Zurück zur Übersicht

Data Analytics und Enrichment: Die Enabler der Personalisierung im Banking

Veröffentlicht von
Contovista
Contovista

Der bahnbrechende Erfolg von Netflix, Spotify und Co. gründet auf ein und demselben Fundament: die intelligente Analyse von Daten sowie deren Anreicherung mit relevanten Zusatzinformationen. Smarte Daten sind der Schlüssel zur Personalisierung, mit der es diesen Anbietern regelmäßig gelingt für echte Überraschungseffekte und Glücksmomente bei Usern zu sorgen. Das macht sie zum Vorbild für ganze Industrien. Wer träumt nicht von begeisterten Kunden?

Wie erzeugt man solche Kundenerlebnisse im Banking? Wie kann datengetriebene Personalisierung auf höchstem Niveau im Finanzsektor funktionieren? Wie gelingt diese Qualität der Datenanalyse und Anreicherung im Banking? In diesem Blog-Beitrag diskutieren wir, was Banken für Personalisierung auf dem Niveau von Netflix und Co. benötigen, wo sie momentan stehen und was ihnen noch fehlt.

Personalisierung des Banking-Erlebnisses: Wo liegen die grössten Chancen für Banken? Erfahren Sie direkt mehr im Experten interview mit Irina Lahtadire, unserer Spezialistin für datenbasierte Personalisierungsstrategien.

Status Quo des Data-Driven Banking: Gut und doch ausbaufähig

Banken verfügen über beeindruckende Datenquellen, die sich für viele Anwendungsfälle eignen. Allerdings sind Datenpraktiken im Bankalltag tendenziell eng gefasst und auf Regulierung ausgerichtet. Datenerhebung und Datensicherheit haben seit langem Priorität für Banken: Die Mehrheit verfügt über formale Systeme für Datensicherheit, Datenschutz und Compliance.

Bei Transaktionsdaten, die clean und nutzbar für echte Personalisierung im Banking sind, sieht das häufig anders aus. Dabei liefern gerade Transaktionsinformationen jede Menge Kundeninsights die, sauber aufbereitet, neue Use Cases für die Bank und personalisierte Banking-Erlebnisse für die Bankkunden schaffen. Wie Schweizer Banken zu dem Thema stehen hat zuletzt eine von dem Business Engineering Institute St. Gallen durchgeführte Studie untersucht.

Da prinzipiell datenbewusst, haben Banken jedoch einen Vorsprung bei Data Analytics und Enrichment. Viele interne Datenanalysten arbeiten bereits mit modernen Tools. Die Usability und Ausgereiftheit derselben schwankt jedoch. Die meisten Banken stützen sich noch stark auf einfache deskriptive und prädiktive Modelle sowie historische Transaktionsdaten. Anspruchsvollere Technologien, wie z. B. die prädiktive Analyse in Echtzeit, ermöglicht durch Machine Learning, befinden sich vielerorts noch in der Planungsphase.

Wie steht es um Data-Driven Banking in der Schweiz? Lesen Sie in der brandneuen Studie des Business Engineering Institute St. Gallen über den Status Quo des Datenfokus in Schweizer Retailbanken!

Was braucht es für datengetriebene Personalisierung im Banking, die Bankkunden begeistert?

Vorweg: Was Banken mit dem datengetriebenen Ansatz heute anstreben, wird von Kunden längst erwartet. Bankkunden sehen keinen Grund dafür, warum Banking-Angebote nicht die Antworten auf persönliche Herausforderungen oder Bedürfnisse darstellen sollten. Sie wollen Finanzlösungen, die sich nahtlos und natürlich in ihr tägliches Leben einfügen.

Banken müssen darauf dringend reagieren. Die Datenprozesse sollten gestärkt werden, um sicherzustellen, dass die für Personalisierung notwendige Menge verfügbarer Transaktionsdaten vorhanden ist und diese so korrekt, clean und nutzbar sind, dass sie zielgerichtet eingesetzt werden können. Nur eine sehr gute Datenbasis kann auch sehr gute Kundenerlebnisse erzeugen.

 
Transaktionsdaten für kundenorientiertes Personal Banking und neue Bank Use Cases

1. Korrekte Transaktionsdaten sind der Anfang von allem

Korrekte Transaktionsdaten sind die logische Voraussetzung für eine sinnvolle Datennutzung. Was sofort einleuchtet, ist in der Umsetzung nicht ganz so simpel. Um in dieser Hinsicht erfolgreich zu sein, müssen Banken Tools, Plattformen und Methoden überdenken und greifen immer mehr auf strategische Partner zurück. Die Open Banking-Bewegung zeigt übrigens, inwiefern Kooperationen mit Unternehmen, die sich auf Finanztechnologie spezialisieren, oft die eleganteste und schnellste Lösung sind.

2. Cleane Transaktionsdaten machen Big Data nutzbar

Je mehr desto besser? Big Data sind ein grossartiger Start für die Datenanalyse und Datenverarbeitung, um basierend auf Transaktionsdaten echte Personalisierung zu realisieren. Ohne eine exzellente Auswahl und Analytics der Transaktionsdaten sind Big Data jedoch eine gefährliche Abkürzung in chaotische Zustände. Beim Thema Daten gilt: Relevanz ist alles! Für Personalisierung müssen Banken genau, und ausschliesslich, über Informationen verfügen, die sie sinnvoll nutzen können. Alles andere führt zu unübersichtlichen und dadurch langsamen und teuren Datenbanken, die nicht mehr effizient nutzbar sind.

