Datenmonetarisierung im Banking (Teil 1)

“Banken sind die Institutionen mit den reichsten Datenschätzen”

Jürgen Rogg, BCG

Wenn es um die Monetarisierung von Daten geht, machen sie vor, wie es geht: die BigTechs Amazon, Google, Facebook, Netflix, aber auch innovative Zahlungsanbieter und FinTechs wie PayPal, Klarna oder Ant Financial. Was fällt auf? Unter den Unternehmen befindet sich keine Bank, zumindest keine traditionelle. Dabei sitzen Banken mit ihren Transaktions-, Identitäts- und daraus ableitbaren Lifestyledaten im Prinzip auf dem grössten Datenschatz von allen, den sie allerdings nicht heben – laut einer BCG-Studie werden gerade einmal 33 % dieser Daten tatsächlich auch verwendet. Die technischen Herausforderungen wie veraltete Kernbankensysteme und silohafte Datenstrukturen sind hinreichend dokumentiert, genauso wie ihre Lösungsansätze. Die Modernisierung von Kernbankensystemen oder das Einrichten eines unternehmensweiten Data Lakes sollen deshalb auch gar nicht Fokus dieses Beitrags sein. Dieser Beitrag konzentriert sich darauf, wie Banken Daten – bereits vorhandene und bisher noch unerschlossene – zur Erreichung ihres Geschäftszieles nutzen können: mit der Datenmonetarisierung, die Finanzdienstleistern laut einer Schätzung von PwC ab 2019 einen zusätzlichen Gewinn von 300 Milliarden Dollar pro Jahr einbringen könnte – vielleicht auch ein kleiner Anreiz, um die Lösungen auf der technischen Seite voranzutreiben.

Definition und Strategien von Datenmonetarisierung

Manch einer wird einwenden, dass Banken durch den Verkauf von Daten das Vertrauen ihrer Kunden verlieren werden, das einen wichtigen Wettbewerbsvorteil von Finanzinstituten darstellt; Datenmonetarisierung ist allerdings viel mehr als nur das Verkaufen von Daten an Dritte, das lediglich eine mögliche Strategie darstellt:

Definition von Datenmonetarisierung:
Unter Datenmonetarisierung verstehen wir alle Massnahmen zur Kostenreduktion und/oder Ertragssteigerung einer Unternehmung, die das unternehmensinterne oder -übergreifende Sammeln, Verarbeiten, Analysieren, Anwenden und/oder Verkaufen von internen und/oder externen Daten oder der aus ihnen gewonnenen Informationen beinhalten.

So gesehen ist bereits die klassische Kundensegmentierung eine einfache Art der Datenmonetarisierung, da Banken dabei Informationen über den Kunden nutzen, um unnötige Werbekosten zu vermeiden und den Verkauf von Bankprodukten zu steigern, indem potenzielle Interessenten angesprochen werden. Hierfür werden nur die Daten über die von den Kunden gekauften Bankprodukte sowie die soziodemographischen Merkmale der Käufer sowie potenzieller Interessenten benötigt, die eine Bank hält. Hierbei handelt es sich natürlich um einen recht simplen Anwendungsfall, der lediglich eine der vom CC Sourcing (2015) und vamsital (2017) beschriebenen sechs möglichen Monetarisierungsstrategien umfasst:

1. Data Collection
2. Reengineering
3. Service Profiling
4. Service Innovation
5. Monetization
6. Data Marketplace

Im ersten Beitrag der zweiteiligen Serie «Datenmonetarisierung im Banking» beschäftigen wir uns mit den ersten vier Strategien, die nur eine interne Nutzung der bankeigenen Daten vorsehen. Im zweiten Teil schliessen wir den Überblick dann mit den Strategien Monetization und Data Marketplace ab, die eine unternehmensübergreifende Datennutzung vorsehen.

