Personalisierung im Wealth Management mit KI und Modern Data Stacks

Maßgeschneiderter Service und enge Kundenbeziehungen sind entscheidend für den Erfolg von Vermögensverwaltern und Privatbanken. Da persönliche Beziehungen nur durch Vertrauen und menschliche Interaktion entstehen können, wird Digitalisierung oft als eine nicht einfache Herausforderung angesehen. Die Kundenberatung profitiert jedoch erheblich von besseren und effizienteren Daten sowie der Nutzung künstlicher Intelligenz.

Vermögensverwalter setzen zunehmend KI ein, insbesondere generative KI, um Berater mit aktuellen Informationen zu Kunden zu versorgen, Meetings zusammenzufassen, Portfolio-Berichte zu erstellen und maßgeschneiderte Anlageberatung anzubieten. Die Banken und Vermögensverwalter, die KI und moderne Data Stacks einsetzen, rüsten nicht nur heute ihre Technologie und Prozesse auf, sondern sammeln auch wichtige Erkenntnisse und Erfahrungen in Bezug auf die Anwendung von KI und das Kundenfeedback von morgen. Dies verschafft einen erheblichen Wettbewerbsvorteil gegenüber denjenigen, die ihre KI-Reise noch nicht (ernsthaft) begonnen haben.

Die Einführung von KI bedeutet mehr als die Registrierung eines ChatGPT-Kontos. Banken müssen sich auf die Verarbeitung ihrer Daten, insbesondere von Kundendaten, konzentrieren, um zunächst die Grundlagen zu schaffen. Noch immer finden sich in vielen Unternehmen Datensilos, die oft redundante und manchmal voneinander abweichende Informationen enthalten, die für Analysen, KI-Modelle und Business-Use Cases, einschließlich personalisierter Beratung, nicht ohne Weiteres verfügbar sind. Ein solider, moderner Data Stack und qualitativ hochwertige Daten sind für jedes (halb-)automatisierte Backoffice, jeden Berater und jeden kundenorientierten digitalen Service unerlässlich.

Es sind mehrere Schlüsselfragen zu klären:

1. Wie kann ein Unternehmen Datenkultur fördern und datenorientierter werden?
   
   

   Data Mesh gewinnt als Ansatz zur Förderung von Datenkultur, -kompetenz und -verfügbarkeit in Unternehmen an Bedeutung, ohne IT- und BI-Teams noch mehr zu belasten. Im Einklang mit vielen Strategien zur Digitalisierung sowie “Produktdenken” betrachten Unternehmen, die Data Mesh anwenden, die gemeinsame Nutzung von Daten und die Datenqualität als grundlegend für Datenprodukte, die einen Mehrwert für ihr Unternehmen und darüber hinaus schaffen.

   Ownership ist eine Schlüsselkomponente – die für einen Geschäftsprozess Verantwortlichen übernehmen auch die Verantwortung für die von ihnen bereitgestellten Daten und Derivate davon. Dann bieten sie diese Daten in der Organisation als Produkte an und achten dabei auf hohe Qualität, gute Dokumentation und echte Nutzbarkeit.

   Ein weiterer wichtiger Aspekt ist Self Service – Berater, Kundenbetreuer und Marketingexperten, die in der Lage sind, ad hoc auf die neuesten Daten zuzugreifen, ohne BI-Berichte anfordern und prüfen zu müssen, werden die verfügbaren Informationen mit größerer Wahrscheinlichkeit nutzen.

   Aus technischer Sicht ist ein moderner Data Stack entscheidend, um ein mehr datengesteuertes Unternehmen zu werden. Ein Data Mesh oder eine neue Generation von Cloud-nativen Datensystemen, die Data Warehouses, Data Lakes und Data Lakehouses betreiben, bieten eine solide, zukunftssichere Grundlage für die Erfassung, Verarbeitung, Analyse und Nutzung von Daten. (Einige führende Anbieter finden Sie hier: cid.com/de/partner)

2. Wie schaffen Sie Vertrauen in Daten, KI-basierte oder KI-angereicherte Ergebnisse?
   
   

   Die Datenqualität ist entscheidend für das Vertrauen von Anwendern. Transparenz ist unerlässlich, um die Nutzer darüber zu informieren, welches Qualitätsniveau sie bei der Interaktion mit Datenquellen oder KI-Ergebnissen erwarten können.

