Dbdays Tag 2 «Denkansätze für die Bank der Zukunft»

Open Banking – ein Schlagwort, viele Begriffe, viele Meinungen und Ausprägungen. Aber was ist Open Banking denn überhaupt? Was treibt Open Banking an? Und welche Ziele verfolgen Banken damit? Maik Ludewig zeigt uns, wie Raisin/Weltsparen Open Banking lebt.

Einerseits treiben uns ganz klar neue Technologien mit APIs an. Auch die Regulierung, besonders seit diesem Jahr, erfordert Open Banking. Im Zentrum steht aber der Kunde, der erwartet, Daten in Echtzeit auszutauschen und Prozesse zu vereinfachen.

Gehen wir auf die Technologie ein. Im Zentrum von Open Banking stehen APIs als Verbindungsadern vernetzter Systeme.
Sie bilden die Schnittstellen, um Produkt-, Kunden- und Transaktionsdaten in Echtzeit auszutauschen.

Wozu? Um den Kunden einen echten Mehrwert zu liefern, und so als Bank und Anbieter an Relevanz zu gewinnen.

Ein Grossteil der Kunden ist längt im Online- und Mobilebanking angekommen, und nutzt mehrere Banken und Finanzdienstleister in Kombination, um seine Erwartungen zu erfüllen. Hier liegt das Potential aggregierter Angebote und Schnittstellen zum Kunden.

Nutzer legen im Kontext von Open Banking Wert auf immer dieselben Themen, die wir schon gestern gehört haben: Sicherheit, Vertrauen, Convenience oder leichte Nutzbarkeit, es muss schnell sein und natürlich einen Mehrwert bieten. Aber: Banken sollten sich auf das fokussieren, was der Kunde möchte.

Weltsparen nimmt auf der Plattform die vom Kunden besonders verlangte Themen auf. Es handelt sich um einen One-Stop-Shop für Sparen und Investitionen. Weltsparen hat drei APIs um das Onlinesystem.

1. Verbindet die Partnerbanken in die Plattform und kann Daten vollautomatisiert austauschen – oder auch manuell, sollte die Integration über APIs gescheut werden
2. Clients-/Länderplattforms verbindet Clients mit Onlinebankingsystem. Dahinter stehen Privat- und Geschäftskunden
3. Distributer API: Unternehmen wie B26 haben die Produkte von Weltsparen vollständig in die eigene App integriert.

Was Ludewig und Team unter API und Open Banking verstehen, ist auf Lessons Learned zurückzuführen.

Eine ist Convenience als neuer Treiber für Kundenloyalität. Raisin & Weltsparen stehen für eine neue Form der Convenience für Spar- und Investment-Kunden. Keep it simple ist ein Kernwert von Raisin.

Je gezielter die Dienstleistungen und Produkte, welche Banken anbieten = Höhere Schwelle, um sich bei einer anderen Bank oder einem anderen Wertpapierdienstleister zu einem etwas besseren Preis anzumelden.

Das zweite Learning ist Transparenz. Sie schafft Sicherheit und Vertrauen im Open Banking Kontext. Raisin löst dies mit umfangreichen Produktinformationen über gesetzliche Standards hinaus, keine Sternchentexte oder auch die Gebühren verstecken möchte. Geschulter und erfahrener Customer Care Service bietet direkte Kontaktmöglichkeit über Telefon, Mail. Die persönliche Komponente in einem volldigitalen Produkt erhalten zu lassen ist auch in einer digitalisierten Welt noch wichtig. Darum lebt Raisin auch die “Open Door Policy”, über die Kunden in den Erfahrungsaustausch gehen können. Raisin profitiert davon, da sie Themen von den Kunden erhalten, auf die basierend sie ihre Produkte oder Informationen weiterentwickeln können.

Das dritte Learning heisst „Tech Invest“. Raisin investiert rund 1/3 der Entwicklungskapazität in die Infrastruktur. Damit kann das Unternehmen den State-of-the-Art halten aber auch weiterzuentwickeln. Wenn kleine Teilprojekte laufend angegangen werden, können grosse und ressourcenintensive Migrationsprojekte vermieden werden. Über die geschaffenen und attraktiven Tech Stacks, werden Talente und Spezialisten angezogen; sie sind motiviert, das State of-the-Art auf das nächste Level zu bringen. Der Benefit für den Kunden ist die Geschwindigkeit.

Der Kunde ist bei der Entwicklung durch interatives Testing nahe dabei. Nicht nur Mitarbeitende haben die Kundenbrille auf, sie nehmen auch aktiv Kundenfeedback auf und machen sogar Research auch mit potenziellen Kunden. So können Prototypen getestet werden – verstehen Kunden den Sinn, was finden sie gut, wo liegt der Mehrwert in ihren Augen … Raisin arbeitet auch oft mit MVP = Minimal viable Product, um am Markt zu testen. Wenn es greift, wird das Produkt schrittweise weiterentwickelt und spricht mit dem Kunden über die einzelnen Iterationen und holt Requests ein.

