können Unternehmen beides erreichen. Die Open-Banking-Bewegung wird in dieser Hinsicht entscheidend sein. Denn:

Open Banking wird sich auf Finanzunternehmen in der gleichen Weise auswirken wie Open Source auf die Software-Branche.”

Dieser Wandel wird zu einer größeren Beschleunigung der Innovation, einer schnelleren Einführung neuer Geschäftsmodelle und einer massiven Wertschöpfung für Disruptoren und Anpassungswillige führen. Die gleiche Dynamik wie in der Softwarebranche wird sich auch auf die Finanzdienstleistungen auswirken.

Datenbausteine für Offenheit und Einfachheit

Viele Finanzunternehmen sind bereits in der Lage, Daten zu speichern und zu bereinigen. Sie können Berichte erstellen und Ad-hoc-Abfragen durchführen, um Einblicke in historische Informationen zu bekommen.

Datenmengen nehmen zu, werden sie aber an den falschen Stellen gespeichert, können sie nicht richtig genutzt werden.”

Dies hindert Finanzunternehmen daran, ihre Datenanalyse und KI voranzutreiben sowie wichtige Erkenntnisse über Betrugsmuster, Kundenverhalten und „Investment Intelligence“ zu erhalten. Um Innovation und Transformation zu beschleunigen, sollten Unternehmen das Potenzial ihrer Daten in Betracht ziehen. Enorm wertvolle analytische Ansätze wie Datenexploration, prädiktive Modellierung und präskriptive Analytik werden von Unternehmen derzeit kaum genutzt. Hier werden Fragen gestellt, warum etwas passieren wird, was passieren wird und wie etwas bewirkt werden kann. Diese Arten von fortschrittlichen Analyseansätzen müssen durch eine robuste Datenarchitektur untermauert werden und werden umso wichtiger, je mehr Möglichkeiten sich bei Open Banking für die Verbraucher bieten.

Derzeit gibt es meh­re­re Ar­chi­tek­tur­op­tio­nen für die ef­fi­zi­en­te Spei­che­rung, Be­rei­ni­gung und Ana­ly­se von Da­ten. Es gibt das Da­ta Wareh­ou­se, den Da­ta La­ke und das Da­ta La­ke­hou­se. Da­ta Wareh­ou­se und Da­ta La­ke ha­ben ih­re ei­ge­nen Stär­ken und Schwä­chen, wenn es dar­um geht, wel­che Da­ten ge­spei­chert wer­den kön­nen und wie die Da­ten ana­ly­siert wer­den kön­nen. Das Da­ta La­ke­hou­se ver­eint das Bes­te aus Da­ta Wareh­ou­se und Da­ta La­ke und ent­wi­ckelt sich zur not­wen­di­gen Da­ten­struk­tur für Un­ter­neh­men, um wich­ti­ge Er­kennt­nis­se zu gewinnen.

Die Ein­rich­tung der rich­ti­gen Da­ten­ar­chi­tek­tur, z. B. ei­nes La­ke­hou­ses, ist der ent­schei­den­de ers­te Schritt für je­des Un­ter­neh­men, das die Vor­tei­le von Da­ten und KI nut­zen möch­te. Wich­tig sind die fol­gen­den vier Schlüs­sel­be­rei­che, in de­nen Da­ten und KI bei Fi­nanz­dienst­leis­tern Ver­än­de­run­gen her­bei­füh­ren können:

1. Personalisierung

Daten und KI spie­len ei­ne ent­schei­den­de Rol­le, wenn es dar­um geht, ein per­so­na­li­sier­tes Kun­den­er­leb­nis zu schaf­fen und Fi­nanz­un­ter­neh­men da­bei zu hel­fen, sich von der Pro­dukt- zur Kun­den­zen­trie­rung zu be­we­gen. Kon­ti­nu­ier­li­che In­tel­li­genz – die Ver­bin­dung von er­eig­nis­ge­steu­er­ter Ent­schei­dungs­fin­dung und his­to­ri­schem Kon­text – ge­währ­leis­tet voll­stän­dig per­so­na­li­sier­te In­ter­ak­tio­nen mit Kun­den auf der Grund­la­ge der Ana­ly­se von Mil­lio­nen von Da­ten­punk­ten pro Se­kun­de aus ver­schie­de­nen Quel­len. So wer­den bei­spiels­wei­se Zah­lungs­in­for­ma­tio­nen in Echt­zeit an­hand von kon­text­be­zo­ge­nen Da­ten­punk­ten ana­ly­siert, um das Kun­den­er­leb­nis zu ver­bes­sern. Da­bei geht es nicht dar­um, die Pro­duk­te völ­lig zu ver­ges­sen, son­dern In­no­va­tio­nen auf der Grund­la­ge von Kun­den­ein­bli­cken zu ent­wi­ckeln, so dass die Pro­duk­te auf das Ver­hal­ten und die Be­dürf­nis­se in Echt­zeit ab­ge­stimmt werden.