1. Data Collection

Die erste Monetarisierungsstrategie kann als eine mögliche, wenn auch nicht zwingend notwendige, Vorstufe für viele fortgeschrittenere Anwendungsfälle innerhalb der anderen fünf Strategien betrachtet werden. Im Rahmen der Strategie Data Collection bietet ein Unternehmen seinen Kunden kostenlose Angebote oder Loyalitätsprogramme an, die den Zweck verfolgen, über die im Rahmen der normalen Geschäftstätigkeit anfallenden Daten hinaus weitere Kundendaten zu sammeln. Durch den Mehrwert, den ihm die angebotenen Services liefern, erhält der Kunde einen Anreiz zur freiwilligen Weitergabe zusätzlicher Daten oder zu einer längeren und häufigeren Nutzung online- oder mobile-basierter Technologien. Die so erhobenen Daten fliessen im Anschluss in die Realisierung einer der fünf folgenden Strategien ein. Ein bereits etabliertes Beispiel in der Finanzindustrie sind Personal-Financial-Management-Lösungen; durch den Mehrwert, den die Analyse des Ausgabeverhaltens und die Unterstützung von Budgetplanung und Sparvorhaben bieten, sind Kunden bereit, ihrer Bank zum Beispiel durch die Kategorisierung ihrer Ausgaben zusätzliche Einblicke in ihr Ausgabeverhalten zu bieten. Ein weiteres Beispiel ist die Kooperation der Allied Irish Bank mit VISA, durch die Kunden Rückzahlungen auf Einkäufe bei bestimmten Händlern erhalten und die Bank so Daten über die Effektivität von Werbemassnahmen sammelt (die sie dann im Rahmen der Strategie Monetization anonymisiert an die Händler weitergibt, aber dazu später).

2. Reengineering

Beim Reengineering werden die im Rahmen der regulären Geschäftstätigkeit oder der Strategie Data Collection gesammelten Daten zu Kunden und/oder Prozessen ausgewertet, um das bestehende Geschäftsmodell zu verbessern. Dazu lassen sich bereits einige Beispiele in unserem Newsletter zum Potenzial von Artificial Intelligence im Schweizer Banking finden, wo z. B. die Optimierung von Filialstandorten und Automatenbefüllung angesprochen werden oder die Auswertung von Investmentstrategien zum Aufdecken irrationaler, auf natürlichen menschlichen Denkfehlern basierender Entscheidungsmuster. Genauso können Daten zu Produktabschlüssen, -nutzung sowie Customer Feedback über alle Kanäle zur Verbesserung von Angeboten oder auch zur Stärkung bestimmter Kanäle herangezogen werden. Ein Beispiel aus der Versicherungsindustrie ist die Stärkung der Agenten und Broker durch die Bereitstellung von Tools zur Analyse des Geschäftsgangs oder zur Identifizierung und Bindung der wertvollsten Klienten. Eine Lösung für Broker in diesem Kontext ist z. B. die Plattform EB360 der AXA.

Da die Verbesserung des bestehenden Geschäftsmodells in Zeiten intensiven Wettbewerbs und ständiger Innovation fast schon eine Pflicht darstellt, wird die Strategie des Reengineering in der ein oder anderen Form in so gut wie jedem Unternehmen angewendet, wenn auch mit teils grossem Qualitätsunterschied und dementsprechendem Optimierungspotenzial. Hier gilt (wie auch bei jeder anderen Datenmonetarisierungsstrategie): Wer seine Fähigkeiten in den Bereichen Big-Data-Analytics und Artificial Intelligence am weitesten entwickelt hat, ist klar im Vorteil.

3. Service Profiling

Service Profiling meint die auf den Präferenzen der Kunden basierende Individualisierung von Produktangeboten sowie Cross- und Upselling. In einem ersten Schritt können dafür durchaus interne Daten herangezogen werden – womit wir wieder beim Anfangsbeispiel der Kundensegmentierung wären. Interessanter werden die Use Cases aber, je mehr externe Datenquellen in das Kundenprofil einbezogen werden, darunter z. B. Daten aus sozialen Medien, Online-(Kauf-)Verhalten oder Angaben zur GeoLocation. In der Versicherungsindustrie spielt das Autofahrverhalten eine besondere Rolle beim Design von Versicherungsverträgen, bei denen sich messbar sicheres Fahrverhalten in Prämienvergünstigungen übersetzt. Genauso werden in der Agrarversicherung Satellitenbilder von Feldern neben Daten zur Bodenbeschaffenheit und zum Wetter eingesetzt, um die Ernte je nach Bedarf abzusichern. Satellitenbilder kommen auch durchaus im Banking zum Einsatz, im Zusammenhang mit der Landwirtschaft beim Design von Investmentstrategien oder auch bei der Berechnung von Umsatzerwartungen bei Händlern durch die Analyse der Parkplatzbelegung, aber auch um den Zustand schwer zugänglicher Anlagen zu prüfen. Bei der Fraud Detection ist die Nutzung von Ortsangaben bereits seit längerem allgemein üblich.