Das fünfte Learning ist Adaption bzw. Flexibilität. Raisin möchte am Markt flexibel bleiben und sich kontinuierlich den neuen Bedingungen anpassen. Beispielsweise des verjüngen Kundenstamms. Dafür arbeiteten am Anfang Scrum Teams agil zusammen. Heute sind die Teams zu Cross-Funktionalen Squads zusammengesetzt, um das Produkt umzusetzen. Sie sind autonom und haben End-To-End-Verantwortung. Das hat positive Effekte auf die Motivation und die Produktivität der Mitarbeitenden. Die Mitarbeitenden sehen auch Change als Konstante und verankern ihn auch in die Unternehmenskultur. Das gesamte Unternehmen wird dadurch schneller. Weil: Alle möchten gemeinsam etwas schaffen.

Neben der Sicherung des Bestandsgeschäfts, der Schaffung von Kostensynergien, erhöhter Agilität durch End-to-End Digitalisierung und der Erschließung neuer Kundengruppen steht vor allem die Schaffung eines digitalen Ecosystems innerhalb der eigenen digitalen Bank oder durch ein strategisches Partnernetzwerk im Vordergrund.

Stefan Rossbach und Jana Ebner gestalten den Vortrag sehr interaktiv. Sie stellen Fragen ans Publikum, die wir auch gerne den Lesern stellen möchten:

Die Plattformökonomie ist der gewaltigste Umbruch für das Bankgengeschäft

79 % der Teilnehmenden stimmt dieser Aussage zu.

Zum Aufbau einer Plattform fehlen Banken (…) gleich mehrere Komponenten, wie Hardware, Software, Organisation, Kultur, soziale Netzwerke

Hier stimmen ganze 85 % der Teilnehmenden zu. Was bedeutet das?

Banken sind im Umfeld von Schlagworten wie zweiseitige Märkte, Open Banking, Marktplatz, Plattform, PSD2, … Sortieren wir die Begriffe mal ein bisschen aus.

Plattformen (technische und geschäftliche) sind offene Infrastrukturen mit gleichen oder ähnlichen Produkten/Dienstleistungen von verschiedenen Anbietern denken Sie an ein Supermarkt-Regal, in dem Sie Produkte zu unterschiedlichen Anbietern finden. Wir denken auch an Airbnb oder Uber.

Die Plattform bringt Hersteller und Nutzer zusammen.

Schätzfrage:

Wie viele Bestellungen gehen täglich bei Zalando ein?

Es sind täglich rund 300’000 Bestellungen.

Ökosysteme ist im Unterschied zur Plattform, dass verschieden Produkte ausgewählter Anbieter angeboten werden. Somit ist Partnermanagement sehr wichtig. Plattformen verfolgen oft das Ziel, auf das Kerngeschäft – Beispiel ImmoScout bietet Wohnungen auf – ein Ökosystem aufzubauen. So kann ImmoScout beispielsweise Angebote für den Umzugsdienst integrieren oder auch einen Malermeister.

Markplätze sind offen – jeder Anbieter, der die Bedingungen und Regeln einhält, kann teilnehmen. Darum haben Marktplätze verschiedene Produkte, von verschiedenen Anbietern zu verschiedenen Themen.

Welche strategischen Optionen haben denn Banken jetzt? Beispiel Amazon Banking: Amazon möchte nicht selbst zum Geldinstitut werden, stattdessen soll das Projekt zusammen mit etablierten Finanzdienstleistern angegangen werden.

Banken können der Lieferant sein oder ein Kurator.

Bei Lieferant wird der Vertrieb abgenommen, aber die Preise und Provisionen können extern festgelegt werden. Beim Kurator werden die Produkte zu liefern, aber man muss den Kunden gut kennen, damit der Verkauf funktioniert.

Welche strategische Option sehen die Teilnehmenden für ihre Bank als geeignet?

64% sehen einen hybriden Ansatz, gefolgt von der Rolle eines Produktlieferant (16%). Abgeschlagen ist der Kurator mit 10%

Banken, die ein Ökosystem aufbauen möchten, müssen folgende Hindernisse überwinden: Die Unternehmenskultur muss mitwachsen, die Belegschaft abgeholt und mitgenommen werden. Die Innovationskraft muss aufrechterhalten werden. Die IT Systeme werden komplex und die Prozesse müssen verschlankt werden, um mit der Entwicklung mitzukommen. und die Regulatorik, ja …

Wo sehen Sie die Haupthemmnisse beim Aufbau eines digitalen Ökosystems in Ihrer Bank?

39 % sagen in er Unternehmenskultur, 24 % in der IT, 18 % in der Innovationskraft, 8% Regulatorik, 7% in der Agilität. Aber wie können es Banken trotzdem schaffen?

• Frühzeitige Einbindung aller Beteiligten
• Workshops
• Aufbau separater IT-Systeme
• Ausgründung beim Thema Regulatorik

Am besten wird dies in vier Phasen ausgerollt.

In der Startphase sollte über Workshops die Idee und Strategie entwickelt werden und über den Nutzen und das Image des Ökosystems nachgedacht werden. Wenn die Strategie steht, kann in der zweiten Oase, der Expansionsphase, die ersten Unternehmen angebunden werden. Hier geht das Ökosystem live. Während des Livebetriebs werden immer weitere Unternehmen angebunden. Startups beispielsweise decken Nischen ab und erreichen sehr schnell grosses Wachstum. Grosse Unternehmen haben bereits eine grosse Kundenbasis, die sie mitnehmen. Umgekehrt haben Banken wichtige Assets, die sie austauschen können.

