THINK Blog DACH

Union Investment: Datenanalyse im Finanzsektor – Know-Your-Customer
September 16, 2021

Die eigenen Kunden kennen, deren Wünsche antizipieren und daraufhin passende, attraktive Produkte entwickeln, sind eine selbstverständliche Übung für jedes Unternehmen – so möchte man...

Die eigenen Kunden kennen, deren Wünsche antizipieren und daraufhin passende, attraktive Produkte entwickeln, sind eine selbstverständliche Übung für jedes Unternehmen – so möchte man meinen. Denn schwieriger wird es, wenn ein Unternehmen gar keine direkten Kunden hat. Union Investment, die Fondsgesellschaft der Volks- und Raiffeisenbanken in Deutschland, ist genau mit dieser Situation konfrontiert, und zwar nicht erst seit jüngerer Zeit. Traditionell agiert Union Investment im Hintergrund und ohne eigenen Direktvertrieb. Diesen übernehmen die knapp 800 Volks- und Raiffeisenbanken in Deutschland. Sie verfügen über die Kundenkontakte, ihre Beraterinnen und Berater informieren zu den Vorsorgeprodukten und Finanzanlagen, sie wissen, was Kunden wollen und auch, was nicht. Wie aber kommt Union Investment an diese Informationen? Die – naheliegende – Antwort: Datenanalyse.

Mit Datenanalyse detaillierte Erkenntnisse gewinnen

Genauer gesagt: Die Analyse der vorliegenden Daten in anonymisierter Form aus dem Beratungs- und Verkaufsprozess, aus allgemeinen Marktanalysen, aus eigenen und aus Drittquellen. Auf der Grundlage dieser Daten, gepaart mit den richtigen KI-Modellen auf Basis von IBM-Daten und KI-Technologien, zum Beispiel mit der Software SPSS Modeler und SPSS Statistics, aber auch Python und R hat Union Investment ein Data-Analytics-as-a-Service-Angebot entwickelt, das sie den Volks- und Raiffeisenbanken zur Verfügung stellt.

IBM_Datenanalyse_1_500px

Mit Hilfe dieses Angebots können die Banken ihren Kunden individuelle Lösungen zur Geldanlage anbieten – von der persönlichen Altersvorsorge über Ansparlösungen bis zum Vermögensaufbau. Die vielfältigen Möglichkeiten von Datenanalyse as-a-Service ermöglichen detaillierte Erkenntnisse zur Kundensegmentierung, zum Potential der Kunden und komplexe Affinitätsanalysen, um die Finanzbedürfnisse der Kunden exakter einzuschätzen und vorherzusagen. Zudem lassen sich individuelle Bewertungen zu regionalen Besonderheiten (zum Beispiel städtische versus ländliche Regionen) erstellen, um die damit einhergehenden unterschiedlichen Kundenbedürfnisse besser zu befriedigen.

Datenschutz und Sicherheit sind der Schlüssel zu Daten- und KI-Projekten

Für Unternehmen im Finanzdienstleistungssektor ist die Sicherstellung, dass Daten und KI-Modelle einer geordneten Governance unterliegen und erklärbar sind, der Schlüssel, um mehr Vertrauen in geschäftliche Vorhersagen und Ergebnisse aufzubauen und mehr Tranzparenz zu bieten.

Thomas Fender, Leiter des Bereichs bei Union Investment und „Mitarbeiter der ersten Stunde“, lenkt die Aufmerksamkeit auf diesen Aspekt: „Um Vertrauen in die Ergebnisse aufzubauen, ist es entscheidend, zu verstehen, wie ein KI-Modell zu einem bestimmten Ergebnis und auf Basis welcher Faktoren gekommen ist. Die Qualität der Daten und auch die Qualität des Modells zur Datenanalyse können die Belastbarkeit der Aussagen erheblich beeinflussen.“

IBM_Datenanalyse_2_500px

In diesem Kontext hat sich besonders eine bereits sehr frühzeitig getroffene Weichenstellung als richtig erwiesen: Die Entscheidung, die Einheit Datenanalyse direkt im Fachbereich anzusiedeln. So kann fachlich geprüft werden, welche Daten welche Variablen inhärent mitbringen und welche Aussagekraft sich ableiten lässt. Eine weitere wichtige Abgrenzung ergibt sich aus ethischen Fragen, wie mit verfügbaren Daten nach Ansicht des genossenschaftlichen Volks- und Raiffeisenbundes umzugehen ist, etwa der Nicht-Einbeziehung von Social-Media-Analysen. „Nicht alles, was auswertbar ist, muss auch zwingend ausgewertet werden – wir orientieren uns dabei ganz klar an unserem Verständnis eines fairen Umgangs mit unseren Kunden“, unterstreicht Fender. „Daten- und KI-Systeme müssen unter Berücksichtigung des Datenschutzes entwickelt werden und die Daten über den gesamten Lebenszyklus hinweg schützen, vom Training über die Produktion bis hin zur Governance.“

Diese Einstellung liegt auch der IBM sehr am Herzen: Lesen Sie hier die IBM Prinzipien zu vertrauensvoller KI:
https://www.ibm.com/watson/trustworthy-ai

Article Categories