Neue Standardlösungen für Analytics
Dass sich der Markt dramatisch verändert und Predictive Analytics derzeit immer bedeutsamer wird, hat auch damit zu tun, dass sich im Bereich der Analyse immer mehr technologische De-facto-Standards etablieren. Sei es etwa Apache Cassandra für Datenbankverwaltung und Storage oder das Apache Spark Framework und Apache Kafka für die Ansprüche an die Big Data-Analyse.
Neben großen Playern wie HP und IBM bieten heute auch schon kleinere Unternehmen schlüsselfertige Analytics-as-a-Service-Lösungen. Die Konsequenz: Marktteilnehmer sind nicht mehr gezwungen, ihre eigenen Analyseplattformen zu bauen. Stattdessen gibt es Analytics in Zukunft in Form problemlos zugänglicher Standardlösungen und Module. Vor diesem Hintergrund bleibt allerdings nach wie vor ein hoher Integrationsgrad der IT-Systeme einer Bank wünschenswert – dadurch wird es für ein Institut leichter, in wirklich alle relevanten Daten tief einzutauchen.
Den Kunden besser verstehen als er sich selbst
Ein hochrelevanter Anwendungsfall für Predictive Analytics ist der Bereich Customer Insights. Hier profitieren Kundenberater und Relationship Manager im Front-Office davon, dass sie eine echte 360-Grad-Perspektive auf Kunden und Interessenten gewinnen und sie viel besser verstehen, als dies bisher möglich war.
Aus Kundenperspektive heißt das: bedarfsgerechtere Angebote als je zuvor. Im Idealfall werden für die automatische Analyse alle Kundeninformationen aus sämtlichen internen Quellen des Unternehmens genutzt und auch unterschiedlichste externe Daten, etwa auch Wohnort- bzw. Geodaten zur Kaufkraft.
Einer der besonderen Vorteile von Predictive Analytics ist es, dass sich damit zu jedem Kunden, Interessenten und Website-Besucher ein individuelles Profil erstellen lässt. Die bisherige Kontakt- und Geschäftshistorie inklusive Zeit, Umfang und Zahl der Transaktionen wird dabei ebenso einfließen wie die technischen Daten des digitalen Kontaktvorgangs – von der IP-Adresse des Nutzers über Bildschirmauflösung, Browser und Betriebssystem bis hin zu seiner Spracheinstellung.
Sämtliche Informationen können einer Predictive Analytics-Lösung dazu dienen, Abschlusswahrscheinlichkeiten für bestimmte Produkte oder Leistungen zu bestimmen und bislang unerkannte Umsatzpotenziale zu identifizieren. Die Kundenberater werden ihre Klienten in Zukunft so gut verstehen, dass sie den zukünftigen Bedarf eines Kunden sogar antizipieren können, bevor er ihm selbst bewusst wird.
Aus der spiegelbildlichen Perspektive betrachtet ergeben sich durch Predictive Analytics natürlich auch für den Klienten selbst enorme Vorteile: Denn seine Bank oder sein Vermögensberater werden ihm in Zukunft Angebote machen können, die seinem tatsächlichen Bedarf optimal entsprechen. Im genau richtigen Zeitpunkt und mit passgenauem Zuschnitt. Klienten werden sich dank Predictive Analytics besser betreut fühlen als je zuvor. Zu Recht.
BankingHub-Newsletter
Analysen, Artikel sowie Interviews rund um Trends und Innovationen im Banking alle 2-3 Wochen direkt in Ihr Postfach
Höhere Umsätze, Betrugserkennung und Effizienzsteigerung
Höhere Umsätze sind der erste wichtige Nutzen von Predictive Analytics, weil eine Bank die Bedürfnisse ihrer Kunden dadurch gezielt adressieren kann. Ein zweites großes Anwendungsszenario für Predictive Analytics-Lösungen ist die Betrugserkennung und ‑vermeidung. Aufgrund der Analyse des Kundenverhaltens und all der Daten, die der Bank im Zusammenhang mit dem Kunden zugänglich sind, werden Analytics-Systeme einschätzen können, wie groß die Betrugswahrscheinlichkeit bei einem spezifischen Kunden ist, um bei entsprechenden Vorgängen einen automatischen Alarm auszulösen.
