5. Personalisiertes Marketing
Ein wichtiger Aspekt der Kundenbetreuung ist die proaktive Ausrichtung auf bestimmte Kundensegmente mit spezifischen Produkten. Um dies zu erreichen, müssen Banken häufig Daten von Drittanbietern mit Blick auf das Ausgabeverhalten bestimmter Kundensegmente integrieren, die aus Aufzeichnungen von Kundentransaktionen gewonnen sind. Beispielsweise können Banken Benutzern eines bestimmten Telefons oder bevorzugten Mitgliedern eines bestimmten "Rewards-Clubs" eine Werbeaktion anbieten.
- Lars Schwabe (Associate Director bei Lufthansa Industry Solutions
„Die Erfolgsquote von Predictive-Analytics-Projekten ist gestiegen, da die Firmen endlich die notwendigen Vorarbeiten geleistet haben, beispielsweise die Schaffung von modernen Datenarchitekturen. Außerdem sind inzwischen sowohl das Personal fachkundiger und die Tools besser geworden." - Daniel Eiduzzis (Solution Architect Analytics bei Datavard)
„Technisch müssen sich die Unternehmen öffnen und sollten sich nicht sklavisch einem Hersteller verpflichten. Heute geht es vielmehr darum, in Abhängigkeit vom jeweiligen Use Case das ideale Instrument zu identifizieren, mit dem die Fragestellungen bestmöglich bedient werden. Daher kann ein Best-of-Breed Ansatz hier sinnvoll sein.“ - Jan Henrik Fischer (Bereichsleiter Business Intelligence & Big Data bei Seven Principles)
„Mit Methoden der Predictive Analytics und der parallel weiter steigenden Digitalisierung werden wir Prozesse besser verstehen. Dies wird ausnahmslos alle Bereiche eines Unternehmens betreffen. Das größte Potenzial liegt dabei sicherlich in der Optimierung der Kundenprozesse. Durch ein tieferes Verständnis für seine Bedürfnisse werden wir in der Lage sein, den Kunden effizienter und besser zu bedienen sowie seine Loyalität zu steigern.“ - Vladislav Malicevic (Vice President Development & Support bei Jedox)
„Viele Unternehmen experimentieren bereits seit längerem mit Predictive Analytics. Bislang mangelte es oft an konkreten Anwendungsfällen mit einem klaren Mehrwert, dem sogenannten Business Case. Aber die nächste Phase im Technologie-Lebenszyklus hat bereits begonnen, und Firmen führen nicht mehr nur rein innovationsgetriebene Experimente durch. Sie verknüpfen Predictive-Analytics- und KI-Projekte zunehmend mit einem bereits im Vorfeld klar definierten Mehrwert für bestimmte Fachbereiche oder Geschäftsprozesse, inklusive der erwarteten Ergebnisse und den möglichen Auswirkungen auf bisherige Prozesse.“
Wieder einmal kann die Datenvirtualisierung solchen Kampagnen unterstützen, indem sie die Datenintegration und Verbindungen zu Drittanbietern einfach und schnell erlaubt.
6. Personalisiertes Pricing
Bei der Preisgestaltung wollen alle Kunden eine Vorzugsbehandlung. Die Kundenerwartung im digitalen Zeitalter stellt sich so dar, dass aus Sicht des Kunden jedes Produkt ein individualisiertes Produkt ist. Eine personalisierte Preisgestaltung erfordert jedoch eine 360°-Ansicht des Kunden in Echtzeit, einschließlich der Nutzung und Empfehlungen, sowie einen Einblick in alle seine Interaktionen.
Die Datenvirtualisierung ermöglicht diese Sichtweise und stellt sie den Vertretern in Echtzeit zur Verfügung. Für jeden Kunden wird ein detailliertes Profil erstellt, das die Präferenzen des Kunden, Empfehlungen und andere Informationen berücksichtigt. Darauf aufbauend kann mit den passenden Algorithmen eine bessere und fundiertere Preisentscheidung ermöglicht werden. Zusätzlich lassen sich viele Funktionen der personalisierten Preisgestaltung automatisieren.
7. Liquiditätsmanagement
Um die Liquidität in den verschiedenen Abteilungen und Beständen einer Bank effektiver verwalten zu können, benötigen Banken Zugang zu aggregierten Liquiditätspositionen, die zum Beispiel. auf Währung, Geografie oder Produkten beruhen. Diese Zahlen müssen dann zeitnah mit Standardkennzahlen wie dem Net Stable Funding Ratio (NSFR) und dem Liquidity Coverage Ratio (LCR) verglichen werden, um einen granularen, dynamischen Einblick in die Liquidität der Organisation zu erhalten.
