Sven Krämer: Es spricht nichts dagegen, Inspiration aus anderen Branchen oder aus dem technischen Fortschritt zu ziehen. Wir beobachten aber zwei Dinge im Markt: Institute springen von der Inspiration direkt zur Umsetzung. Sie investieren in Technik ohne konkrete geschäftliche Problemstellungen zu identifizieren, die sie mit der Technik lösen wollen. Es fehlt der wichtige Zwischenschritt der Bewertung und der Priorisierung. Jedes Unternehmen, jedes Institut hat spezifische Herausforderungen und Potentiale, die sich mit Technik wie Datenanalytik erstmalig oder besser als bisher angehen lassen. Institute müssen zunächst ihre spezifische Probleme und vor allem die Erwartung an eine Lösung besser verstehen. Dann können sie einen oder mehrere passende Technik-Ansätze auswählen und umsetzen.

Das ist eine klare Warnung gegen Aktionismus an. Wie kann man ihn vermeiden?

Matthias Lehneis: Banken und Versicherer müssen Fehlinvestitionen aus reiner Begeisterung für Technologie vermeiden. Wir haben Kriterien entwickelt, anhand derer Institute abschätzen können, ob eine Anwendung von Datenanalytik eher erfolgreich sein wird, oder nicht. Und dieser Erfolg fußt auf konkreten Antworten auf Fragen wie: Adressiert der Anwendungsfall eine konkrete Problemstellung im Institut? Gibt es überhaupt etwas zu optimieren, etwa weil gängige Lösungen nicht ausreichen? Hat das Institut eine klare Erwartung von Nutzen und Kosten? zeb hat im Zuge vieler solcher Projekte grundsätzliche Bewertungskriterien für die Erfolgswahrscheinlichkeit von Anwendungsfällen entwickelt.

Gibt es Bereiche im Bank- oder Versicherungsgeschäft, die für Data-Analytics-Anwendungen mehr Erfolg versprechen als andere? Sollte man hier am besten anfangen?

Sven Krämer: Ja, definitiv. Nach unserer Erfahrung versprechen Anwendungen, die Institute in ihren internen Prozessen weiterentwickeln, den sichersten und schnellsten Erfolg – mit Sichtbarkeit in der Gewinn- und Verlustrechnung. Es geht um Automatisierung und Optimierung. Der Vorteil bei internen Prozessen ist, dass das Institut bei der Umsetzung die meisten Faktoren selbst kontrollieren kann. Und alle profitieren von den Verbesserungen – der Kunde durch schnellere Abwicklung, der Mitarbeiter durch Entlastung, die Bank oder Versicherung durch eine stabilere und auf Wachstum vorbereitete Organisation.

Gibt es Big Data-Ideen aus anderen Branchen, die überhaupt nicht zu Banken oder Versicherungen passen? Oder die man mit zumindest Vorsicht behandeln sollte?

Matthias Lehneis: Lösungen aus anderen Branchen passen nicht immer eins-zu-eins auf Probleme im Banking oder der Versicherungswirtschaft. Gerade der Einzelhandel arbeitet zum Beispiel schon sehr lange an Analysen von Warenkörben, um Kunden zielgerichteter Produkte vorschlagen zu können. Die besondere Herausforderung dabei ist, Millionen von Produkten mit Millionen von Kunden in Verbindung zu bringen. Banken und Versicherungen haben aber ein ganz anderes Problem: Sie haben im Vergleich zum Einzelhandel wenige Produkte, müssen eher die optimale Ausgestaltung für jeden Kunden finden. Die Analyseverfahren sind ganz andere. Institute sollten darauf achten, in die richtige Lösung zu investieren.