Hat das funktioniert, geht es in die Leadership Phase. Das Ökosystem ist so attraktiv, dass es eine Vormachtstellung erlangt. Das aber hauptsächlich durch eine tolle Customer Experience. Damit schaffen sich Banken Wettbewerbsvorteile.

Die Selbsterneuerungsphase erhielt die Relevanz des Ökosystems. mit schnellen Innovationszyklen aus der Leadership Phase können immer wieder neue Produkte entwickeln, die auf Trendanalysen basieren. Schlussendlich senken Ökosysteme die Kosten.

Trauen Sie sich als etablierte Institute etwas anzugreifen, was sie bisher noch nicht getraut haben.

Nehmen Sie die Mitarbeiter mit beim Aufbruch in die neue Welt. Nur mit den Mitarbeitern funktioniert der Umbruch.

Eine positive Customer Experience ist der Schlüssel zum Erfolg. Nur wenn der Kunde zufrieden ist und sich gut abgeholt fühlt, wird er wieder kommen und bleiben und neue Kunden mitbringen.

Bleiben Sie offen, flexibel und transparent, um die Geschwindigkeit in der Umsetzung neuer Ideen hoch zu halten.

Um relevant im Ökosystem zu bleiben muss der Kunde mit neuen Produkten ausgestattet werden.

Stillstand ist der Tod eines relevanten Ökosystems.

ENTERSEKT | SmartAlert

Uwe Härtel, Country Manager DACH, von Entersekt, präsentiert Compliance dank Smart Alert: Es ist ein sicherer Kanal zur Übermittlung von Nachrichten an Bankkunden. Das Unternehmen sichert 25 Mio. Nutzer mit Ihren Lösungen für Authentifizierung sowie Mobile-App-Sicherheit. Sie möchten die Sicherheit convenient gestaltet werden und das mobile first. Die Lösung ist ein zweiter, isolierter Out-of-Band Kommunikationskanal zwischen dem Mobiltelefon und der Bank. Die regulatorischen Anforderungen wie PSD2, DSGVO und auch MiFiD werden lückenlos erfüllt.

SmartAlerts können gemäss den Nutzerinteressen eingesetzt werden. Beispielsweise bei Aktienkursen. Der Nutzer authentifiziert sich über den Fingerprint und er sieht danach sofort die Alerts, wo der Aktienkurs steht.

Interessant ist auch der SmartAlert beim Erreichen von Kontolimits. Jeder versucht dies zu managen, die Lösung von Entersekt unterstützt dabei: sobald der Nutzer das Pop-Up erhält, kann er wiederum über die Authentifizierung auf seiner Oberfläche zugreifen, sieht wo allenfalls Aktionen nötig sind und diese direkt aus der App aus auslösen.

Die Mitteilungen sind auditierbar, was wichtig für MiFiD ist.

Entscheidend ist One Touch, ein separater sicherer Kommunikationskanal, die Integration via SDK, PSD2- und MiFid-Compliant und das in der Partnerschaft mit CREALOGIX entwickelt.

THREATMETRIX | Threatmetrix ID

Mike Yeardley von Threatmetrix zeigt, wie sie die Bankkunden während er online Customer Journey schützt. Finanzinstitute sind nämlich Ziel von Online-Fraud. Wie schützt Threatmetrix ID? Über die digitale Identity. Sie wird über den Nutzer gefüttert, seine Onlineaktivitäten – welche Filmschwerpunkte hat er auf Netflix beispielsweise – sind die Art von Informationen, die die digitale Identität verwendet.

Es braucht aber auch die Konsumenten-Identität über unterschiedliche Touchpoints in der Customer Journey – die aus der Crowd-Source stammt. Wichtig ist, dass der Nutzer die Informationen freigeben kann, die er möchte. ThreatMetrix ID baut eine Plattform mit Smart Authentification, Digital Identity Intelligence und Dynamic Decision Plattform. Diese reduziert die Reibungspunkte und vereinfacht die Prozesse für den Nutzer.

Der Vorteil ist vor allem, dass sie nicht nur Fraud sondern auch Fraud-Identity verhindert. Dadurch wird das Vertrauen in die Accounts gestärkt, die Integrität erhöht und das durch die Customer Journey.

Die digitale Transformation ermöglicht die Gestaltung der zukünftigen Betriebsmodelle der Vertriebe und Kundenberatungen von Banken und Versicherungen. So entstehen beispielsweise Angebote wie Hybride Beratung, wie Mariusz Bodek weiss.

Die hybride Beratung ist die BEgleitung des Kunden on- und offline. Der Kunden braucht noch menschlichen Kontakt für gewisse Finanzentscheide. Darum funktionieren komplett digitale Ansätze nicht. Der Kunde sieht durchaus Vorteile in der ONlineberatung, die Öffnugnszeiten der Bank beispielsweise speilen so keine Rolle mehr. In der hybride Beratung erhalten sie Flexibilität in der Abwicklung der Bankgeschäfte. Das steigert die Loyalität der Kunden vor allem auf Grund von persönlichen Kontakte und Beziehung, die trotzdem noch bestehen bleiben – die hybride Beratung wird zum Markenkern, zum wichtigsten und auch langfristigen Asset.