Dadurch verbessert sich gleichzeitig die Effizienz im Back-Office. Denn die Qualität und Validität der Betrugsalarme wird durch Predictive Analytics steigen, während sich die Zahl falsch positiver Betrugsverdachtsfälle, die aufwendig manuell untersucht werden müssen, deutlich reduziert. Ganz generell ist dies das dritte große Nutzenversprechen von Predictive Analytics: eine Kostenreduktion durch eine verbesserte Effizienz in den Prozessen.
Mit Feedback-Schleifen lernen
Um die Qualität der Vorhersagen, die mit Predictive Analytics-Lösungen entstehen, kontinuierlich zu verbessern, ist es wichtig, in den entsprechenden Projekten eine Feedback-Schleife zu integrieren. Der erste Schritt besteht immer darin, in die verfügbaren Daten einzutauchen, sie zu säubern und nutzbar zu machen. Der zweite Schritt ist es, Modelle zu entwickeln, die geeignet sind, die relevanten Aspekte im Verhalten von Kunden oder Interessenten zu identifizieren. Und der dritte Schritt besteht darin, auf Basis der prädiktiven Analysen automatisierte Handlungen anzustoßen – vom Senden einer simplen Mail an einen Kunden bis hin zur komplexen Unterstützung persönlicher Beratungsvorgänge.
Entsprechend werden sich auch die Nutzeroberflächen von Predictive Analytics-Lösungen je nach Anwendungsszenario deutlich unterscheiden. Manche werden mit schmalen, eher administrativen Interfaces auskommen, andere werden dem Anwender mächtige Funktionalitäten und vielfäItige Auswertungs- und Interaktionsmöglichkeiten bieten.
Exklusive Studien im Downloadportal HUB+
Private-Banking-Studie Österreich – 2018 (zeb)
Die zeb.Private-Banking-Studie Österreich ist die erste ihrer Art, die ein umfassendes Verständnis für die Spezifika des österreichischen Private-Banking-Markts vermittelt.
Private Banking Studie Deutschland – 2018 (zeb)
Dass sich Privatbanken in Deutschland weiterentwickeln müssen, daran besteht kein Zweifel. Die Ergebnismargen bewegen sich trotz günstigem Marktumfeld weiterhin auf einem sehr niedrigen Niveau.Die Integration der Systemlandschaft
Auch wenn das User Interface für jedes Anwendungsszenario anders ist – die Predictive Analytics-Technologie dahinter bleibt letztlich dieselbe. Aktuell ist die Situation bei vielen Banken und Vermögensberatern noch die, dass für jedes spezifische Problem ein spezifisches Werkzeug beschafft wird. Dies führt naturgemäß zu einer entsprechenden Fragmentierung der Systemlandschaft, zu einem Nebeneinander von Datensilos.
Eine moderne, durchgängige Plattform mit einem übergreifenden Enterprise Wide Object-Modell bringt von Haus aus die Voraussetzungen mit, die Predictive Analytics-Anforderungen der Zukunft zu erfüllen. Es ist ein wichtiger Faktor sowohl für durchgängige Plattformen als auch für einzelne Systeme, dass sie über offene Schnittstellen und APIs verfügen. Denn die umfassende Integration aller relevanten Datenquellen, interner wie externer, bleibt die Grundlage jeder prädiktiven Analyse.
Vom Retailbanking bis zur Vermögensberatung
Ob ein Berater Ultra high-net-worth Individuals betreut oder ob es um Direktmarketing- und Sales-Aufgaben im Retailbanking geht: Predictive Analytics ist in all diesen Anwendungsfällen relevant, wenn auch aus etwas unterschiedlichen Gründen. Im Retailbanking wird es in Zukunft entscheidend darauf ankommen, unter den vielen Tausend Kunden signifikante Verhaltensmuster auszumachen, Marketingkampagnen darauf auszurichten und auch neue Untergruppen zu identifizieren, um sie gezielt adressieren zu können.
