Was Banken brauchen, um das Jahrzehnt zu überleben

Trotz einer Vielzahl von Algorithmen, die Berge von Informationen verarbeiten, gibt es ein entscheidendes fehlendes Glied im Datenanalyse-Rausch. Es zu finden ist der Schlüssel zur Relevanz, vielleicht sogar zum Überleben.

Was ist für eine Bank am schwierigsten zu erwerben? Sicherlich nicht Daten. Als Institution, der ihre Kunden vertrauen, verfügt eine Bank über mehr Daten, als sie zu gebrauchen weiß.

Daten werden heute auf unzählige Arten gesammelt, sortiert, analysiert und genutzt. Zunächst einmal stellen die Banken dem Kunden statische Informationen zur Verfügung. Sie können Ihre Einlagen zusammenfassen und den Wert Ihres Portfolios aufzeigen. Sie können Ihnen sogar einen Kredit empfehlen, der auf Ihrem Kontostand basiert. Aber all dies, selbst der letzte Fall, sind einfach regelbasierte Antworten, die nicht unbedingt intelligent sind.

Noch nicht ganz da

Denken Sie an die vielen neuen Angebote, die Ihnen eine Bank unterbreitet. Diese beruhen in der Regel auf einem bestimmten Muster. Kunden in der Altersgruppe von 30 bis 40 Jahren neigen zum Beispiel zu mehr Käufen und Transaktionen. Die Älteren neigen mehr zum Sparen. Dies alles sind nicht rückkopplungsorientierte Aufforderungen. Solange es ein erkennbares Muster gibt, kann eine Bank mit ziemlicher Sicherheit einschätzen, was ihre Kunden brauchen, und dementsprechend die Produkte anpreisen. Woran liegt es aber, dass die meisten Angebote den Bedarf des Kunden nicht wirklich einschätzen? Warum sind sie oft irrelevant und ohne Kontext?

Alle Banken wollen zu einem Stadium gelangen, in dem jede Information, die sie einem Kunden anzeigen - ob statisch oder dynamisch - mit einem Kontext versehen ist. Ein Stadium, in dem ein Kunde nicht erst im Nachhinein, sondern gleich zu Beginn einer Transaktion auf der Grundlage von Daten, die der Bank bereits vorliegen, gefragt wird. Wenn eine Bank beispielsweise den Kontostand eines Kontos anzeigt, kann sie den Kunden darauf hinweisen, wenn dieser zu niedrig ist, und ihm empfehlen, irgendwoher Geld abzuheben. Oder man kann den Kunden darauf hinweisen, dass er ein ausreichendes Guthaben hat und dass eine Zahlung bevorsteht. Je kontextbezogener die Aufforderungen sind, je diskreter sie dem Kunden serviert werden können, desto attraktiver ist die Bank für neue Kunden und desto dauerhafter ist die Interaktion des Kunden mit der Bank.

Aber Moment mal. Ist es das, was der Kunde wirklich will? Ein klebrigeres Erlebnis?

Muss eine Bank mehr tun?

Nicht wirklich, könnte man argumentieren. Ein Kunde meldet sich auf dem Portal der Bank nicht an, um dort Zeit zu verbringen, sondern um Dinge effizient und sehr schnell zu erledigen.

Denn wenn die Geschäftsziele einer Bank erfüllt sind, warum sollte man sich dann mit obsessiven Zahlen oder kontextbezogenen Angeboten oder "Oberflächlichkeiten" herumschlagen? Dies ist keine Einzelmeinung. Nehmen Sie eine beliebige Genossenschaftsbank. Sie haben sich die Technologie nicht richtig zu Nutze gemacht. Sie haben ein Portal, das nur rudimentäre Prozessabläufe widerspiegelt. Vielen der größeren Universalbanken geht es nicht viel besser. Sie betrachten das Portal oder den Kanal als eine ästhetische Übung, die ihr fragmentiertes Produktportfolio* online widerspiegeln.

Wenn doch nur alles beim Alten bliebe, wenn doch nur der Wandel uns vorwarnen würde und sich mit der Zeit vollzöge.

Wie wir in einem früheren Blog erörtert haben, hat ein grundlegender Wandel bei den Maßstäben für die Kundenerfahrung - Schuld daran sind FinTechs oder das größere Ökosystem süchtig machender Unternehmen wie Amazon oder Netflix - die Banken dazu gezwungen, ihre digitalen Bestrebungen schnell zusammenzustellen. Und der Treibstoff für diesen Prozess sind eindeutig Daten.

Und um diese Daten so zu verarbeiten, dass sie den Banken tatsächlich helfen können, anstatt noch mehr Datenpakete zu erzeugen, müssen wir Intelligenz nicht als nebulöse Einrichtung betrachten, sondern in jeden Schritt der Nutzerreise einfließen lassen.

Aufwachen zur Intelligenz

Denken Sie noch einmal über diesen Satz nach: Eine Bank hat mehr Daten, als sie zu nutzen weiß. Dies ist ein aussagekräftiger Indikator dafür, wo sie im Datenanalyse-Rausch stehen.

