Data Science - Zukunft der Finanzdienstleister? - Webinar, 10. Juni 2021 - Bank ...

Data Science – Zukunft der
Finanzdienstleister?
 Webinar, 10. Juni 2021

Matthias Lehneis
Senior Manager, Co-Head PG Advanced Intelligence

 „Banken müssen dringend das Potential neuer
 Technologien erschließen, um sowohl im Geschäft als
 auch ihrem Betrieb wettbewerbsfähig zu bleiben.
 Die Maxime sollte dabei immer der Wertbeitrag sein.“

 Hintergrund
  Wirtschaftsinformatiker mit Schwerpunkten Systementwicklung/Datenbanken, Praktische
 Informatik und Kulturinformatik
  Practice Lead Advanced Intelligence
  seit 2014 Dozent zeb.business.school (ORG/IT Architekturmanagement)

 Berufserfahrung
  4 Jahre Softwarearchitekt und Projektleiter bei deutschem Software-Anbieter
  6 Jahre Senior Managing Consultant bei weltweit agierender IT-Beratung (Top 5)
  seit 2013 bei zeb
  Projekte u.a. zu Data Science, intelligenter Automatisierung sowie Datenmanagement

 /Matthias_Lehneis /Matthias-Lehneis

 2

Fabian Zelesinski
Senior Consultant, PG Insurance

 „Heute können Versicherer, die keine digitalen Pioniere
 sind, noch erfolgreich sein. Zukünftig jedoch wird die
 Nutzung von Data Science zum wesentlichen
 Erfolgsfaktor in der Versicherungsbranche werden.“

 Hintergrund
  Mathematiker (Finanzmarktmodellierung, Derivatebewertung)
  Ausbildung zum Aktuar (DAV)

 Berufserfahrung
  Praktika in der Versicherungsbranche
  Seit November 2018 bei zeb
  Projekte u.a. zu Data Science Prototypen, Risikosteuerung, Datenmanagement, Rechnungslegung
 bei mittelständischen Versicherungen

 /Fabian_Zelesinski /Fabian-Zelesinski

 3

zeb ist eine der führenden, auf den Finanzdienstleistungssektor spezialisierten
Strategie- und Managementberatungen in Europa
zeb-Profil

 174 Mio. EUR Umsatz 1992 gegründet > 700 Kunden
 20 % durchschnittliches Gründer: Prof. Dr. Bernd Rolfes & davon > 90 %
 Umsatzwachstum Prof. em. Dr. Dres. h. c. Henner Schierenbeck Stammkunden

 17 Standorte 13 Länder
 Amsterdam, Berlin, Frankfurt a. M., Hamburg, Deutschland, Dänemark, Großbritannien,
 Kiew, Kopenhagen, London, Luxemburg, Mailand, Italien, Luxemburg, Niederlande, Norwegen,
 Moskau, München, Münster, Oslo, Österreich, Polen, Russland, Schweden,
 Stockholm, Warschau, Wien, Zürich Schweiz, Ukraine

 > 2.200 Projekte > 1.000 Mitarbeiter > 60 Partner
 in allen relevanten Themen- Management-Consultants: ≈ 500 Managing Director:
feldern: von der strategischen IT-Entwickler und IT-Consultants: ≈ 260 Dr. Markus Thiesmeyer
 Planung bis zur Umsetzung Research/Wissensmanagement: ≈ 40
Umsatz-, Kunden- und Projektzahlen aus 2019, Umsatzwachstum seit Gründung von 1992–2019

 4

Wir bieten maßgeschneiderte Beratungskompetenz entlang der gesamten
Wertschöpfungskette von Finanzdienstleistern und Finanzintermediären
zeb-Leistungsspektrum Banken und Versicherungen

 Restructuring, Merger
 Strategy & Business & Operations Finance & Risk

 Retailbanking  Fusions- & Integrationsmanagement  Accounting
 Private Banking, Asset- & Wealth-  Restrukturierung und Kostenmanagement  Data-Management & Digital
 Management  Sourcing & Shared Services Transformation
 Firmenkundengeschäft  Operational Excellence & Process Management  Financial Control & Strategic Planning
 Real Estate Banking und Bausparkassen  Capital Markets & Securities Operations  Finance & Risk Information Services
 Digitalisierung in der Financial-  Credit Operations  Regulatory Reporting & Analytics
 Services-Branche  Core Banking – Kernbankensystem  Risk & Advanced Methodology
  Treasury & Asset Liability Management

 Integrierte IT- und HR-Expertise

 Human Resources IT

  Human Resources Strategy  IT-Strategie und -Organisation
  Human Resources Development  IT-Steuerung
  Performance-Management & Human Resources  IT-Transformation
 Regulatory  zeb.control
  Training & Coaching  IT-Systemintegration
 5

