Im Zeitalter der Digitalisierung entscheiden vor allem Wissensvorsprünge über den geschäftlichen Erfolg. Die Kunst besteht darin, Big Data in Smart Data zu verwandeln. Banken stehen Informationen in nie gekannter Größenordnung zur Verfügung. Viele Akteure sind allerdings überfordert, daraus nützliche Erkenntnisse zu gewinnen. Fintechs schaffen es häufig besser, strukturierte und unstrukturierte Daten maschinenlesbar zu erkennen, auszuwerten und aufzubereiten.
Selbstlernende Algorithmen
Um diese Aufgabe bewerkstelligen zu können, werden kognitive, also selbstlernende Algorithmen benötigt. Solche Algorithmen gibt es bereits, etwa die Spracherkennungssoftwares Google Now oder Siri. Für Banken würde eine entsprechende selbstlernende Analysesoftware die Möglichkeit eröffnen, ihren bereits vorhandenen eigenen Datenbestand sowie neu gesammelte Daten wesentlich effektiver zu nutzen. Sie können Korrelationen im Kundenverhalten mit bestimmten Merkmalen aufdecken oder ähnliche Kundengruppen mittels Clusteranalyse identifizieren.
Durch die Kombination des Plattformkonzepts mit selbstlernenden Algorithmen können Banken Smart Data erzeugen. Konkret: Sie gewinnen aus dem eigenen Datenbestand heraus nützliche Erkenntnisse. Daraus entstehen neue Produkte und Dienstleistungen, von denen die Kunden vielleicht noch nicht einmal ahnen, dass sie diese nachfragen würden. Auf der Walled-Garden-Plattform werden dem Kunden die neuen Angebote empfohlen – ebenfalls auf Basis von Smart Data, erzeugt durch Algorithmen. Das Vorgehen ist vom Online-Versandhändler Amazon hinlänglich bekannt.
Die gewonnenen Erkenntnisse nützen den Banken auch intern, etwa bei der Bewertung der Bonität des Kunden. Die Institute könnten die Automatisierung der Prüfverfahren bei Kreditanträgen vorantreiben und so effizienter und gleichzeitig schneller im Sinne des Kunden arbeiten.
Fachkräftemangel und Datensicherheit – zwei große Herausforderungen
Derartige Data-Mining-Methoden sind nicht einfach umzusetzen. Vor allem wird sich der Kampf der Unternehmen um geeignete Fachkräfte weiter verschärfen. Relevante Wissensgebiete sind hierbei die verschiedenste Teildisziplinen der Psychologie, Mathematik und Informatik – von den Verhaltenswissenschaften über die Statistik, die Algorithmik, Kryptographie und Robotik bis hin zur künstlichen Intelligenz.
So faszinierend die Möglichkeiten sind, die sich aus dem Einsatz von Data-Mining-Methoden ergeben, so groß sind die Bedenken. Die Antworten auf typische Fragen zur Datensicherheit, stehen heute stärker im Fokus öffentlicher Diskussionen als jemals zuvor. Big Data und folglich auch Smart Data werden spätestens seit Edward Snowden äußerst kritisch betrachtet, nicht nur bei außereuropäischen Bankinstituten. Das Vertrauen der Kunden, das deutsche Banken bisher besitzen, ist insofern ein sehr wertvolles Gut und darf nicht aufs Spiel gesetzt werden. Das ist zwar eine Herausforderung, aber nicht zwangsläufig ein Nachteil. Immerhin geben in Befragungen knapp die Hälfte befragter Bankkunden an, individualisierte Angebote auf Basis der Auswertung ihrer Daten gewöhnt zu sein. Damit steht die Bankenbranche deutlich besser da, als andere.
Es gilt daher nicht nur, die formale Erfüllung gesetzlicher Anforderungen (Compliance) nachzuweisen, sondern dabei das Interesse der Kunden und ihren Nutzen in den Vordergrund zu stellen. Das gelingt vor allem durch gelebte Transparenz. Kunden wollen verstehen, wie die ihnen angebotenen Services zustande kommen, auf welche Art ihre Daten dafür genutzt werden. Idealerweise finden sie dabei auch Möglichkeiten zur Einflussnahme. Die neue EU-Datenschutz-Grundverordnung gibt schon heute wertvolle Hinweise, auch wenn sie erst 2018 die bisher gültige EU-Datenschutzrichtlinie 95/46/EG und nationales Datenschutzrecht ersetzen wird.
Wenn es deutschen Banken auch künftig gelingt, ihren Kunden glaubhaft zu machen, dass bei ihnen ihre Daten sicherer aufbewahrt und nur in ihrem Interesse genutzt werden, können sie diesen Vertrauensbonus weiterhin in einen Vorteil im Wettbewerb mit Anbietern aus Übersee ummünzen.