Die ComDirect setzt bei der digitalen Robo-Beratung beispielsweise auf die menschliche Beratung als Untersüttzung von Investitionsentscheiden.

Was für Kundentypen gibt es aber in der hybriden Beratung? Die Zone der Hybriden Beratung von Accenture zeigt ganz gut, dass die hybride Beratung in der Mitte der Kundenpräferenzen abspielt.

Die Entwicklung der hybriden Beratung ist die digitale Transformation. Die Teilnehmenden des Digital Banking Days sind gemäss eigenen Aussagen „Ok“ in der digitalen Transformation aufgestellt.

Digital Transformation ist nicht digitale Transformation.LEtztere beschreibt einen grossen fundamentalen Verädnerungsprozess – nicht nur im Unternehmen sondern auch privat. Die Erwarungshaltung der Produkte und Diesntleistungen ändert sich entssprechend auch. „Man kann also nicht hingehen und sagen, wir machen mal digital“. Die Herausforderungen in der digitalen Transformation sind enorm. sie bedeutet nicht nur Kundenzentriertung, wir haben noch weitere Dimensionen:

Es gibt drei treibende Kräfte in der digitalisierung ist die Dematerialisierung. Man überführt ein analoges Produkt in ein digitales.

die zweite Kraft ist, dass gewohnte Plattformen sich verändern – ein gutes Beispiel hier ist Amazon. Das Unternehmen macht 2/3 des Handelsvolumens in den USA aus. Wallmart als grossen Retailer ist vergleichsweise kleine.

Die dritte Kraft ist die disaggregation. Früher musste man beispielsweise ein Auto kaufen, um sich so zu bewegen. Heute können Autos gemietet und geteilt werden; der Kauf entfernt.

Das wichtigste Asset bei der Digitalisierung sind Menschen und Kultur. Digitalisierung muss kommuniziert werden, die MItarbeitenden müssen an die Hand genommen werden, die Ziele in verdaulichen Häppchen mitgegeben werden: Digitalisierung erfordert nämlich auch das fällen von schwierigen Entscheidungen wie den Shift von Jobs. Es wird aber nicht reichen, wenn nur ein paar Leute einen Workshop machen. Dadurch erreicht man nicht die Durchdringung, die wichtig ist, um den Weg zu gemeinsam und vor allem auch motiviert zu gehen und die Entscheide zu tragen.

Erreicht wird das durch die Reduktion von Komplexität; auch in der strategicshen Ausgestaltung. Leadership ist eine Kernfunktion dafür, eine ganz neue Kultur und auch Poduktkontext zu schaffen. Bei Banken ist es so dass Leadership mit Hierarchie gleichgesetzt wird. Wenn man hier einen Wertewandel unternimmt, hat das auch einen unternehmerischer Gedanke. Die Führungskräfte lassen die Mitarbeitenden Verantwortung übernehmen und selbstständig agieren. So liegen die Kompetenzen bei den Mitarbeitenden, die Spezialsiten in diesem Bereich sind.

Dafür braucht es aber auch Mut. Der Weg der Digitlaisierung ist gespickt mit viele Fragezeichen, um auch mit der Entwicklung fertig zu werden. hier muss man Mut aufbrigen, sich auch einen Zacken aus der Krone zu brechen,

Strategie ist das, was den meisten fehlt. Man muss isch zurücksetzen, sich von den Buzzwords lösen und prüfen, in welche Felder man rein möchte. Hier sind Unternehmensetnwicklungsabteilungen auf dem Plan zu rufen, die die Strategie steuern. Der Wettbewerb ist nämlich da und mit einer ausgereiften Strategie kann man sich davon abheben.

Digitale Trasnforamtion wird oft mit Cost Center gleichgesetzt. die transformation ist aber enorm teuer und verlangt auch Committment – sie ist ein Investment. Wenn man das im Hinterkopf behält, dann sollte digitaliserung als Investment in die Zukunft betrachten. Sie wird ertrag bringen.

Innvation ist natürlcih Teil dvon und man muss sie als geisteshaltung implementieren. Dabei sollte auch vieles nach dem Kunden ausgerichtet sein. Aber die Kundensicht löst nicht die herausforderungen, wie Vorgesetzte ihre Leute führen. Darum ist die Customer Experience nur eine Facette in der Digitalisierung und Digitalen Trnsformation, die beachtet werden müssen.

Madeleine Sander kam dank einer Siri-Erfahrung auf die Idee zu ihrem Vortragsthema. Siri meine auf die Frage, was die Teilnehmende der Digital Banking Days interessieren könnten, dass das eine interessante Frage sei. Die Lösung ist eher, dass wir uns für Digitalisierung des Private Bankings interessieren könnte.