2. Betrugserkennung

Die Erkennung von Betrug in großem Umfang ist keine leichte Aufgabe, insbesondere da die Datenmengen zunehmen und Online-Betrüger ihr Verhalten ändern, um nicht entdeckt zu werden. Daten an einem Ort zu haben, hilft bei der Skalierung und Transparenz.

Unternehmen können eine Datenpipeline zur Betrugserkennung aufbauen, um die Daten in Echtzeit zu visualisieren. Dies bietet mehr Flexibilität als die Festlegung von Regeln für das Verhalten von Betrügern und deren Abgleich mit einer Teilmenge von Daten, um mögliche Betrugsfälle zu erkennen.”

Eine moderne Strategie zur Betrugsprävention muss in ihrem Kern agil sein und ein kollaboratives, datenzentriertes Betriebsmodell mit einer etablierten Strategie zur Bereitstellung von Code, Daten und maschinellem Lernen kombinieren.

3. Risikomanagement

Das Risikomanagement im Bereich der Finanzdienstleistungen, insbesondere im Bankwesen, ist zunehmend komplexer geworden. Zusätzlich zu den neuen Arten von Risiken, die durch Open Banking entstehen können, erfordern andere Risikorahmen wie die grundlegende Überprüfung des Handelsbuchs (Fundamental Review of the Trading Book, FRTB) mehr Rechenleistung. Ebenso steht es um die Analyse historischer Daten, die Jahre zurückreichen, da die Aufsichtsbehörden von den von ihnen überwachten Banken mehr Transparenz und Erklärbarkeit verlangen. Veraltete, vor Ort installierte Systeme erfüllen diese Anforderungen nicht mehr.

Ein modernes, flexibles Risikomanagement ist der richtige Weg, um die Volatilität der Märkte und der Wirtschaft mit Hilfe von Daten und Analysen zu bewältigen und darauf zu reagieren.”

Mit dem Auftauchen neuer Bedrohungen verlieren historische Daten und aggregierte Risikomodelle schnell ihren Vorhersagewert, so dass Erkenntnisse in Echtzeit und in großem Maßstab immer wichtiger werden.

4. ESG

Um wettbewerbsfähig zu bleiben, konzentrieren sich Unternehmen in der Finanzdienstleistungsbranche zunehmend auf ihre Umwelt-, Sozial- und Governance-Botschaften (ESG) und entwickeln gleichzeitig neue Produkte, um die Nachhaltigkeitsanforderungen der Kunden zu erfüllen. Die Herausforderung bei der „Produktisierung“ von ESG besteht darin, dass die überwiegende Mehrheit der ESG-Daten unstrukturiert und daher ohne KI schwer zu verarbeiten ist. Wo kommt also die Datenanalytik ins Spiel? Unternehmen können beispielsweise Techniken zur Verarbeitung natürlicher Sprache (NLP) und Graphen-Analyse mit Textdaten aus verbrauchernahen Unternehmen kombinieren, um die Nachhaltigkeitsauswirkungen der Kaufentscheidungen einer Person zu extrahieren und zu berechnen. Dies hilft Finanzdienstleistern, sich an die Erwartungen des modernen Kunden anzupassen und neue Kundenerlebnisse zu schaffen.

Fazit

Ein offener, einfacher und kollaborativer Ansatz im Hinblick auf die Nutzung und den Einsatz von Daten und KI wird die Finanzdienstleistungsbranche in vielerlei Hinsicht voranbringen und Innovationen beschleunigen.”

Auch wenn es sich um eine stark regulierte Branche handelt, bieten die Kundendaten viele Möglichkeiten für positive Veränderungen und Umwälzungen, während gleichzeitig der Komfort und die Sicherheit der Kunden im Mittelpunkt des Geschäftswachstums bestehen bleiben. Letztendlich kann die Adaption der Konzepte „Offenheit“ und „Einfachheit“ dem Sektor helfen, wie ein Technologieunternehmen zu werden.Junta Nakai, Databricks