Generative künstliche Intelligenz birgt ein enormes Potenzial für die Finanzbranche, aber ihre Umsetzung erfordert einen durchdachten Ansatz, der auf realistischen Erwartungen, einem soliden Datenmanagement und der Anpassung von Geschäftsprozessen beruht. Banken, die diese Herausforderungen erkennen und KI mit einer strategischen und flexiblen Denkweise angehen, werden gut positioniert sein, um einen bedeutenden Wettbewerbsvorteil zu erlangen. Der Schlüssel zum Erfolg liegt in zukunftsfähigen Fähigkeiten wie Agilität, Engagement und der Bereitschaft, zu lernen und sich kontinuierlich an neue Herausforderungen anzupassen.
Inhaltsübersicht
- Datenmonetarisierung vs. Qualität und Management
- Daten: Der Treibstoff für Organisationen - von Transaktionen zu Interaktionen
- Umsetzungsstrategie: Agilität, Organisatorischer Wandel, Innovationskultur
- Datenprodukte und die Rolle von Metadaten
Datenmonetarisierung vs. Qualität und Management
Finanzinstitute sammeln und verarbeiten täglich riesige Datenmengen, doch oft gelingt es ihnen nicht, deren Potenzial in großem Umfang auszuschöpfen. Dafür gibt es viele mögliche Gründe. Laut Michał Walerowski, AI & Data Solutions Manager bei Ailleron, ist eines der Hauptprobleme das Fehlen einer einheitlichen Sicht auf die Daten. Stephen Brobst, Chief Technology Officer bei Ab Initio Software, fügt hinzu, dass die Datenqualität - insbesondere aus dem Back-Office, z. B. Daten, die bei der Bearbeitung von Kreditanträgen verarbeitet werden - für eine effektive Monetarisierung oft unzureichend ist. Um dies zu ändern, müssten die Banken strengere Datenverwaltungssysteme einführen und Prozesse automatisieren, um die Qualität der Daten zu verbessern.
Es ist wichtig zu betonen, dass die von Banken verarbeiteten Daten keine unerschöpfliche Ressource sind - ganz im Gegenteil: Je mehr sie genutzt werden, desto wertvoller werden sie und desto mehr Erkenntnisse können sie liefern. In diesem Zusammenhang kann generative KI die Banken unterstützen, indem sie die Erstellung von Datenqualitätsregeln automatisiert, ein effektiveres Datenmanagement ermöglicht und den Weg für deren Monetarisierung ebnet.
Daten: Der Treibstoff für Organisationen - von Transaktionen zu Interaktion
Wirtschaftswissenschaftler bezeichneten Daten einst als das Öl des 21. Jahrhunderts, aber im Gegensatz zu Öl sind Daten eine wiederverwendbare Ressource. Vielmehr steigt ihr Wert, je mehr wir sie nutzen. Um diesen wachsenden Wert zu erschließen, müssen die Banken ihre Datenerfassung, -verwaltung und -überwachung disziplinierter gestalten und sicherstellen, dass ihre Herkunft nachvollziehbar ist und ihre Qualität kontinuierlich verbessert wird. Die Messung der Datenqualität sollte auch so tief wie möglich in die Datenlieferkette hineinreichen.
Laut Brobst sind die meisten Datenmängel nicht das Ergebnis von IT-Transformationen oder technischen Problemen, sondern werden in der Regel durch ineffiziente Geschäftsprozesse verursacht. Deshalb ist es wichtig, die Datenqualität in einem möglichst frühen Stadium zu bewerten. Es besteht ein wachsender Marktbedarf an Tools, die das Datenqualitätsmanagement automatisieren, Fehler identifizieren und sogar eine automatische Datenkorrektur durchführen können. Die Automatisierung dieser Aktivitäten ist von entscheidender Bedeutung, da die manuelle Messung und Verbesserung der Datenqualität in einer großen Bankumgebung nur sehr schwer zu skalieren ist.
In Wirklichkeit können wir generative künstliche Intelligenz einsetzen, um Datenqualitätsregeln zu erstellen, so wie wir auch Code schreiben oder in einer Fremdsprache kommunizieren können. Was die Erstellung von Datenqualitätsregeln angeht, so geht es bei Ab Initio einfach darum, einen Satz von Metadaten zu definieren.