Bei der Frage, wie das nächste Private Banking sein muss, kam Hauck&Aufhäser aus einem Schwarz/Weiss Denken raus. Die hybride Beratung war für die Bank relevant. Auf der einen Seite wollte sie über digitale Serviceleistung die Customer Experience aufwerten und stetig verbessern und auf der anderen Seite einen neuen digitalen Kanal schaffen, über den der Kunde alle Schritte der Vermögensverwaltung abschliessen kann. Entstanden ist ein neues Onlinebanking. Hier sind die Ideen von CREALOGIX und der Bank selber eingeflossen. Im nächsten Release konnten dann die Meinungen der Kunden reingenommen und umgesetzt werden. Neu ist auch die digitale Vermögensverwaltung Zeedin mit dem hybriden Beratungsansatz. Die Vorangehensweise, um zur digitalen Vermögensverwaltung zu kommen war die Frage, was die Kunden möchten. Sie haben gesehen, dass Hauck&Aufhäuser eine strategische Lücke hatte. Die Kunden im Private Banking brauchen gezielt Produkte. Mit dem Robo Advisor konnte die Bank eine attraktive Lösung entwickeln, die spezifischen Eigenschaften.

Die Lösung muss hybrid sein. Der Leistungskatalog ist umfangreich und kann individuell vom Produkt und von der Serviceleistung programmiert werden.

Die Umsetzung erfolgte über vier zentrale neuen Methoden:

1. Mit CREALOGIX haben die Entwickler in Sprints gearbeitet und den Prozess an Kanban-Boards beobachtet
2. Zu Beginn der Reise haben sie eng mit dem Kunden zusammengearbeitet. Der Vertrieb hat das Feedback persönlich eingehüllt
3. Die Lessons Learned fliessen vom ersten Release in den zweiten ein, um effizienter und effektiver zu werden und ein tolles Paket zu entwickeln.
4. Die Teams waren interdisziplinär; nicht nur Entwickler, sondern auch Legal, oder auch Marketing.

Die Herausforderungen waren, schnell Entscheidungen zu treffen. Der Sprint lief und es wurde klar, dass noch irgendwas gemacht werden muss. Diese Arbeitsweise führte zu einer neuen Dynamik. Das war gepaart mit dem Thema, wann das Management eingebunden wurde. Im Wasserfall war das eher klar; in den einzelnen Sprints war die Entwicklung im ständigen Fluss und Features wurden in den Sprints erarbeitet. Auch neu für die Bank war, ein Minimal Viable Product zuzulassen.

Der herausfordernde Weg hat sich aber gelohnt! Die internen Prozesse wurden verschlankt, die Geschwindigkeit hat aufgenommen. Vor allem hat die Gruppendynamik zugenommen, da die interdisziplinären Teams selbstorganisiert arbeiten konnten. Das Wichtigste für die Privatbank war jedoch, den Kunden zufrieden zu machen. Die Kundennähe wurde gesucht, um den Kundennutzen zu maximieren.

Man merkt es Madeleine Sander an, das Projekt Zeedin hat Spass gemacht. Wir danken Ihr auch für den exklusiven Sneak Peek des Produktvideos, das übrigens auch bald der Öffentlichkeit gezeigt wird – Stay tuned auf CREALOGIX oder Hauck&Aufhäuser – wir freuen uns mit Madeleine Sander und Team mit!

Das Thema Crypto Assets entwickelt sich sehr schnell weiter. Sie werden immer mehr angefragt und auch zunehmend als Investment angefragt. Es ist definitiv eine Überlegung wert, solche in Digitale-Advisory-Lösungen aufzunehmen. Was sind aber eigentlich digitale Assets sind?

Bei der Blockchain haben wir Dezentralisierung von Peer-1-Peer Netzwerk gebündelt durch Vertrauen digitaler Verschlüsselung. Das Themenfeld von Blockchain geht über das Thema Bitcoin hinaus. Heute können wie technologisch gesehen dem eigenen Portfolio beispielsweise 1 Quadratmillimeter eines Apartments in New York hinzufügen. Wo führt denn diese Reise hin?

Digitale Währung
Aufbau eines verteilten, sicheren und dezentralen Zahlungssystems mit Hilfe von Kryptographie und Blockchain-Technologie.

Keine zentrale Institution
Zahlungsdienstleister werden nicht als Zwischeninstitut benötigt, um den Austausch von Werten zwischen zwei Parteien zu ermöglichen.

Algorithmische Geldpolitik
Die Anzahl der Einheiten ist häufig durch komplexe mathematische Methoden begrenzt (z. B. Bitcoin ist auf 21 Millionen Einheiten begrenzt).

Hohe Wachstumsdynamik
Die Marktkapitalisierung von Kryptowährungen stieg 2017 auf über 400 Mrd. USD. Wettbewerb und Regulierung werden interessante Einflussfaktoren sein.

Die Marktdynamik ist immens und wir haben beispielsweis voll regulierte Wertpapiere haben. Durch klassische Kryptowährungen kann ich also Investments über Bitcoin machen. Das führt zu einem Boom im Universum:

Die Marktdynamik ist gross, die Preise sind gestiegen. Es ist zu berücksichtigen, dass es unterschiedliche Crypto-Assets vorhanden sind. Gestartet mit Bitcoin in 2009 hat sich die Landschaft diversifiziert.

Der Überhang ist jedoch bei Bitcoin (rund die Hälfte der Assets). Trotzdem kommen immer wieder neue rein. Die Relevanz aller Währungen steigt stetig. Die Marktkapitalisierung aller Crypto-Assets beträgt knapp 295 Mio. USD. Die Technologie ist aber immer noch am Anfang. Das ist gut, denn so steigen auch die Möglichkeiten der Anleger, in Digital Assets zu investieren. Diversifizierung ist nämlich auch beim Thema Crypto-Assets eine gute Strategie!