Der Relationship Manager in der Vermögensberatung einer Privatbank dagegen betreut vielleicht nur 100 Kunden, aber für ihn ist es unerlässlich, alles über diese Kunden zu erfahren und ihre Bedürfnisse und ihr Verhalten so genau wie irgend möglich vorherzusagen – um ihnen perfekt gerecht werden zu können. In beiden Szenarien kommt letztlich dieselbe zentrale Stärke von Predictive Analytics zum Tragen: zielgerichtete Angebote zum optimalen Zeitpunkt zu ermöglichen. Davon profitieren selbstverständlich immer beide Seiten: der Berater und sein Klient.
Umfassende Data Governance
Angesichts der Kundendaten, die ein Unternehmen im Rahmen von Predictive Analytics auswertet, bleibt auch der Schutz personenbezogener Daten ein Thema. Wenn eine Bank Predictive Analytics betreibt, hat sie dabei die gesetzlichen Bestimmungen und Regularien einzuhalten, etwa die Datenschutzgrundverordnung der EU (EU-DSGVO).
Eine durchgängige Data Governance ist vor dem Hintergrund der Bedeutung von Predictive Analytics ohnehin unerlässlich. Mit einem umfassenden Data Governance-Programm definiert ein Unternehmen die in Hinblick auf seine Daten erforderlichen Qualitäts-, Sicherheits-, Datenerfassungs- und Prozessstandards. So ist es kein Zufall, dass beispielsweise IBM, einer der großen Player im Big Data-Markt, Data Governance als Schlüsselthema im Kontext seiner Analytics-Angebote begreift.
Auch das Big Data-Konzept eines einzigen, großen Data Lake spielt hier eine Rolle. Analog zum Konzept der relationalen Datenbank werden in einem Data Lake Daten aus unterschiedlichsten Quellen in ihrem Rohformat gespeichert und so für Analysen zugänglich. Auch der integrale Data Lake-Ansatz verdeutlicht, dass Banken es im Kontext von Predictive Analytics als übergreifende, unternehmensweite Aufgabe zu verstehen haben, ein geeignetes Data Governance-Konzept zu etablieren und eine durchgängig hohe Datenqualität sicherzustellen.
Der wichtige Vertrauensvorteil
Oft ist die Rede davon, die GAFA-Internetriesen – Google, Apple, Facebook und Amazon – seien in Sachen Predictive Analytics von vornherein im Vorteil. Verfügen sie doch über eine gigantische Menge an Daten über ihre Kunden – und schon seit Langem über die Big Data- und Analyse-Technologie, um diesen Schatz zu heben.
Für klassische Finanzinstitute dagegen mag die Analyse ihrer Kundendaten noch Terra Incognita sein, aber warum sollten sie nicht von den GAFAs und den Fintechs dieser Welt lernen können? Zumal Predictive Analytics-Technologie aktuell immer mehr in Form standardisierter Lösungen nutzbar wird. Einen bedeutenden Vorteil haben Banken ohnehin: Sie genießen das Vertrauen ihrer Kunden, und sie verfügen über Daten von entsprechender Qualität. Ihre spezifischen Banking- und Beratungs-Services auf der Basis eines sehr hohen Kundenvertrauens anbieten zu können, bleibt ein wichtiger Wettbewerbsvorteil der etablierten Finanzdienstleister.
Dennoch gilt auch für sie: Nur wer seine Kunden wirklich versteht, ist in der Lage, sie dauerhaft zu binden und ihren tatsächlichen Bedarf exakt zu erfüllen. Ohne Auswertung aller verfügbaren Daten geht das nicht mehr. Für die Zukunft von Banking und Wealth Management wird Predictive Analytics entscheidend sein.
