Wie sieht eine zukunftsfähige Datenstrategie für Banken aus?


Wie sieht eine zukunftsfähige Datenstrategie für Banken aus?

Interview mit Katharina Schüller, CEO von STAT-UP

Frau Schüller, was ist für Sie das Faszinierende an Daten?

Nackte Daten sind völlig uninteressant. Davon bin ich überzeugt, obwohl wir immer häufiger von Daten als dem „Öl des 21. Jahrhunderts“ sprechen und darin ganz viel Wahrheit steckt. Erstens sprudeln Daten heute wie Öl, zweitens finden wir immer neue Formen und Anwendungsmöglichkeiten. Aber drittens, und das ist entscheidend, sind Daten bloß ein Rohmaterial, genau wie Öl.

Niemand will eine Ölquelle in seinem Vorgarten, sondern wir sind fasziniert vom Wert, der sich daraus erschaffen lässt – und das sind weder Benzin noch Plastikverpackungen – das wäre zu kurz gedacht. Sondern es geht um die Erfüllung von Bedürfnissen: Mobilität. Oder Hygiene und Frische. Auch Daten sind nicht das Ziel, genauso wenig wie Statistiken. Das Ziel ist der Wertbeitrag, den Daten für bessere Entscheidungen liefern, weil wir aus ihnen Wissen gewinnen können. Das setzt aber voraus, dass wir die Ergebnisse von Datenanalysen in Kontext setzen und interpretieren. Und diese Interpretation ist nicht Teil der Daten – Daten und die Bedeutung von Daten sind zwei Paar Stiefel.

Welche Chancen bietet Smart Data und Analytics?

Daten gab es allerdings schon immer und Datenanalyse ist auch keine neue Erfindung. Trotzdem gelten Daten als der Rohstoff des 21. Jahrhunderts. Wert aus Daten zu schöpfen, ist jedoch weit weniger einfach, als es den Anschein hat. Schätzungen großer Beratungsunternehmen besagen, dass rund drei von vier aller Analytics-Projekte scheitern und dass fast 90 Prozent der Daten in Unternehmen brachliegen und niemals ausgewertet werden. Allein amerikanischen Unternehmen entstehen jährlich mehrere Hundert Milliarden Dollar Kosten aufgrund schlechter Datenqualität. Mit der Digitalisierung bekommen Themen wie „Daten“, „Datenmanagement“ und „Gewinnung von Erkenntnissen aus Daten“ aber eine immer größere Bedeutung. Smart Data meint in diesem Kontext, dass Daten so bereinigt und aufbereitet wurden, dass sie optimal geeignet sind, um Fragestellungen aus der realen Welt zu beantworten. Das heißt, es geht hier nicht mehr um Rohstoff, der an manchen Stellen Lücken enthält und an anderen überflüssigen „Datenmüll“; Smart Data kann man direkt weiterverarbeiten. Analytics liefert dann die passenden Werkzeuge, um aus Smart Data das Maximum an Information herauszuholen.

Schauen wir auf die Bankenbranche: Wie kann diese von Data Analytics profitieren?

An Data Analytics werden hohe Erwartungen geknüpft. Aber entscheidend ist die Datenkompetenz einer Bank als ganz zentraler Baustein einer Datenstrategie. Sie beeinflusst, ob Data Analytics zu relevanten und nutzbaren Ergebnissen kommt, die wichtigen strategischen Zielen einer Bank dienen können: erstens der nachhaltigen Ausrichtung an den Kundenbedürfnissen, z. B. weil Data Analytics hilft, Kunden besser zu verstehen und passgenaue, datenbasierte Produkte und Serviceangebote zu entwickeln. Zweitens der Unterstützung strategischer Unternehmensentscheidungen, etwa hinsichtlich neuer Märkte und Kundengruppen, und schließlich drittens der Verbesserung der Wirtschaftlichkeit durch eine Kosten-Nutzen-Optimierung des Angebots, durch eine präzisere und zuverlässigere Risikobewertung und durch die Steigerung der operativen Leistung.

Welche konkreten Anwendungsbereiche sehen Sie hier?

Der „gläserne Kunde“ geistert inzwischen als Schlagwort durch die Bankenbranche. Eigentlich ist das ein ziemlich unpassender Begriff, denn nur weil man in den Kunden „hineinschauen“ kann, heißt das noch nicht, dass man das Richtige sieht und vor allem: die richtigen Schlüsse daraus zieht. In den vorhandenen CRM-Daten über Bestandskunden und den vorhandenen Informationen zu Bank- oder Versicherungsprodukten stecken allerdings häufig sehr aufschlussreiche Muster, die es mit Hilfe von Data Analytics zu entdecken gilt. Besonders spannend ist hierbei die mögliche Rolle von sogenannten selbstlernenden Algorithmen. Beispielsweise könnte man Anwendungen entwickeln, die ein automatisiertes, datengetriebenes Marketing für eine bestimmte Kundenzielgruppe oder Produktgruppe per E-Mail oder postalischem Brief einleitet. Das Ziel ist, hochgradig automatisiert neue Umsätze durch die Zusage eines weiteren Kredits oder den Abschluss einer weiteren Versicherung zu tätigen, ohne andere Produkte zu kannibalisieren oder Kunden abzuschrecken.