Die Banken wollen der richtigen Person zum richtigen Zeitpunkt die richtigen Informationen zur Verfügung stellen. Sogar in Lese- und Schreib-Widgets sollte es Intelligenz geben, um zu erkennen, ob es sich um eine einfache Transaktion handelt, oder um einen Weg zur Authentifizierung, oder ob ein zweiter oder dritter Faktor herangezogen werden sollte. Mit anderen Worten, jeder Block sollte kontextabhängig sein.

Es gibt Algorithmen, ja, aber es geht nicht nur um die Algorithmen selbst, sondern auch um die Eingaben, mit denen der Algorithmus gefüttert werden sollte, um zu einer bestimmten, umsetzbaren Erkenntnis zu gelangen.

Ein weit verbreiteter Irrglaube ist, dass Intelligenz von außen kommt. In Wahrheit ist Intelligenz ein Bottom-up-Ansatz. Das Sammeln von Daten, ihre intelligente Verschlagwortung und die Nutzung der Daten für Sie - das ist der Punkt, an dem Intelligenz ins Spiel kommt.

Die erste Frage, die sich eine Bank stellen muss, lautet: "Nutze ich die Intelligenz effektiv"? Die Antwort ist für alle Institute negativ. Sobald dies erkannt ist, sind die Möglichkeiten endlos.

Anwendung von Intelligenz

Wenn die Banken beginnen, Intelligenz als übergreifendes Konzept zu begreifen und nicht als etwas, das in einzelne Bereiche aufgeteilt ist, können sie beginnen, die Anwendungen von Intelligenz wirklich zu erforschen.

Schauen wir uns nur zwei Anwendungsfälle an, die wir alle kennen und die wir mit den vorhandenen Tools realisieren können. AML, zum Beispiel. Der traditionelle Einsatz von Algorithmen in der AML ist postfaktisch. Um ein AML-Muster zu erkennen, muss es bis zum Ende durchgesehen werden. Aber AML bewegt sich jetzt in Richtung Betrugserkennung. Es gibt Mechanismen, mit denen man Transaktionen bewerten und Sicherheit auf der Kundenebene bieten kann. Die Transaktion kann weiterhin durchgeführt werden, aber mit einem in die Intelligenz eingebauten Betrugsbekämpfungsmechanismus.

Ein zweiter Anwendungsfall besteht darin, neue Angebote an ganz bestimmte Kundensegmente zu richten. Derzeit verwenden die Banken sehr breite Muster, um potenzielle Kunden für ein bestimmtes Produkt zu identifizieren. Was wäre, wenn wir stattdessen fortschrittlichere statistische Modelle - wie das bereinigte R-Quadrat - verwenden würden? Ohne zu tief in die Technik einzusteigen, verringert eine große Anzahl von Variablen die Fähigkeit eines Modells, genaue Vorhersagen zu treffen. Das bereinigte R-Quadrat hingegen trägt diesen Variablen besser Rechnung und liefert den genauesten Grad der Beziehung innerhalb eines bestimmten Segments/einer bestimmten Population. Das Endergebnis ist, dass die von Ihnen bereitgestellten Informationen für Ihren Kunden kontextbezogener werden.

Der Sinn, sich ernsthaft mit Intelligenz und ihrer Anwendung zu beschäftigen, ist die Antwort auf die eingangs gestellte Frage: Was ist das Schwierigste für eine Bank?

Die Antwort lautet: Sie müssen die Absichten Ihrer Kunden verstehen.

Unabhängig von den Daten, die Ihnen zur Verfügung stehen, den Mustern des Kundenverhaltens und den Transaktionsinformationen, die Sie aufzeichnen, ist das schwer fassbare und zugleich wertvollste Wissen die Absicht des Kunden. Warum hat er eine Reihe von Festgeldanlagen getätigt? Was sind seine Ziele, seine Bestrebungen? Welche Ängste veranlassen ihn, eine bestimmte Reihe von Entscheidungen zu treffen?

Dies ist ein neuer Bereich, an dem wir aktiv arbeiten. Wir bauen die so genannte "Purple Fabric" auf, um Daten und Informationen aus unterschiedlichen Systemen zusammenzuführen und in einer noch nie dagewesenen und sich ständig weiterentwickelnden Weise zu nutzen.

Die Ära der Analytik ohne Schlussfolgerungen geht zu Ende. Es ist an der Zeit, dass wir aufhören, Zahlen und Muster um ihrer selbst willen zu berechnen, und sie stattdessen in die Praxis umsetzen.

Dies wird der Schlüssel zum Überleben der Banken in einer zunehmend wettbewerbsorientierten, technologiegetriebenen Welt sein.

In den folgenden Blogs werden wir uns mit den neuesten Anwendungen der Intelligenz befassen und uns mit Fragen der Regulierung, des Datenschutzes und der Sicherheit auseinandersetzen.

*Natürlich gibt es an beiden Enden des Spektrums Ausnahmen. Die Co-op Bank zum Beispiel hat entweder keine Portale oder sie geht "markenlos" vor, ohne auf Ästhetik und Design zu achten. Wir müssen auch darüber nachdenken, was "Portal" für die Banken selbst bedeutet. Einige mittlere bis große Privatkundenbanken haben beispielsweise ein zersplittertes Produktportfolio, und das Portal ist der Ort, an dem alle diese Produkte zusammengeführt werden.