Umsetzungsstrategie: Agilität, Organisatorischer Wandel, Innovationskultur
Im Bankwesen ist die Umsetzung eines Projekts, das die Fähigkeiten von GenAI nutzt, nicht nur eine technologische Herausforderung, sondern vor allem auch eine bedeutende organisatorische. Brobst weist darauf hin, dass die Auswahl der richtigen Technologie oft der einfachste Teil des Prozesses ist. Die eigentliche Herausforderung beginnt, nachdem die Lösung in Betrieb genommen wurde, und liegt im effektiven Management des organisatorischen Wandels. Ohne eine gut durchdachte Umgestaltung der Geschäftsprozesse und die aktive Beteiligung von Teams aus allen Abteilungen besteht die Gefahr, dass das Projekt seine Ziele nicht erreicht.
Agilität ist daher eine Schlüsselfähigkeit, die Organisationen kultivieren sollten, um erfolgreiche Projekte durchzuführen. Brobst betont, wie wichtig es ist, eine schrittweise Strategie zu verfolgen, die das Unternehmen allmählich seiner übergeordneten Vision näher bringt. Ein agiles Modell, das auf der Bereitstellung von inkrementellem Wert basiert, beschleunigt nicht nur die Ergebnisse, sondern ermöglicht auch eine bessere Anpassung an die sich verändernde Unternehmenslandschaft.

Laut Walerowski werden datenbezogene Projekte von den Unternehmensverantwortlichen oft als rein technische Initiativen wahrgenommen. Infolgedessen zögern die Unternehmensteams, sich zu beteiligen, und ziehen es vor, sich auf ihre alltäglichen Aufgaben zu konzentrieren. Die Realität sieht jedoch so aus, dass solche Projekte ohne Eigenverantwortung und aktives Engagement des Unternehmens kaum erfolgreich sein werden.
Um die Absichten der Kunden vollständig zu verstehen und das volle Potenzial der Daten für die Monetarisierung zu erschließen, muss man über die Analyse der grundlegenden Bankdaten hinausgehen. Grundlegende Bankdaten beziehen sich auf Transaktionsdaten, die die granularste Detailebene im traditionellen Bankgeschäft darstellen.
Datenprodukte und die Rolle von Metadaten
Es geht also nicht nur um die Finanztransaktion selbst, sondern auch um alle Interaktionen mit der Bank, die ihr vorausgingen - Recherchen auf der Website und im Mobile Banking, Gespräche mit Bankberatern, Besuche in der Filiale und alle Aktionen, die zur Eröffnung eines Kontos oder zur Abhebung einer Einlage führten. Bevor eine Zahlung, ein Kredit oder ein anderes Bankprodukt in Anspruch genommen wird, trifft der Kunde eine wichtige Entscheidung. Aus diesem Grund stellen führende Banken sicher, dass ihre Kontaktzentren und -kanäle vollständig ausgerüstet sind, um die gesamte Kundenreise bis zu dieser Entscheidung zu überwachen und zu unterstützen.
Es ist von entscheidender Bedeutung, all diese Aktivitäten entlang der Interaktionskette zwischen Kunde und Bank miteinander zu verbinden, damit die Datenintegration einen weitaus besseren Einblick in das Verbraucherverhalten bietet und letztendlich die Monetarisierung ermöglicht. Wenn wir über die Monetarisierung von Daten nachdenken, führt uns das natürlich zu einer Diskussion über datengesteuerte Produkte.
Schaffung von Datenprodukten, die interoperabel sind - und somit eine umfassendere Sicht aus der Perspektive von Risiko, Marketing, Finanzierung, Compliance und darüber hinaus bieten. Brobst unterstreicht die entscheidende Bedeutung des Datenproduktkonzepts. Das Herzstück eines starken Datenprodukts sind robuste Metadaten, die die Kerndaten umgeben und kontextualisieren. Unternehmen sollten sich bemühen, diese Metadaten sichtbar zu machen und sicherzustellen, dass sie zugänglich sind, damit jede Person im Unternehmen, unabhängig von ihrer Rolle, die Daten durch ihre Brille sehen und interpretieren kann.