Datenmonetarisierung im Banking (Teil 2)

Einem Unternehmen sein Geld anzuvertrauen hat, wie das Wort schon sagt, viel mit Vertrauen zu tun. An erster Stelle muss ich darauf vertrauen können, dass mein Vermögen vor Betrugsversuchen geschützt ist und ich im Rahmen der Vertragsbedingungen immer darauf zugreifen kann. Ich muss aber auch darauf vertrauen können, dass meine Daten nicht an Dritte weitergegeben werden, denn es gibt kaum eine Datensammlung, die so viel über mich aussagt, wie meine Finanztransaktionen.

Im Rennen gegen FinTechs und BigTechs, von denen vor allem letztere in der Vergangenheit durch unzureichende Datenschutzvorkehrungen aufgefallen sind (z. B. Facebook), sehen Banken sich noch im Besitz eines Vertrauensbonus. Datenmonetarisierung ist daher ein heikles Thema; umso mehr, da damit oft ausschliesslich der Verkauf von Daten gleichgesetzt wird. Dass die Datenmonetarisierung auch die rein interne Datennutzung umfasst und welche Strategien intern zu Kosteneinsparungen oder Umsatzsteigerungen führen können, haben wir im ersten Beitrag der Reihe «Datenmonetarisierung im Banking» gezeigt. Im zweiten Teil geht es nun um die Strategien, bei denen Daten tatsächlich das Unternehmen verlassen: Monetization und Data Marketplace.

5. Monetization

Monetization ist die Datenmonetarisierung im engeren Sinn, d. h. der Verkauf von Daten an Drittparteien, der aus deren Sicht beispielsweise wieder dem Service Profiling dient. Wie ein solches Modell aussehen könnte, zeigen Hansen und Ulmer (2017) am Beispiel eines Versicherungsunternehmens. Dabei werden Daten zu Werbezwecken an eine Plattform verkauft, die die Versicherungsdaten mit Daten aus anderen Unternehmen und externen Quellen anreichert, um eine weitergehende Kundensegmentierung vorzunehmen. Auf Basis dieser Segmentierung bietet die Plattform den Versicherungskunden im Anschluss entweder selbst branchenfremde Produkte an oder sie verkauft die Daten aus ihrer Analyse an dritte Unternehmen, die dies tun (Abbildung 1).

Abbildung 1: Zusammenspiel von Daten- und Geldsträmen im erweiterten Ökosystem. Quelle: Hansen & Ulmer (2017)

Wenn es um den Verkauf von Daten geht, bestehen bei Banken oft grosse Bedenken, da sie den Vertrauensvorsprung, den sie bei ihren Kunden oft noch geniessen, nicht verlieren möchten. Auf freiwilliger Basis könnte das oben beschriebene Modell aber auch für Banken möglich sein. Nämlich dann, wenn der Kunde der Datenweitergabe nicht nur explizit zustimmen muss, sondern als Gegenleistung auch monetäre Vergünstigungen wie Preisnachlässe erhält und sich somit nicht als Produkt, sondern als Nutzniesser der Transaktion empfindet. Ein solches Beispiel bietet unter anderem das oben bereits angesprochene Cash-Back-Programm der Allied Irish Bank und VISA, da teilnehmende Händler anonymisierte Kundendaten erhalten, um die Ausgestaltung ihrer Angebote zu verbessern.

Im Prinzip muss es sich bei dem Gegenwert, den man für die Weitergabe der eigenen Daten erhält, aber gar nicht unbedingt um Geld handeln. Eine Variante der Strategie Monetization wäre zum Beispiel der Datentausch innerhalb einer Supply Chain oder – und hier wird es interessant – innerhalb eines Ecosystems. Ein Ecosystem bildet sich um eine gemeinsame Wertversprechung, unser sogenanntes Kernwertversprechen, das dann im Zusammenspiel von Konsumenten, Providern, Orchestrator(en) und Kontributoren durch die Erbringung unterschiedlicher, zum Kernwertversprechen passender Services befriedigt wird. Nicht nur der Orchestrator, jeder Teilnehmer des Ecosystems besitzt Informationen, die die gemeinsame Serviceerbringung und die Weiterentwicklung des Ecosystems bereichern könnten. Der Austausch dieser Daten könnte daher vor allem im Wettbewerb zwischen Ecosystemen zu einem entscheidenden Vorteil werden. Welche Daten dabei sinnvollerweise geteilt werden, welche Nutzungsrechte den einzelnen Teilnehmern eingeräumt werden und wie deren Einhaltung gehandhabt wird, sind dabei zentrale Fragen, die die Ecosystemteilnehmer untereinander klären müssen, um ein solches Modell zu ermöglichen. Mit einem Partner wie Amazon in der Rolle des Orchestrators, der mit der Zeit beginnt, selbst in die Geschäftsbereiche seiner Partner vorzudringen, wird das kaum möglich sein. Wo wir wieder beim Thema Neutralität und Vertrauen wären.