Was raten Sie Banken, die zwar Data Analytics in verschiedenen Bereichen einsetzen, aber noch keine integrierte Datenstrategie haben?

Eine integrierte und nachhaltige Datenstrategie muss auf zwei Ebenen auf der Höhe der Zeit sein. Zum einen gilt es, die fachlich-inhaltlichen Fähigkeiten dauerhaft auf konkurrenzfähige Lösungen, Produkte und Dienstleistungen auszurichten. Dabei zeigt sich Datenkompetenz nicht an Ergebnissen isolierter Leuchtturm-Projekte, sondern an der Fähigkeit der Organisation, Daten als Rohstoff des 21. Jahrhunderts systematisch in Wert zu verwandeln. Dafür braucht es in den meisten Banken einen drastischen Veränderungsprozess, der die Organisation und die Infrastruktur, die Führung und die operative Umsetzung betrifft. Es braucht eine „Daten-DNA“ aus Regeln, Rollen und Arbeitsweisen, die alle Unternehmensbereiche und alle Hierarchien durchdringt. Ich rate deshalb dringend, sich damit auseinanderzusetzen, wie man die organisationalen und infrastrukturellen Rahmenbedingungen schaffen will, um die Daten aus den Silos der einzelnen Abteilungen herauszuholen. Denn erst auf durchgängig verknüpften Daten lassen sich die Stärken von Data Analytics voll ausspielen.

Lassen Sie uns einmal in die Zukunft schauen: Welche Rolle werden Daten in 5 oder 10 Jahren spielen und welche Technologien werden wir im Kontext von Daten einsetzen?

In Zukunft wird Datenkompetenz im Sinne einer umfassenden „Data Literacy“ eine Schlüsselkompetenz sein, an der kein Mitarbeiter einer Bank mehr vorbeikommt. Das gilt vom Azubi über den Kundenberater bis hin zum Vorstandsmitglied. Jeder einzelne braucht eine wenigstens grundlegende Vorstellung davon, wie die Antworten auf folgende vier Fragen in Zusammenhang mit der Geschäftstätigkeit einer Bank lauten: Was will ich mit Daten machen? Was kann ich mit Daten machen? Was darf ich mit Daten machen? Und schließlich: Was soll ich mit Daten machen, um positiven Einfluss auf das Ökosystem – den einzelnen Kunden, Mitarbeiter, Lieferanten, aber auch die Gesellschaft als Ganzes – zu haben. Datenethik wird sich also vom bloßen Schlagwort zu einer sehr konkreten Roadmap entwickeln, etwa bei der Herausforderung des „Impact Investing“. An Technologien erwarten uns große Veränderung insbesondere bei der Verarbeitung unstrukturierter Daten – Sprache, Bilder, Videos. Dort wird Künstliche Intelligenz heute noch ungeahnte Möglichkeiten eröffnen, etwa wenn es darum geht, Beratungsgespräche live zu analysieren und Empfehlungen abzugeben.

Und vielleicht noch zuletzt eine Frage zum aktuellen Pandemiegeschehen, das uns alle beschäftigt: Können Sie einschätzen, wie sich die Pandemie im Winter entwickeln wird, und kann uns Data Science dabei helfen, die Pandemie zu bewältigen?

Eigentlich mangelt es uns nicht an Data Science. Es mangelt uns an guten Daten. Deswegen ist die Hauptrolle von Data Science, zugegebenermaßen etwas überspitzt formuliert, schlechte Daten notdürftig zu „reparieren“. Also Lücken zu schließen und Verzerrungen auszugleichen, damit wir wenigstens einigermaßen entscheidungsrelevante Indikatoren ermitteln können. Man darf eben auch die Rolle von Daten und Statistik in einer Krisensituation voller Unsicherheit nicht überschätzen. Sie liefern uns Leitplanken, die aufzeigen, was schlimmstenfalls eintreten kann, aber sie nehmen niemandem die Verantwortung ab, unangenehme Entscheidungen zu treffen. Manchmal habe ich den Eindruck, die Politik wünscht sich eine einzige, einfache Kennzahl, die eindeutige Handlungsanweisungen impliziert, damit sich hinterher keiner rechtfertigen muss. Das ist einfach eine Illusion. Ich persönlich glaube, die Welle ist noch lange nicht gebrochen. Und ich wünschte, wir kämen weg von einer kleinteiligen Diskussion darüber, ob man den Daten nun im Detail trauen kann oder nicht, und hin zu einer vernünftigen Bewertung von Risiken und Unsicherheiten. Aber das erfordert Datenkompetenz, die ich leider nach wie vor schmerzlich vermisse.