Data driven Services in der Finanzbranche – Digitalisierung auf Basis von Daten

Betrachtet ihr einen Finanzdienstleister im Kern, werdet ihr schnell feststellen, dass es sich dabei um eine regelrechte Datenfabrik handelt – schließlich sind Daten, in welcher Form auch immer, überall im Bankenbereich zu finden. Hier einige Beispiele:

• Egal ob ihr einen Kredit abschließt, eine Überweisung tätigt oder eine Wertpapiertransaktion durchführt, ihr als Kunden erhaltet - außer den Dokumenten - nichts Physisches, sondern nur einen Datensatz.
• Die Banksteuerung – also das Herz der Bank – arbeitet mit Daten und reiner Mathematik.
• Marktentwicklungen werden in Kursen widergespiegelt, das heißt auf der Basis von Daten.
• Regulatorik ist letztendlich auch nicht mehr, als ein Datenaustausch mit vielfältigen Regeln als Grundlage.

Der Umgang mit Daten, die Kombination und Korrelation verschiedenster Daten und das Ableiten von Entscheidungen daraus sind die Kernkompetenzen einer Bank. Zudem haben vor allem amerikanische Unternehmen gezeigt, dass mit der Monetarisierbarkeit von Daten - das bedeutet mit einem datengetriebenen Geschäftsmodell - eine hohe Marktkapitalisierung einhergeht.

Eins ist sicher: Für Banken in Deutschland steht eine tiefgreifende Veränderung an. Mit den bisher entwickelten BI-/DWH-Systemen erfolgte vor allem der Blick in die Vergangenheit auf Basis von strukturierten und aggregierten Daten:

• Descriptive Analytics – Was ist passiert?
• Diagnostic Analytics – Warum ist es passiert?

In Zeiten der Digitalisierung reicht das nicht aus. Der Blick in den Rückspiegel muss durch eine Vorausschau ergänzt werden:

• Predictive Analytics – Was wird passieren?
• Prescriptive Analytics – Was müssen wir dafür tun?

Diese Fragen können mit Data driven Services (DDS) beantwortet werden. DDS basieren auf Daten unterschiedlichster Strukturen und Quellen, sind modular und beliebig skalierbar, können in Echtzeit genutzt werden und sind Use Case orientiert. Dabei steht vor allem die Monetarisierbarkeit der Daten im Vordergrund. Kurz gesagt: DDS basieren auf neuen Geschäftsprozessen und -zwecken.

Ich spreche hier aus Erfahrung, denn adesso hat für Kunden aus dem Banken- und Finanzsektor bereits verschiedene DDS umgesetzt:

• KI-basierte Kreditentscheidungen auf Basis von Kontotransaktionen in Echtzeit im Rahmen von digitalen Kreditprozessen, wodurch die Abschlüsse signifikant gesteigert werden.
• Echtzeit Betrugsanalysen, die eine Schädigung von Kunden und Kosten verhindern.
• Leadgenerierung durch Web-Crawling und Künstliche Intelligenz (KI), die völlig neue Verkaufschancen eröffnen.
• Ein DSGVO-Dashboard, das der Aufsicht die notwendige Transparenz in Echtzeit auf einen Blick liefert.

Dies sind zwar nur einige Beispiele, aber wie ihr seht, äußerst spannende Vorhaben rund um das Thema DDS.

Ein konkretes Vorgehen zur Entwicklung

Die Kernfrage, wie ihr bei der Entwicklung von DDS verfahren könnt, ist schnell beantwortet, denn dafür haben wir ein vielfach erfolgreich angewandtes Vorgehen entwickelt:

Zunächst werden die Daten (Data Science) untersucht (Exploration) und ein Data Use Case entwickelt. Anschließend erfolgt der Aufbau eines Data-Labors. Mit diesem Data Lab wird eine Umgebung geschaffen, in der verschiedene Use Cases untersucht, reproduziert, verworfen und neu entwickelt werden können. Liegen belastbare Erkenntnisse beim untersuchten Use Case vor, ist der Aufbau einer Datenplattform ein nächster und konsequenter Schritt. Diese Plattform liefert - neben dem Analytics-Verfahren - die Grundlage zur Entwicklung eigener Modelle sowie zur Verwendung von KI und des maschinellen Lernens.

Zusammenfassend möchte ich festhalten: Data Science und Analytics sind die Voraussetzung für Künstliche Intelligenz und Machine Learning. Grundlage dafür muss eine Data Plattform (Big Data) sein, auf der alles gemeinsam betrieben wird. Wie das Ganze visualisiert aussieht, könnt ihr in der folgenden Grafik, die eine Kombination von verschiedenen Technologien/Methoden zeigt, erkennen.

Fazit

Data driven Services sind keine Zukunftsmusik mehr, sondern mittlerweile Realität. Viele Banken und Finanzhäuser haben das Potential von DDS bereits erkannt und sind auf diesen Weg unterwegs. Dabei liegen die Vorteile auf der Hand:

• Das Vorgehen ist unabhängig von der Größe des Instituts.
• Die Use Cases stehen im Vordergrund.
• Eine Realisierung von Quick Wins sichert die Finanzierbarkeit.
• Parallel muss die Entwicklung einer tragfähigen Perspektive/Roadmap gewährleistet sein.

Es gibt kein valides Argument gegen die Entwicklung von DDS, auch nicht durch Datenschutzrichtlinien oder regulatorische Aspekte. Der Marktdruck ist derart hoch, dass es stets Marktteilnehmer gibt, die solche Services umsetzen. Aus diesem Grund ermuntere ich Kunden immer wieder, aktiv ihren Weg der Data driven Services zu gehen und ihre Data Journey zu gestalten.

Ihr möchtet euch auch über weitere spannende Themen aus dem Banking-Bereich informieren? Dann werft einen Blick in unsere bisher erschienenen Blog-Beiträge.