6. Data Marketplace

Kommen wir nun zur sechsten und letzten Strategie, dem Data Marketplace. Denkt man die freiwillige Datenweitergabe als Gegenleistung für monetäre Vergünstigungen wie Rückzahlungen oder Prämienverbilligungen weiter, gelangt man schnell zu einem Modell, in dem der Kunde seine Datensätze über eine Plattform selbst einsehen, anreichern und zu Geld machen kann. So behält der Kunde zum einen die Entscheidungshoheit darüber, welches Unternehmen seine Daten erhält und nutzen darf, und erhält eine entsprechende Kompensation, womit dem aktuellen Trend Richtung informationeller Selbstbestimmung zumindest teilweise Rechnung getragen wird. Plattformen, bei denen man seine Daten im Gegenzug für Kryptowährung an Interessenten verkaufen kann, gibt es bereits mehrere. Ein Selbstversuch von Wired-Autor Gregory Barber führte im Dezember 2018 allerdings zu einem sehr verhaltenen Fazit, da die Vertrauenswürdigkeit und Sicherheit der einzelnen Anbieter vielleicht nicht unbedingt zweifelhaft, aber trotzdem alles andere als sichergestellt ist. Glaubt man an die Zukunft eines solchen Modells, wären Banken durch die staatliche Regulation eindeutig die besseren Orchestratoren und könnten als «Daten-Banken» agieren. Bei entsprechender Aufklärung darüber, wie die weitergegebenen Daten dann tatsächlich genutzt werden (z. B. in Form eines Online-Kurses), einer entsprechenden Kategorisierung von Drittparteien oder der Option, das Recht an der Datennutzung zeitlich begrenzt oder vielleicht im Rahmen eines Abonnements zu vergeben oder auch jederzeit zurückziehen zu können (obwohl da dann die monetäre Kompensation fraglich wäre), könnte eine Bank sich als Verwahrer und Orchestrator von Kundendaten positionieren. Das ginge auch in Richtung einer bankverwalteten digitalen Identität, auch wenn die genaue Ausgestaltung des Geschäftsmodells in enger Zusammenarbeit mit Konsumenten und staatlichen Stellen geprüft werden müsste. Ein Beispiel für die Entwicklung in Richtung eines digitalen Identitätsdienstes ist die im Dezember 2018 geschlossene Kooperation der Fiducia & GAD IT AG mit der Identitätsplattform YES, die die Online-Identifikation für Kunden der deutschen Volks- und Raiffeisenbanken wesentlich vereinfachen soll.

In diesem Bereich gibt es mit Solid des Web-Gründers Sir Tim Berners Lee sowie dem Ocean Protocol allerdings bereits zwei vielversprechende Wettbewerber, ersteren im B2C-, letzteren im B2B-Bereich. Solid hat es sich zum Ziel gesetzt, die Datenhaltung im Web wieder zu dezentralisieren und möchte es Nutzern ermöglichen, ihre Daten am Ort ihres Vertrauens zu platzieren und Apps lediglich einen Zugang für die Dauer der Nutzung einzuräumen. Der Speicherplatz kann sich zu Hause oder am Arbeitsplatz befinden oder bei einem (oder vielen) Online-Anbietern solcher sogenannten Solid PODs (Datenspeicherorte). Auch die Identifizierung mithilfe eines Solid PODs soll möglich sein. Da ein Verkauf von Daten augenscheinlich der Philosophie von Solid widersprechen würde, scheint eine solche Funktion unwahrscheinlich. Da der Wert einzelner Datensätze allerdings gering sein dürfte, stellt sich auch die Frage nach dem Mehrwert einer solchen Funktion.

Das Ocean Protocol ist eine blockchainbasierte Lösung, die es ermöglichen soll, gesamtgesellschaftliche Problemstellungen mithilfe von AI zu lösen, indem die Forschenden[1] die Möglichkeit haben, eine Lizenz für die Nutzung relevanter Datensätze unterschiedlicher Unternehmen zu erwerben oder diese Datensätze zu kaufen, sodass sie Zugang zu einer weitaus grösseren Datenbasis erhalten als dies ohne die Technologie möglich wäre.