Netzwerk: Verbinden Sie sich mit zeb und bleiben Sie mit unseren Kollegen in Kontakt
Social Media und Karriereseite

 Top Mitarbeiterbewertungen Top Karriereperspektiven Top Arbeitgeberbewertung
 Wir sind auf kununu.com Wir bieten einen Arbeitsplatz mit Wir sind stolz darauf, zu
 mit einem  besser bewertet Entwicklungspotenzial in einem tollen den 100 besten Arbeitgebern
 als der Durchschnitt. Team: zeb.de/karriere. Deutschlands zu gehören

 facebook.com twitter.com instagram.com linkedin.com

 xing.com kununu.com preplounge.com e-fellows.net

 youtube.com bankinghub.de fintech-hub.eu regulatory-hub.com

Quelle: Umfrage „trendence Barometer“ 2018, www.kununu.com

 6

Um dem Vortrag interaktiver zu gestalten, möchten wir Sie bitten, uns auf Slido mit Ihrem
Smartphone zu begleiten und an kurzen Online-Abstimmungen teilzunehmen
Slido

 Gehen Sie auf slido.com und geben Sie #BVzebAI ein.

 oder

 scannen Sie diesen QR Code mit Ihrem Smartphone.

 7

Was verbinden Sie am ehesten mit dem
 Begriff Data Science?

 A Einsatz von Algorithmen B Lineare Regression

 C Statistik D Machine Learning

 8

1 Einführung und Überblick: Data Science

2 Konkrete Use Cases für Banken und Versicherungen

3 Frage- und Diskussionsrunde

Data Science verstehen wir als Anwendung von Data Analytics Methoden auf Daten – insb.
Big Data – mit dem Ziel, Wissen zu extrahieren
Definition Data Science

 Data Science

 Hohes Datenvolumen, Fokus auf Modellierung
 das aus ständig wachsendem und Wissensaufbau mit
 Informationsfluss resultiert - vorhersagendem anstatt
 effiziente und effektive Nutzung Volumen Data Mining mit beschreibendem Zweck
 als Herausforderung

 Datenerstellung in Big Data1) Analytics Fokus auf
 immer steigender Aggregationen
 Geschwindigkeit – mit Blick auf
 Echtzeitverarbeitung Business
 als Herausforderung Information

 Velocity Variety Machine Business
 Learning Intelligence

 Vielfältigkeit der Datenmenge mit
 Automatische Anpassung an Umgebung
 bis zu 85% unstrukturierter Daten –
 und Veränderungen zur eigenständigen
 komplexe Datenformate und
 Entscheidungsfindung
 Datenqualität als Herausforderung

1) Quelle: Gartner 2017, Gartner IT Glossary, Alternative Definitionen mit vier (Veracity) oder mehr Vs ebenfalls gebräuchlich

 10

Eines der neuen Verfahren im Anwendungsgebiet Analytics ist das ML – hier werden
generische Lernalgorithmen anhand von Trainingsdaten für spezifische Probleme kalibriert
Unterscheidung zwischen klassischen IT-Ansätzen und maschinellem Lernen

 Traditionelle IT-Ansätze – "alte Welt" Machine learning – „new world“
 Optimierung
 Trainingsdaten

 Input Output Input Output

 Festgelegter Generischer
 spezifischer Lern-
 Reinforcement
 Algorithmus Algorithmus

  Input und gewünschter Output sind bereits im Vorhinein bekannt  Input ist meistens unstrukturiert, komplex und/oder unklar
  Anforderungen an den Algorithmus daher im Voraus bekannt  Output Sample ist im Vorhinein bekannt
  Ein Katalog von notwendigen Regeln ist im Algorithmus  Algorithmus wird aus auf Basis einer generischen Methode und
 gespeichert, über die der Output generiert werden kann den Trainingsdaten abgeleitet sowie kontinuierlich verbessert

 IT-Lösungen für umfassende IT-Lösungen für Probleme, die nicht
 ex-ante erfassbare Probleme vollständig analysiert werden können
 11

Überraschung: Sie haben bereits ein maschinelles Lernverfahren
kennengelernt - die lineare Regression von 1760
Machine Learning Beispiel

 Hypothese
 Lineare Beziehung
 = + 

 = 0,18 + 5

 Kalibrierung der Gleichung mit
 zwei Parametern

 ... z.B. mithilfe der “Lernmethode”
 Ordinary Least Squares

 12

Einsatz des etablierten Standardvorgehens CRISP-DM gibt den Rahmen, um
Problemstellungen im AI Umfeld strukturiert und zielgerichtet anzugehen
Vorgehensmodell

