Aufrufe
vor 11 Monaten

KINOTE 01.2020

Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

16 01 | 2020 01 |

16 01 | 2020 01 | Bedeutung von Data Analytics bei Bankenkunden in % (n=65) … Gegenstand geplanter Investitionen. 75,0 … wichtiger Bestandteil unserer Management-Agenda. 72,9 .. ein Thema, für das wir eigene Kompetenz aufbauen. 68,9 … zentraler Ansatzpunkt zur Realisierung eines USP. 66,7 … schon konkret für unsere Kunden erlebbar. 47,9 … schon konkret für unsere Mitarbeiter erlebbar. 45,8 Stimmt genau Stimmt teilweise Stimmt eher nicht Stimmt gar nicht Quelle: Horn & Company. und Verfahren kommen dabei in den unterschiedlichsten Kombinationen zum Einsatz, von einfachster Stochastik bis zur Entwicklung genetischer Algorithmen. Es ist daher unerlässlich, eine gewisse Systematik von Analytics zu entwickeln, um die damit verbundenen Ziele formulieren zu können. Aus fachlicher Sicht lässt sich der Nutzen von Data Analytics (DA) unter vier wesentliche Fragen einordnen: ■ Dient DA der Effizienzsteigerung von Prozessen durch Optimierung und Automation? ■ Dient DA der Wachstumssteigerung von Umsätzen und Erträgen durch Up- und Cross-Selling? ■ Wird durch DA die Kundenzufriedenheit über „Wow- Effekte“ gesteigert? ■ Werden durch DA Risiken besser vermieden und austariert? Diese Nutzenkategorien finden sich in allen Bereichen einer Bank wieder – im Vertrieb, im Betrieb und in der Steuerung. Die Anwendungen, in denen Data Analytics den erhofften Nutzen erzielen sollen, werden in sogenannten Use Cases beschrieben. Dies hilft gleichartige Themengebiete, ähnliche analytische Anforderungen oder auch gleichartige Datenanforderungen zu erkennen und sinnvoll zusammenzufassen. Nur so ist eine effiziente Implementierung von Data Analytics in der Bank möglich. Erfolgsfaktoren einer Smart-Data-Analytics- Strategie Data-Analytics-Strategien der ersten Generation haben im Zug des Big Data Hype typischerweise eine Reihe wertvoller Architektur- und Governance-Blaupausen beinhaltet. Ausgangspunkt waren große Datenmengen in schwach strukturierter Form wie Logfile-Daten oder Social-Media-Daten. Herkömmliche Business-Intelligence-Systeme konnten diese nicht effizient verarbeiten. So entstand das Konzept des Data Lake, als Ergän-

01 | 2020 17 zung zum klassischen Data Warehouse bzw. zu den Data Marts. Moderne Data-Analytics-Strategien müssen Leitplanken setzen zum Aufbau deutlich stärker nutzenorientierter Anwendungen. Dazu ist es notwendig, den Blick auf die Strategie aus deutlich höherer Perspektive zu treffen und die Fachziele in den Mittelpunkt zu stellen. Trotzdem muss klar werden, was zu Data Analytics gehört und wie mit Ideen in diesem Kontext umgegangen wird. Neben gesetzlich regulierten Governance-Anforderungen werden mehr und mehr auch ethische Aspekte und Gedanken zur Nachhaltigkeit dabei relevant. Unabhängig davon werden aber auch weiterhin architektonische Richtlinien und Werkzeugkoffer wichtig sein. Ein weiterer zentraler Erfolgsfaktor für die Definition einer Data-Analytics-Strategie ist die Wirkweise der Daten. Diese können als Werkzeug oder auch Treiber bzw. sogar als Enabler des Use Cases benutzt werden. Im Vertrieb können Daten beispielsweise helfen, den Kunden besser zu verstehen, um seine Lebenssituation einschätzen zu können, seine bevorzugten Kanäle und Kontaktzeiten zu kennen oder auch die richtige Tonalität in der Ansprache zu wählen. Sie sind in dem Kontext als Werkzeug zu verstehen.

die bank

© die bank 2014-2020