---

Exkurs Datenquellen

Vom Standpunkt der Data Ownership aus betrachtet, stehen Banken potenziell zwei Arten von Daten zur Verfügung:

1. Interne Daten, die Kunden durch Interaktion mit der Bank generieren oder die im Rahmen der Ausführung von Geschäftsprozessen anfallen, darunter wie oben bereits erwähnt z. B.
   1. Identitätsdaten
   1. Transaktionsdaten (Typ, Volumen, Empfänger)
   1. Kundeninteraktionsdaten (Kanal, Dauer, Häufigkeit, Inhalt)
   1. Daten zur Prozesseffizienz/-effektivität
   1. Bereits vorhandene Analysen wie Risikoprofile, Kreditwürdigkeitsprüfungen, Anlagestrategien etc.

• Externe Daten, die die Bank teils kostenlos, teils kostenpflichtig von Drittparteien erwerben kann, um ihre internen Daten anzureichern, darunter vor allem
  • Daten der öffentlichen Verwaltung und statistische Analysen (z. B. Wirtschaftswachstum und gesamtwirtschaftliche Ausgabenanalysen, Baugenehmigungen, Hauseigentümer etc.)
  • Unternehmensberichte
  • GeoLocation Data (Gerätestandort, Satellitenbilder)
  • Social-Media-Daten sowie
  • Weitere je nach Anwendungsfall relevante Datensets

---

4. Service Innovation

Hat man einmal ein umfassendes Profil des Kunden erstellt, ist das Angebot neuer Services im Rahmen der Service Innovation eine logische Fortsetzung, da es so immer einfacher wird, bisher unbefriedigte Bedürfnisse zu identifizieren. Neben neuen Bedürfnissen ist Service Innovation aber genauso möglich, indem ein Angebot so angepasst wird, dass es neue Zielgruppen erreicht. Robo Advisors sind so ein Beispiel, die ohne die algorithmenbasierte Analyse von Börsendaten und Investmentstrategien (vielleicht künftig auch Social-Media-Daten im Rahmen der Sentiment Analysis) weniger vermögenden Investoren nicht zugänglich wären.

Es gibt allerdings noch eine völlig andere Art der Service Innovation im Zusammenhang mit der Datenmonetarisierung, die nichts mit dem Verkauf oder der Verwertung eigener Daten zu tun hat: das Anbieten von Analytics-Capabilities selbst. In diesem Bereich sind momentan vor allem Startups tätig, wie z. B. Upserve oder Cardlytics. Upserve bietet Händlern Analysetools, um das Ausgabeverhalten von Kunden besser zu verstehen und hilft ihnen dabei, ihre Erkenntnisse in entsprechende Marketingstrategien umzusetzen. Cardlytics unterstützt Unternehmen, wie z. B. die Bank of America, dabei, ihren Kunden Loyalitätsprogramme zu bieten, indem es genau wie Upserve das Ausgabeverhalten der Kunden analysiert und mit externen Daten wie der GeoLocation anreichert, um Kunden relevante Angebote von Händlern anzubieten. Natürlich muss nicht jedes Unternehmen alle Fähigkeiten zur Erbringung seiner Services selbst aufbauen. Es kann durchaus auch sinnvoll sein, eine Partnerschaft mit bestehenden Anbietern von Analyse-Fähigkeiten einzugehen. Diese Entscheidung sollte allerdings sorgfältig geprüft werden, denn wie beim Rohöl entsteht der eigentliche Wert der Daten durch die Verarbeitung zur nutzbaren Information. Momentan beobachten wir einen Trend zur informationellen Selbstbestimmung durch den Konsumenten. Je konsequenter dieser Trend in den nächsten Jahren rechtlich und wirtschaftlich umgesetzt wird, desto leichter werden Unternehmen mit dem passenden Wertversprechen an Nutzerdaten kommen können und desto mehr könnte die Datenanalyse im Vergleich zum Datenbesitz heute an Wichtigkeit zunehmen.

Vier Strategien zur Datenmonetarisierung haben wir in diesem Beitrag bereits angesprochen, die von Banken bereits im Rahmen unterschiedlicher Use Cases umgesetzt werden. Vor allem beim Service Profiling und der Service Innovation gibt es aber durchaus noch Entwicklungspotenzial. Im nächsten Teil schliessen wir den Überblick über die Datenmonetarisierung mit den etwas kontroverseren Strategien Monetization und Data Marketplace ab und machen einen kleinen Exkurs zum Thema Datenschutz.