   Einige Unternehmen entscheiden sich für eine dreistufige Klassifizierung (z. B. Bronze, Silber, Gold) oder eine Scorecard, die Dimensionen wie die Quelle (intern oder extern), den Grad der Überprüfung oder auch Verarbeitungs- oder Aggregationsschritte berücksichtigt, die sich möglicherweise auf die Qualität der Ergebnisse auswirken. Sie ermöglicht es den Nutzern, eine fundierte Entscheidung über die Verwendung der Daten zu treffen und eine ordnungsgemäße Dokumentation für eine weitere Downstream-Verwendung sicherzustellen.

   Wichtig ist auch die Transparenz darüber, um welche Art von KI es sich handelt. Die automatisierte Klassifizierung auf der Grundlage von maschinellem Lernen basiert zwar auf Wahrscheinlichkeiten, kann aber auf proprietäre Daten und Training in einer kontrollierten Umgebung aufbauen. Unternehmen sollten den Einsatz generativer KI auf bestimmte Anwendungen in einer kontrollierten Umgebung beschränken, Möglichkeiten zur Anpassung wie RAG (Retrieval Augmented Generation) nutzen, um die Relevanz zu erhöhen und fehlerhafte Ergebnisse zu reduzieren, oder die Ergebnisse einfach durch den Benutzer überprüfen lassen, da sie inkonsistent sein oder Halluzinationen enthalten könnten.

   Private KI und private Clouds sind unverzichtbar, um die Datensicherheit zu gewährleisten und sicherzustellen, dass die Daten von Kunden und Beratern ordnungsgemäß und vertrauenswürdig verarbeitet werden.

3. Wie können wir einen Mehrwert für Relationship Management und Business Development schaffen und die Nutzerakzeptanz erhöhen?
   
   

   Relationship-Manager, Berater und Business Development-Manager müssen bereits mit einer Fülle von Informationen aus verschiedenen Quellen umgehen. Anstatt noch mehr hinzuzufügen, helfen KI-gestützte Lösungen, die Informationsverarbeitung zu straffen und einen Mehrwert zu schaffen, indem sie den Zugang zu nutzbaren Informationen vereinfachen.

   Die Zusammenführung von Daten wie (U)HNWI-Dossiers, Haushaltsdaten, Unternehmensinformationen, internen Lead-Datenbanken und proprietären CRM-Daten ist ein entscheidender Faktor für die Akzeptanz von Intelligence-Tools im Relationship Management. Wenn Berater sich nicht mehr in mehrere Systeme einloggen und sich um die Zuordnung und Verknüpfung der Datenpunkte kümmern müssen, werden Informationen viel nützlicher und praktikabler.

Künstliche Intelligenz, die von einem modernen Data Stack unterstützt wird, spielt eine wichtige Rolle bei der Aggregation von Daten:

1. Sie führt Informationen über Personen und Organisationen aus unterschiedlichen Datenquellen zusammen.
2. Sie fügt aktuelle Erkenntnisse aus Nachrichten, sozialen Medien und anderen Quellen hinzu, indem sie diese automatisch filtert, kategorisiert und zuordnet.
3. Generative KI kann verwertbare Informationen nahtlos zusammenfassen und präsentieren und sie in CRM-Workflows integrieren – der ultimative Game Changer.

Dieser Ansatz unterstützt Geschäftsanwendungen wie z.B.:

• Kunden-Monitoring, das Beratern ermöglicht, eine persönlichere und proaktivere Beratung anzubieten (Lesen Sie mehr)
• Prospecting Intelligence zur Gewinnung neuer Kunden und zum effizienten Erschließen neuer Märkte (Lesen Sie mehr)
• Unterstützung von Investitionsentscheidungen durch die Nutzung qualitativer Daten, die in strukturierte, nutzbare Erkenntnisse umgewandelt werden (Lesen Sie mehr)

Autor © 2024: Alexander Stumpfegger – www.linkedin.com/in/alexander-stumpfegger