Wir sehen, dass die grössten Handelsplätze für Kryptowährungen heute schon vom Umsatz her genauso stark ist wie eine Nasdaq.

Investments Funds wachsen beständig. Die überwiegende geografische Verteilung ist in den USA, gefolgt von Asien und UK.

Aber taugen Crypto Assets überhaupt?

Was ist eigentlich der innere Wert von Bitcoin? Viele sagen, sie haben keinen inneren Asset. Die andere Seite ist a, dass sie dezentralisiert ist und schnell Transaktionen durchführen kann. Das ist also schon ein funktionaler Wert von Bitcoin und Konsorten.

Unkorrelierte Vermögenswerte können dazu beitragen, das Portfolio zu diversifizieren, um das Risiko zu steuern. Die Korrelation zwischen Bitcoin und den grössten Indizes ist minimal. Der Anteil an Crypto Assets im Portfolio ist externen Schocks weniger ausgeliefert. Das Hinzufügen von Kryptowährung zu dem Portfolio kann daher auf lange Sicht Risikovorteile bieten! Wir befinden uns aber immer noch auf einer Early Stage, auf der noch wenig Know-How im traditionellen Wealth Management Sektor vorhanden ist. Auch das juristische Rahmenwerk fehlt noch. Auch das Ökosystem beginnt sich erst zu etablieren; erste Kryptobanken betreten den Markt in Deutschland. Aber es sind wesentliche Funktionen im Asset und Wealth Management, die erst noch entwickelt werden müssen – wir sind gespannt!

Maryam startet gleich mit einer Frage:

Glauben Sie, AI Wird im Banken Sektor in Zukunft eine wesentliche Rolle spielen?

94 % unserer Teilnehmer sagt ja. Bei vielen ist das Thema Artificial Intelligence aber auch diffus. Legen wir los mit dem Workshop, um die Wissenslücken zu schliessen!

Medien stellen AI im Banking oft als angsteinflössend ein, da sie Jobs wegrationalisieren sollen. Maryam setzt den Fokus aber lieber auf die Vorteile.

Der Begriff AI gibt es nicht erst seit einigen Jahren, sondern wurde damals 1955 vom Wissenschaftler John Mc Carty zum ersten Mal definiert als Ziel, Maschinen Intelligent zu machen.

Und für die damalige Zeit war die erste intelligente Maschine der Schachcomputer, der den Menschen besiegen konnte.

Erst jetzt kommt aber der Hype? Wie kann AI die Menschen unterstützen? Wir erwarten nämlich, dass sie Prozesse optimiert und uns bei der Handlungsentscheidung unterstützt. Und das in allen Sektoren oder Lebensbereichen. In der Medizin können wir beispielsweise dank AI bösartige Krebszellen viel schneller identifizieren und so auch kuriert werden.

Im Online-Handel wird AI eingesetzt, um den Umsatz zu steigern durch effizientere Prozesse. Die Maschine ist intelligent genug, um auf Basis von Daten den optimalen Preis für die Produkte zu bestimmen.

Wir wissen, was man unter AI versteht und haben gesehen, wo AI in einigen Industrien erfolgreich eingesetzt werden kann, um dem Menschen den Arbeitsprozess effizienter zu gestalten in dem der Algorithmus Handlungsempfehlungen gibt.

Aber erst einmal die Basis: AI beinhaltet Machine Learning, das durch unterschiedlichste Algorithmen die Daten analysiert, Zusammenhänge und Muster aus den Daten erkennt und auf neue Daten anwenden lässt, um Handlungsempfehlungen geben zu können.

Somit werden Machine Learning Algorithmen dazu genutzt, um künstliche Intelligenz zu entwickeln.

Deep Learning ist Teil von Machine Learning, aber das in einem anderen Anlass.

Machine Learning ist eine Methode, wie Unsupervised Learning. Wir gehen auf Supervised und Unsupervised Learning ein.

Je nach Problemstellung und Use Cases antwortet der Data Scientist mit einer Methode. Der erste Blick werden wir auf Supervised Learning:

Beim Supervised Learning, also überwachtes Lernen, zeigt der Mensch dem Algorithmus, nach welcher Antwort/Ziel er sucht. Dies, damit er die Daten auf das Ziel analysieren und Zusammenhänge und Muster erkennen kann.

Beispiel: Ich möchte wissen, wer von ihnen mit hoher Wahrscheinlichkeit eine Berufsunfähigkeit erwerben wird. Somit liefere ich dem Algorithmus

Max Ritter, 31 Jahre alt, 2000 Euro Netto monatlich, männlich, verheiratet, Kreditantrag 5000 Euro verweigert

Haus, 100qm, Baujahr 1970, Berlin Friedrichshain, Rudolfstrasse, …

Verkaufswert in 2 Jahren, 450.000 Euro

Diese beiden Fragestellungen lassen sich mit diesen beiden Modellen beantworten:

Mit dem Classification Modell beantworte ich etwas mit Ja oder Nein. Wird Hans Jörg mir den Kredit in Höhe von 20.000 Euro zurückbezahlen?

Ja oder Nein.