 Geschäftsverständnis Datenverständnis
CRISP-DM
Cross Industry Standard Process for Data Mining

 • Branchenübergreifendes Standard-Prozessmodell
 Datenvorbereitung
 • Weitverbreitetes Vorgehen im Bereich AI und Machine Learning
 • Schritt-für-Schritt Anleitung mit sechs konkreten Phasen
 • Hersteller- und anwendungsunabhängig einsetzbar Daten
 Bereitstellung
 • Erkennen von Mustern, Trends, Zusammenhängen in Daten
 Modellierung

 Evaluierung

 13

Was unterscheidet Machine Learning von
 traditionellen IT-Ansätzen?

 ML wird ausschl. auf Big Data Es wird „nur“ ein generischer
 A angewendet B Lernalgorithmus vorgegeben

 Bei ML sind Inputs und Outputs im
C Vorhinein stets bekannt D Beim ML gibt es keine Zielvariable

 14

1 Einführung und Überblick: Data Science

2 Konkrete Use Cases für Banken und Versicherungen

3 Frage- und Diskussionsrunde

Anhand von drei bis fünf Anwendungsfällen zeigen wir Ihnen, wie Data Science in
unterschiedlichen Segmenten bei Banken und Versicherungen verwendet werden kann
Übersicht Use Cases

 VERMÖGEN &
 FINANCE & RISK VERTRIEB INTERAKTION
 ANLAGE

 1. Vorhersage von 2. Ermittlung von ESG- 3. Datengestütztes 4. Automatisierte 5. Chatbots für
 Sondertilgungen Scores für Unternehmen Cross- & Upselling Anlage-Empfehlungen Serviceanfragen

 Programm heute Optional bei ausreichend Zeit

 16

Die Vorhersage von Sondertilgungen kann durch eine personenbezogene Modellierung
mittels künstlicher Intelligenz deutlich verbessert werden
Use Case 1 – Vorhersage von Sondertilgungen Kundenbeispiel

Kundensituation Value-add AI/AA
 Eine exakte Liquiditäts- und Refinanzierungsplanung hängt von der Qualität der
 Modellierung des Sondertilgungsverhaltens der Bankkunden ab • Ursprüngliches Modell:
 systematische
 Erwartetes Sondertilgungsverhalten hat einen Einfluss auf die Preisgestaltung
 Überschätzung des
 Die Modellierung erfolgt oft nur auf Basis des gesamten Kundenportfolios Sondertilgungsbetrags

Herausforderungen im Projekt • 38,52 % Abweichung2

 Formulierung der genauen "Was wäre wenn"-Hypothesen
 Datenanforderungen und -quellen: Kreditdaten, Kundendaten (Herausforderung: • NEU: Die meisten
 DSGVO), Transaktionsdaten, makroökonomische Daten, Nachrichten Abweichungen liegen
 zwischen EUR -5k und 5k
 Einbindung von personenbezogenen Daten
 • 8,75 % Abweichung2
Ansatz • Verbesserung um einen
 Vergleich verschiedener Algorithmen in Bezug auf die Vorhersagequalität Faktor von 5
 (Zielvariable: Sondertilgungsbetrag): lineare Regression, Klassifikation mit kNN1,
 • Verringerung des Schätz-
 neuronale Netze, Clustering
 fehlers beim Sondertil-
 Verbesserung der Vorhersage des Vorauszahlungsbetrags durch Anwendung gungsbetrag
 des kNN1-Algorithmus • Verbesserung der Vorher-
 sage des Sondertilgungs-
 verhaltens durch den
 Einsatz von KI
1) k-nearest neighbor 2) des tatsächlichen Werts auf Gesamtbankebene für das Testportfolio 17

Risiken, die aus einer negativen ESG-Wahrnehmung von Unternehmen resultieren, können
durch einen Real Time ESG-Scoring Ansatz frühzeitig identifiziert werden
Use Case 2 – Ermittlung von ESG-Scores für einzelne Unternehmen Kundenbeispiel

Kundensituation Value delivered by zeb
 Jeden Tag entstehen weltweit Millionen von ESG-beeinflussende Nahrichten,
 hierbei den Überblick zu behalten ist nahezu unmöglich
 Überwachung der ESG-Risiken wird regulatorisch sehr wichtig
 ESG-Konformität ist gesellschaftlich hochrelevant