Quellen

Auge-Dickhut, S. (2018). Artificial Intelligence im Schweizer Banking. Abgerufen von https://ccecosystems.news/artificial-intelligence-im-schweizer-banking/

bankenverband (2018). Nutzung von Daten im Spannungsfeld von Kundenmehrwert und Datenschutz. Abgerufen von https://bankenverband.de/media/files/Datenschutzverordnung
_Positionspapier.pdf

Barber, G. (2018). I Sold My Data for Crypto. Here’s How Much I Made. Abgerufen von https://www.wired.com/story/i-sold-my-data-for-crypto/

Botta, A., Digiacomo, N. & Mole, K. (2017). Monetizing data: A new source of value in payments. Abgerufen von https://www.mckinsey.com/industries/financial-services/our-insights/monetizing
-data-a-new-source-of-value-in-payments

Bundesverband der Deutschen Volksbanken und Raiffeisenbanken (2018). Genossenschaftliche FinanzGruppe integriert Identitätsplattform YES in ihren Identitätsdienst / Fiducia & GAD IT AG schließt Kooperationsvertrag mit YES. Abgerufen von https://www.bvr.de/Presse
/Alle_Meldungen/Genossenschaftliche_FinanzGruppe_integriert_Identitaetsplattform_YES_in
_ihren_Identitaetsdienst_Fiducia_and_GAD_IT_AG_schliesst_Kooperationsvertrag_mit_YES

CC Sourcing (2015). Strategien zur Verwertung von Kundendaten – Data as an Asset?

Der Bundesrat (1992). Bundesgesetz über den Datenschutz. Abgerufen von https://www.admin.ch/opc/de/classified-compilation/19920153/index.html

Ebert, N. & Widmer, M. (2018). Datenschutz in  Schweizer Unternehmen 2018. Eine Studie des Instituts für Wirtschaftsinformatik und des Zentrums für Sozialrecht. Abgerufen von https://www.zhaw.ch/storage/hochschule/medien/news/ebert-datenschutz-2018.pdf

Graf, H. (2018). Der Wert von Daten für die Finanzindustrie. Abgerufen von https://www.mds.deutsche-boerse.com/mds-de/ueber-uns/news-im-fokus/Der-Wert-von
-Daten-f-r-die-Finanzindustrie-1335402

Hancock, C. (2017). AIB to give cashback on some Visa card purchases. Abgerufen von https://www.irishtimes.com/business/retail-and-services/aib-to-give-cashback-on-some-visa
-card-purchases-1.3078549

Hansen, M.-H., Ulmer, S. (2017). Data Driven Insurance and Data Monetization – wie Einsen und Nullen die Versicherungsbranche revolutionieren. In A. Eckstein, A. Funk-Münchmeyer & A. Liebetrau, Insurance & Innovation 2017 – Ideen und Erfolgskonzepte von Experten aus der Praxis. Karlsruhe: Verlag Versicherungswirtschaft.

Libarikian, A., Javanmardian, K., McElhaney, D. & Majumder, A. (2017). Harnessing the potential of data in insurance. Abgerufen von https://www.mckinsey.com/industries/financial-services/our-insights/harnessing-the-potential-of-data-in-insurance?reload

Macheel, T. (2017). Banks are falling behind when it comes to understanding — and using — data. Abgerufen von https://tearsheet.co/data/banks-are-falling-behind-when-it-comes-to
-understanding-and-using-data/

Niklowitz, M. (2018). Quick Wins rechnen sich. Abgerufen von https://www.handelszeitung.ch/daten-monetarisierung-quick-wins-rechnen-sich#

Ocean Protocol Foundation (o. D.). The Ocean Protocol. Abgerufen von https://oceanprotocol.com/protocol/

Schweizerische Bankiervereinigung (o. D.). Privatsphäre und Datenschutz. Abgerufen von https://www.swissbanking.org/de/themen/informationen-fuer-privatkunden/privatsphaere
-datenschutz/privatsphaere-datenschutz  

Solid (o. D.). Solid Explained. Abgerufen von https://solid.inrupt.com/how-it-works

Strategy& (2013). The Data Gold Rush: Companies Need the Right Models and Capabilities to Monetize Data. Abgerufen von https://de.slideshare.net/strategyand/the-data-gold-rush-companies-need-the-right-models-and-capabilities-to-monetize-data

vamsital (2017). The Tao of Data Monetization in Banking and Insurance & Strategies to Achieve the Same… Abgerufen von http://www.vamsitalkstech.com/?p=4397