Mit dem Regressionsmodell beantworte ich etwas mit einer Zahl. Das heisst, wie hoch wird der Verkaufswert der Immobilie in zwei Jahren sein? Antwort ist eine Zahl.

Die zweite Methode ist Unsupervised Learning.

Bei Unsupervised Learning kennen wir nicht das Ziel, sondern nur den Start. Wir möchten sozusagen in der Analyse des Algorithmus hier die Antwort über z. B. was den Kunden dazu gebracht hat, eine Berufsunfähigkeitsversicherung zu erwerben.

Um das zu beantworten, nutzen wir eine Clustering Methode in Supervised Learning.

Der Machine Learning Algorithmus versucht versteckte Muster und Zusammenhänge zwischen den gegebenen Daten zu finden und am Ende zu segmentieren.

Diese Art der Algorithmus Methode benötigt nicht nur Data Science Wissen sondern vor allem Business Know-How.

Um einen Use Case mit Algorithmen lösen zu können, müssen mehrere Stufen eines Prozesses durchlaufen werden.

Dieser kann dann schnell 6-12 Monate dauern, und das bei sagen wir mal 3 Data Scientists.

Das Data Scientist Team durchläuft grob die oben gezeigten sechs Stufen.

1.) Beschreibung des Use Case, Problemstellung und Ergebnis

So beispielsweise mit folgendem Problem: Banken möchten ihre Berater entlasten, und möchten den Onlinekanal dafür nutzen um den Onboarding-Prozess für den Erwerb eines Produkts z. B. Berufsunfähigkeit optimieren. Das Ziel ist, dass Bankkunden, die online sind, sollen das Produkt Berufsunfähigkeit angeboten bekommen, mit dem Ziel am Ende einen Termin mit einem Berater ausmachen zu wollen über Video-Chat oder Besuch der Bankfiliale. Das Ergebnis, Auswahl der Bankkunden die mit hoher Wahrscheinlichkeit positiv auf das Online Angebot reagieren werden.

2. Datenverständnis.

Anders ausgedrückt: welche Daten benötige ich dafür und habe ich diese Daten?

3. Die Auswahl des richtigen Machine Learning Modelsund das Trainieren des Models mit Hilfe von Testdaten.

Welche Problemstellung hat eine Bank, wenn jemand einen Kredit beantragen möchte? –> Kann der Kunde sich überhaupt einen Kredit leisten? Und wie hoch ist die maximale Rate, die er sich leisten kann.

Hier kann Supervised Learning helfen: Aufgrund meiner vielen Daten möchte ich dem Algorithmus zeigen, welche Art von Kunden einen Kredit beantragt haben und bekommen bzw. nicht bekommen haben. Der Algorithmus braucht also auch Daten, die das Ergebnis abbilden und auch solche, die nicht ideal sind.

Ein anderes Szenario wäre auch, wenn Banken ausgewählten Kunden eine Push-Notification schicken, um zum Beispiel Kredite anzubieten. Der Kunde kann nun einen online Beratungstermin vereinbaren oder in der Filiale oder sich Immobilienbeispiel in seiner Nähe anschauen.

Ich möchte als Bank also nur diejenigen ansprechen, die sich das auch leisten können, auch das Interesse an ein Eigenheim haben könnten und natürlich, den Kredit zurückbezahlen könnten.

Hierzu nutzen wir das Supervised Learning, weil ich die Rahmenbedingung geben kann und spezifisch das Classification Modell. Für die Datenauswahl benötigen wir Kundensätze, die einerseits einen Kreditantrag zu Eigenheim beantragt und bewilligt bekommen haben und zum anderen Kundensätze von Bankkunden die sich kein Eigenheim leisten können.

Der Algorithmus wird aus diesen Daten lernen welche Charakteristiken einen positiven oder negativen Einfluss darauf haben ein Immobilien-Kreditnehmer zu sein. Somit kann er identifizieren welche Bankkunden mit hoher Wahrscheinlichkeit positive auf ein Immobilien Kredit reagieren werden.

Neben dem Kreditgeschäft könnte auch das Neukundengeschäft mit Bankkunden, die zwischen 20 und 30 Jahre alt sind im Retail Banking spannend sein, mit AI zu lösen.

Hier ist die Problemstellung, die anstelle von Excel-Tabellen und über das Giesskannenprinzip zu lösen, mit AI zu lösen.

Eventuell haben wir nicht genug Erfahrungswerte (Kunden die zwischen 20-30 Jahren Geld angelegt haben). Darum nutzen wir Unsupervised Learning,

Wir können mit dem Machine Learning Algorithmus, dem Clustering Modell erst einmal analysieren, ob es ähnliche Charakteristiken gibt zwischen Anlegern im Alter von 20-30, die Geld angelegt haben.

Ergeben sich hier Schnittpunkt Charakteristiken, wähle ich in der Auswahl der Kundensätze aus meiner Datenbank diejenigen Kunden heraus, die Geld investiert haben zwischen 20 – 40 und folgende ähnliche Charakteristiken aufweisen.

Und genau dasselbe für Kundensätze die nicht investiert haben aber ähnliche Charakteristiken aufweisen.