Exkurs – rechtliche Überlegungen zur Datenmonetarisierung durch Banken

Auf dem Weg der Umsetzung der vorgestellten Strategien gibt es für Banken aber auch wesentliche Herausforderungen. In diesem Zusammenhang sind neben den technischen Voraussetzungen wie modernen Kernbankensystemen und einer ausreichenden Datenqualität und -verfügbarkeit über Unternehmensbereiche hinweg auch die Rekrutierung von Datenspezialisten, aber vor allem die rechtlichen Hürden im Rahmen des Datenschutzes zu nennen. Der Datenschutzgrundverordnung (DSGVO) der Europäischen Union, der sich das Schweizer Datenschutzgesetz (DSG) im Zuge seiner Revision voraussichtlich weitgehend annähern wird, liegen die Prinzipien der Datensparsamkeit und der Zweckgebundenheit zugrunde. Es dürfen erst einmal also nur solche Daten erhoben werden, die für die Erbringung eines Services unbedingt notwendig sind oder welche aufgrund einer gesetzlichen Vorlage gesammelt werden müssen. Grundsätzlich muss der Kunde über jegliche Nutzung seiner Daten informiert werden; möchte ein Unternehmen zusätzliche Daten verwenden, muss der Kunden über den Verwendungszweck in Kenntnis gesetzt werden und kann der Nutzung anschliessend zustimmen oder sie auch ablehnen bzw. die Zustimmung jederzeit widerrufen. Komplikationen bei diesem Modell ergeben sich schon allein dadurch, dass Kunden oft dazu tendieren, der breiteren Verarbeitung von Daten über einen eng definierten Zweck hinaus zu widersprechen, auch wenn sie den darauf aufbauenden Service gutheissen würden, wie das z. B. bei Social Media der Fall ist. Darüber hinaus sind vor allem im Rahmen der Entwicklung neuer Geschäftsmodelle nicht immer alle Verwendungszwecke im Voraus absehbar, sodass Kunden im Zweifelsfall mit sich ständig ändernden AGBs konfrontiert werden. Zusätzlich bestehen noch einige rechtliche Unklarheiten, die Banken aus Angst vor teils hohen Strafen von der Konzeption neuer Lösungen abhalten könnten. Solche Hindernisse sind weder sonderlich innovations- noch nutzerfreundlich. Gegenüber den europäischen Banken haben die Schweizer Banken mit vorwiegend lokalem Klientel allerdings noch den Vorteil, dass sie noch nicht vor vollendeten Tatsachen stehen, sondern den Entwurf zur Revision des Schweizer Datenschutzgesetzes prüfen und bei Bedarf vielleicht in Bahnen lenken können, die die im Positionspapier des deutschen Bankverbands angesprochenen Defizite der DSGVO abmildern oder sogar ausräumen können.

Fazit und Ausblick

Möglichkeiten für die Monetarisierung von Daten im Banking sowie Anwendungsbeispiele gibt es viele, die jeder Finanzdienstleister auch vor dem Hintergrund der für ihn relevanten regulatorischen Restriktionen prüfen sollte.

Strategie Definition Anwendungsbeispiele
1. Data Collection Angebot kostenloser Services zum Zweck der Erhebung zusätzlicher Kundendaten PFM; Loyalitätsprogramme (z. B. Allied Irish Bank/VISA)
2. Reengineering Auswerten interner Daten zur Verbesserung des bestehenden Geschäfts-modells Ressourcen-/Produktoptimierung; Kanalausbau/-stärkung (z. B. AXA)
3. Service Profiling Auswerten interner und externer Daten zur Individualisierung von Produkt-angeboten sowie Cross- und Upselling. Fraud Detection; Erstellung Anlagestrategie; Kreditvergabe; personalisierte Versicherung (Telematics)
4. Service Innovation Auswerten interner und externer Daten zur Erschliessung neuer Märkte. Robo-Advisors; Analytics-as-a-Service (z. B. Upserve, Cardlytics)
5. Monetization Weitergabe von Daten an Dritte für Geld oder sonstige Gegenleistungen (z. B. Daten). Werbeeinnahmen; Kundenanalyse (z. B. Allied Irish Bank/VISA); Datenaustausch im Ecosystem;
6. Data Marketplace Bereitstellen einer Plattform, auf der Konsumenten die Nutzung ihrer Daten verwalten können Verkaufsplattformen (z. B. Dawex, das Ocean Protocol) Identitätsplattformen (z. B. YES oder Solid)

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


[1] Der Begriff impliziert nicht die ausschliessliche Nutzung durch die Wissenschaft. Forschende können hier durchaus Unternehmen sein.

Tanja Hessel

Tanja Hessel arbeitet seit fünf Jahren als wissenschaftliche Hilfskraft beim Business Engineering Institute St. Gallen. Zu ihren aktuellen Tätigkeitsfeldern zählen der CC Ecosystems Newsletter, Recherche sowie die Vorbereitung der Partnerworkshops.
Tanja Hessel

Kommentar verfassen