Big Data im Wealth Management

Zahlreiche Finanzdienstleister haben in den vergangenen Jahren mit Big Data-Anwendungen experimentiert. Leider sind die Ergebnisse oft hinter den Erwartungen zurückgeblieben. Wie die Beratungsfirma MyPrivateBanking in der Studie „Big Data for Wealth Management – A Practical Guide for Successful Implementation” feststellt, achteten die Unternehmen bei ihren entsprechenden Vorhaben meist zu stark auf das “Wie” und zu wenig auf das “Warum”.

Deshalb sollte der Implementierungsprozess verändert werden. Der erste Schritt darf nicht im Identifizieren von Lösungen und Vertriebskanälen liegen. Vielmehr muss zuerst ein tatsächliches Bedürfnis festgestellt werden. Dann gilt es zu bestimmen, mit Hilfe welcher Datenbestände dieses aussagekräftig adressiert werden kann. Als letzter Schritt wird dann die Infrastruktur geschaffen.

Mit Big Data können Wealth Manager gleich mehrere wichtige Unternehmensbedürfnisse besser erfüllen:

1.) Bestehende Kunden besser bedienen: Big Data leistet einen Beitrag zur Kundenbindung, zum Loyalitätsaufbau und Erhöhung des Ertrags pro Kunde

2.) Neukunden-Identifikation: Besseres Targeting und gezieltere Ansprache von Neukunden und leichteres Onboarding von Neukunden

3.) Regulierung, Compliance, Risiko: Mit Big Data gelingt es Finanzdienstleistern besser, regulatorischen Vorgaben ebenso wie den Know your Customer-Anforderungen zu entsprechen. Auch bei der Identifikation von Risiken lassen sich diese Anwendungen einsetzen.

Auf dem Weg zu praxisgerechten Big Data-Lösungen sollten Unternehmen nicht nur praktische Tools wie eine Big Data Scorecard nutzen, sondern auch darauf achten, dass sich die angestrebten Anwendungen bedürfnisgerecht in das jeweilige digitale Ökosystem integrieren, betonen die Experten von MyPrivateBanking.

Kundensicht einnehmen und Silos aufbrechen

Vor allem sei es wichtig zu verstehen, welche Veränderungen sich aus Sicht des Kunden ergeben, wenn Big Data-Lösungen zum Einsatz kommen. Vor der Beschaffung externer, unstrukturierter Daten sollte ein Plan für deren Auswertung bestehen, um nicht umfangreiche, überflüssige Datenbestände zu schaffen. Ferner sollten die Organisationsstrukturen evaluiert werden, und Silos unbekümmert aufgebrochen werden. Bisherige Erfahrungen hätten klar gezeigt, dass siloartige Organisationsstrukturen eines der grössten Implementierungshindernisse für Big Data-Anwendungen seien. Die Beseitigung dieser Barrieren erleichtere die Transition zu einem faktenbasierten, datengetriebenen Geschäftsmodell.