Nach der Auswahl der Kundendaten durch Machine Learning kann ein Testballon gestartet werden, indem ich diese beispielsweise mit einer Push Notification ansprechen und das Ergebnis mit der Voraussage des Modells vergleiche. Liegt eine grosse Fehlerquote (mehr als 50%) vor, muss das Modell nochmals angepasst werden und über die Datenauswahl nachgedacht werden.

Die neuen Daten werden dem Algorithmus wieder eingespeist, damit es daraus lernt.

Dieser Prozess kann etliche Iterationen mit sich ziehen, bis das Modell eine Wahrscheinlichkeitsgenauigkeit hat von mehr als 80 % hat. Das kann lange dauern, aber wie wir schon in Vorträgen heute gelernt haben: es ist ein langwieriger Prozess, der auch ressourcenintensiv sein kann aber die Investition lohnt sich allemal!

Fast alles heute hat künstliche Intelligenz (KI). Sie wird auch die Menschen ersetzten … Nein, das stimmt natürlich nicht. Aber das Bild von Science Fiction wird ein stückweit zu Realität.

Wie wir vorhin schon gehört haben, beschäftigt sich KI mit Methoden, die es einem Computer ermöglichen, solche Aufgaben zu lösen, die – wenn sie vom Menschen gelöst werden – Intelligenz erfordern und zwar die natürliche.

Gerade im Bereich Robotik illustriert das Zitat von John Cryan sehr schön, wo die Reise hingehen könnte: „In our Bank, we have people doing work like robots. Tomorrow we will have robots behaving like people“. Bereits in den 60er Jahren fand die Diskussion statt, dass Menschen von Robotern ersetzt werden. Für Banken beispielsweise könnte das also bedeuten, dass ein Roboter-Bankberater vor dem Kunden sitzt. Besonders in Japan und Asien versuchen humanoide Roboter ein menschliches Antlitz zu imitierten, auch Reaktionen von Menschen. Aber es sind nicht Jobs an sich sondern Tätigkeiten, die mit KI wegfallen. Wenn man KI nicht nur als Technologie, sondern im breiteren Kontext setzt und auch gesellschaftliche Aspekte berücksichtigt, dann sieht man, dass viele Arbeitnehmer in den Ruhestand gehen.

Die fehlenden Arbeitskräfte können wir nicht kompensieren. Wie schaffe ich es also technologisch, Menschen lange in einem produktiven Verhältnis zu setzen und/oder gewisse Schritte zu ersetzen? Das ist eine allgemeine Frage, auf die nicht nur KI die Antwort ist.

Die Nettoeffekte bei Transformationen ist, dass technischer Fortschritt in den meisten Fällen zu mehr Wohlstand geführt hat.

Ein Beispiel ist die Produktion von Weberzeugnisse mit der Dampfmaschine. Durch diesen Support konnte viel produziert werden. Dieser positive Effekt in der Produktion stellte aber den Transport mit Pferdewagen vor Herausforderung. Also kamen Dampfmaschinen auch im Transport zum Einsatz und steigerten die Effizienz. Bitte vergessen Sie bei solchen Entwicklungen nicht: Bei jedem neuen Schritt wurden auch Arbeitsplätze ersetzt UND gleichzeitig mehr neue geschaffen. Das wird voraussichtlich auch mit der digitalen Transformation ähnlich sein. Ganz klar ist, dass sich die Arbeitswelt verändern wird:

Unternehmen stehen vor einigen Herausforderungen wie Arbeitsmittel, neue Skills entwickeln und dass Mitarbeitende verstehen, wie neue Technologien sinnvoll eingesetzt werden sollen.

Unser Alltag wird auch geprägt von veränderter Kommunikation. Zwischenmenschlich haben wir dank technologischen Innovationen wie KI mehr Zeit undAnlässe für direkte Kommunikation und Zusammenarbeit. Der Bot wird bei der Kommunikation und Kollaboration nämlich unterstützen; Wir Menschen werden die Bots aber auch einsetzen, um Tätigkeiten von Wissensarbeiter teilweise zu automatisieren (digitale Dividende). Und wenn Bots mit Bots kommunizieren, erreichen wir eine vollständige Automation der Kommunikation und Kollaboration (ebenfalls digitale Dividende).

Ein Beispiel ist die Kundenkommunikation in der Beratung im Privatkundenbereich:

Das Zusammenspiel zwischen Mensch und Robos vereinfacht das Leben für die Menschen. Bei der Realisierung von digitalen Geschäftsmodellen möchte man den Kunden durch Anreize und das Schaffen von Abhängigkeiten binden. Bei Banken sind KI-getriebene Aktivitäten noch relativ gering, obwohl sie prädestiniert für solche Lösungen wären. Ein Kundenökosystem könnte beispielsweise wie folgt aussehen:

Solche Prozesse können Facebook und Google schon heute umsetzen, aber eben auch Banken. Und das ist eine grosse Chance. Wenn die Margen mit dem klassischen Geschäft nicht gesichert sind, müssen nämlich neue Geschäftsmodelle geschaffen werden.

Der grosse Vorteil ist, dass Banken immer wieder neue Informationen über den Kunden erhalten. Das bietet Futter für die Algorithmen im KI. Dies wiederum schafft mehr Automatismen, senkt Kosten und führt zu zufriedeneren Kunden. Handeln Sie jetzt!