Um diese Bemühungen zu erleichtern, kann die Datenvirtualisierung die Ansichten der Bestände der einzelnen Abteilungen vereinheitlichen, um eine echte aggregierte Sicht auf das Risiko zu erhalten und hochgranulare Entwicklungen zu erfassen. Damit lassen sich wöchentliche oder monatliche Berichte unterstützen, die durch Änderungen in Echtzeit ergänzt werden. Auch Informationen aus anderen Quellen wie zum Beispiel externe Quellen für Marktinformationen lassen sich hier einfach integrieren, um beispielsweise den Bargeldbedarf des Unternehmens besser vorherzusagen.
8. Betrugserkennung
Um betrügerische Aktivitäten besser aufzudecken und Vorschriften wie die Anti-Geldwäsche (AML) im Zusammenhang mit dem Bankgeheimnisgesetz einzuhalten, müssen Banken in der Lage sein, "normale" Aktivitäten von "betrügerischen" Aktivitäten zu unterscheiden.
Die Datenvirtualisierung kann die Betrugserkennung auf drei Arten unterstützen:
Durch die Erstellung konsolidierter Datenansichten können Muster aufgezeigt und erkannt werden, die leicht übersehen werden können.
Durch angereicherte Benutzerprofile lassen sich betrügerischer Aktivitäten in Echtzeit erkennen.
Durch die Erleichterung der Erstellung von Audit- oder Compliance-Berichten, die detailliert aufzeigen, welche Personen Zugriff auf welche Daten haben lässt sich der Zahlungsverkehr einfacher überwachen.
9. Prozessoptimierung
In Anbetracht der digitalen Herausforderungen müssen Banken mehr denn je an der Optimierung ihrer Prozesse arbeiten. Anders als die klassischen Optimierungsansätze der Vergangenheit, wie z.B. Six Sigma, basieren innovative Verbesserungsansätze auf dem Mining von Daten. Das Schürfen in den Big-Data-Welten ermöglicht bisher nicht mögliche Einblicke in die tatsächlichen Prozessabläufe - jenseits subjektiver und isolierter Expertensicht.
Datenvirtualisierung schafft die Möglichkeiten der Integration heterogener Datenbanken und schafft so die Voraussetzungen einer End-to-End-Sicht auf die Prozesslandschaften. Neben Prozessdaten aus den Systemen lassen sich auch lokale Datenpools an den Arbeitsplätzen von Sachbearbeitern anbinden.
10. Fusionen, Migration, Konsolidierung und Modernisierung
Diese letzte Gruppe ist nicht auf Banken beschränkt. Bei jeder Änderung der IT-Infrastruktur wird die Integration von Daten schwieriger und dauert länger. Das wirkt sich negativ auf die Fähigkeit der Beteiligten aus, die Daten für fundierte und profitable Entscheidungen zu nutzen.
Der Vorteil der Datenvirtualisierung besteht in diesem Zusammenhang darin, dass die Nutzer der Daten oft nicht einmal merken, dass eine Veränderung stattfindet oder stattgefunden hat. Nutzer haben den Eindruck, dass sich die Daten an einem einzigen Ort befinden. Hinter den Kulissen wird auf eine Vielzahl von Quellen zugegriffen. Nutzer müssen sich nicht um Details kümmern. Während einer Systemmigration können Nutzer gleichzeitig auf die alten und neuen Quellen zugreifen. So kann schrittweise auf neue Systeme umgestellt werden.
Foto: Euvic GmbH
Datenvirtualisierung - zu schön um wahr zu sein?
Die obigen Beschreibungen stammen nicht aus Episoden von "Captain Future": Datenvirtualisierungslösungen sind heute schon Realität. Ein detaillierter 360-Grad-Blick auf die sich ändernden Bedürfnisse und Verhaltensweisen der Kunden? Gestern noch ein 5-Jahresprojekt im dreistelligen Millionbereich - heute viel schneller und deutlich kostengünstiger. Die Möglichkeiten, welche durch neue Technologien geschaffen, schaffen bereits wieder Zweifel an der Einfachheit. Abhilfe schaffen hier nur "Trial & Error"-Ansätze. In Anbetracht der Millioneninvestitionen in die digitale Transformation kann eine Verprobung der Datenvirtualisierung doch nicht ins Gewicht fallen, oder?