3. Veredelte Transaktionsdaten bieten hochindividuelle Informationen

Was bedeuten cleane und relevante Daten für Banken? Übersetzt sind sie veredelte, sinnvoll kategorisierte und dadurch direkt nutzbare Transaktionsdatensätze. Ist diese Vorarbeit getan, können Banken eine Vielzahl an Informationen für die Personalisierung ablesen. Zu diesen gehören in erster Linie Interessen und persönlichen Merkmale. Allerdings hören die Insights für die Bank hier noch lange nicht auf: Ausgabe- und Sparverhalten, Produkte von Drittbanken, Geoinformationen, Zahlungsmethoden, produktspezifische Informationen aber auch das Erkennen von Transaktionsmustern und prognostiziertes Verhalten werden erkennbar.

4. Nur zielgerichtete Daten helfen Banken dem Kunden zu helfen

Um mit dem Kunden im Blick arbeiten zu können, benötigen Banken eine Zielsetzung für den Einsatz von Daten. Auch fein säuberlich kategorisierte Daten sind wertlos, wenn damit kein Ziel verfolgt wird. Im Umkehrschluss können hochwertige Bankdaten, wie z. B. exakte Geodaten, optimal genutzt werden, um Kategorien wie Lifestyle oder lokale Interessen zu identifizieren und Bankkunden zielführende, passende Angebote zu machen. Ähnlich verhält es sich bei Informationen zu Rücklastschriften oder der Liquiditätsplanung für Geschäftskunden. Basierend auf diesen Daten kann die Bank früh Risiken erkennen, unterstützend eingreifen und den Kunden vor finanziellen Fallstricken schützen.

Data Analytics & Enrichment: Der Weg zu den Daten, die Personal Banking glänzen lassen

Schritt Eins: Verschiedene Quellen

Nutzerdaten sind in so mancher Hinsicht der vielleicht grösste Schatz der Banken. Jedoch müssen diese einerseits auch vollständig und korrekt extrahiert werden. Andererseits schliesst die eigene Fülle an Materie nicht aus, dass auch wertvolle Einsichten aus Informationen gewonnen werden, die von verschiedenen Orten ausserhalb der Organisation stammen. Durch die Aggregation von Transaktionsinformationen aus Core Banking, Issuer API, PSD2 Aggregatoren und weiteren Parteien, die Informationen austauschen, entsteht ein weitgehend vollständiges Kundenbild und damit die Grundlage diesen im Detail zu verstehen.

Schritt Zwei: Automatische Veredelung

Banken, die beim Thema Datenanalyse bereits eine Vorreiterrolle innehaben, verfügen über Strategie und Tools für die Interpretation von Daten, um relevante Echtzeit-Einsichten für das Unternehmen zu gewinnen. Unter Einsatz neuer Technologien speist die automatische Veredelung diese Datenstrategie mit der Anreicherung jeder Transaktion durch individuelle Kategorien und Metadaten. Unter dem Strich wieder einen Schritt näher am Kunden.

Schritt Drei: Intelligentes Shared Learning

Das Shared Learning verfeinert und verbessert diese Kategorisierung der Transaktionsdaten. Das Prinzip funktioniert ebenso bankenübergreifend und über Millionen von Transaktionen hinweg. Apropos ‘shared’: Banken sollten ihre Daten intern so weit wie möglich demokratisieren. Das heisst, dass für alle, die berechtigt sind, auf sie zuzugreifen, und die zu ihrer Optimierung beitragen, ein offener, aber sicherer Zugang gewährleistet wird.

Schritt Vier: Nutzergenerierte Veredelung

Den glänzenden Abschluss stellt die nutzergenerierte Veredelung, auch Feedback Loop genannt, da. Optional können durch die Rückmeldung der Kunden authentische, individuelle Insights gesammelt werden, die Personalisierung im Banking endgültig auf das nächste Level heben. Mit der Integration und Anpassung anhand von individuellem Kundenfeedback kommt dem Stichwort Personal Banking wirklich eine ganz neue Bedeutung zu!

 

Erfahren Sie in der Fallstudie Viseca one App, wie die Schweizer Finanz-App Nr. 1 Nutzern mit ausgefeilten Data Analytics wertvolle Insights zu ihrer Finanzsituation bietet!

 

Bleiben Sie auf dem Laufenden und erhalten Sie neue datengesteuerte Banking-Einblicke in Ihren Posteingang

Empfohlene Artikel

4 Min Lesezeit
Banking-Erlebnis für Geschäftskunden: Nicht zurückbleiben, bitte, der Zug fährt ab!
Entschuldigen Sie, wir möchten Sie jetzt ganz sicher nicht beunruhigen - aber hören Sie das auch? Diese Zischen und Rauschen? Erst leise, jetzt lauter. Bald richtig laut - und...
Weiterlesen
5 Min Lesezeit
Schweizer Banken sichern Wettbewerbsvorteile durch Analytics und Digitalisierung
Kein Ort auf der Welt wird so sehr mit dem Bankwesen in Verbindung gebracht wie die Schweiz. Doch können unsere Banken ihrem Ruf überhaupt noch gerecht werden? 
Weiterlesen
5 Min Lesezeit
3 Wege, wie Analytics und Künstliche Intelligenz das Retail-Banking transformieren
Künstliche Intelligenz bestimmt die Zukunft des Bankenwesen, das ist nicht wirklich neu. Dennoch erweist sich KI immer noch als weites Feld und viele Banken wissen nicht,...
Weiterlesen
4 Min Lesezeit
Data-Driven Banking: Im Bankenmarkt trennt sich jetzt die Spreu vom Weizen
Banken stehen an einem Wendepunkt. Umkehr ist unmöglich, denn ihre Kunden betrachten sie heute zunehmend als dienstleistungsorientierte Unternehmen, erwarten viel und...
Weiterlesen