Herausforderungen im Projekt
 Entwickeln von Schnittstellen zu Datenanbietern und Aufbau von Crawlern
 Aufbau einer Datenbank und Entwickeln eines Bewertungsalgorithmus
 Permanentes Kalibrieren und Testen der Scoring-Ergebnisse mit der Realität
 Erkennen von Sprache, Entfernen von Füllwörtern und Einstellung auf Deutsch
Ansatz
 Azure Machine Learning um kollaboratives Arbeiten, arbeiten mit großen  Die Verfolgung der aktuellen ESG-Konformität eines
 Datensets und regelmäßiges Durchlaufen der Software zu ermöglichen Unternehmens/ Portfolios / Wertpapiers ist ein
 Verwenden von VADER und weiteren Libraries in Python zur Bewertung von vielversprechender Frühwarnindikator
 Texten und Nachrichten nach ESG-Kriterien  Schnelles Erkennen von Trends auch über ganze
 Nutzen von weltweiten Datenanbietern sowie selbstentwickelten Crawlern Sektoren ist für die Überwachung und Geschäfts-
 entscheidungen von strategischer Bedeutung
 18

Im Versicherungsvertrieb bietet Data Science vielseitige Möglichkeiten klassische Methoden
der Kundensegmentierung zu unterstützen
Use Case 3 – Datengestütztes Cross- & Upselling Kundenbeispiel

Kundensituation Value delivered by zeb
 Ein Insurtech plant, Bestandsdaten und Daten aus historischen Marketing-
 Aktionen zu analysieren, um die so gewonnenen Erkenntnisse zur Optimierung Schritt 1: Statistische Auswertung
 zukünftiger Akquisekampagnen einzusetzen  Datenexploration und Unter-
 Ziel ist die Identifizierung von neuen Impulsen für eine gezielte Kundenan- suchung des Kundenstamms
 sprache im Vertrieb (Produktaffinität, Zeitpunkt, Kanal, Kontext) über Personas  Merkmale mit Auffälligkeiten

Herausforderungen im Projekt Schritt 2: Clusteranalyse
 Unterschiedliche Perspektiven von Data Scientists, CRM und Vertrieb im Zuge  Identifikation von Kunden-
 der Persona-Erstellung zu einem konsolidierten Bild verdichten clustern mittels k-means
 Auswahl eines Beispielprodukts, zu dem sich gleichermaßen Input aus allen Algorithmus
 Perspektiven beisteuern lässt  Indikation für mögliche Personas
 Vorhersagegenauigkeit der verwendeten Supervised Learning Modelle

Ansatz Schritt 3: XGB-Klassifikationsmodell
 Grundlegender Ansatzpunkt war die Erstellung von Personas unter Einnahme  Ermittlung von
 mehrerer Perspektiven wie z.B. Datenanalysen, Erfahrungen CRM, Erfahrungen Abschlusswahrscheinlichkeiten
 Vertrieb  Berücksichtigung besonders
 Verwendung der Datenbasis für ein initiales Clustering und zur Berechnung von relevanter Merkmale bei
 kundenspezifischen Abschlusswahrscheinlichkeiten Persona-Entwicklung
 19

Es gibt verschiedene Methoden, um Produktempfehlungen für Kunden zu ermitteln – wichtig
ist, dass Produktportfolio und Kundenstamm ausreichend groß sind
Use Case 4 – Automatisierte Anlage-Empfehlungen

Kundensituation Value delivered by zeb
 Stark steigende Anzahl investitionsbereiter aber gleichzeitig unentschlossener
 Kunden mit hoher digitaler Affinität insb. bei Direktbanken
 Ziel ist es, Anlageprodukte wie Aktien oder Anleihen zu empfehlen, die zum • Aufstellen einer Kunden-
 Portfolio des Kunden „passen“ (entweder durch eine automatisierte Anzeige im

 Kunden
 Produkte Interaktion
 Online-Depot oder im Rahmen eines Beratungsgesprächs) Matrix über deskriptive
 statistische Analysen
Herausforderungen im Projekt
 Hohe Anforderungen an das zur Verfügung stehende Datenvolumen für das
 Produktportfolio und den Kundenstamm sowie der daten-
 /anlegerschutzrechtlichen Fragestellungen Aktien/Anlageprodukte
 Auswahl der Messansätze für die Ähnlichkeit zwischen Produkten bzw. Kunde,
 z.B. mithilfe von Distanzmessungen (z.B. Kosinus-Ähnlichkeit) zwischen Kollaborative Empfehlung Inhaltsbasierte Empfehlung
 Datenpunkten Aktien in beiden Portfolien

Ansatz
 Kunde hat
 Aktie im
 Ermittlung von inhaltsbasierten Empfehlungen, mit denen nach ähnlichen Portfolio

 Produkten gesucht wird, die der Kunde bereits gekauft hat Ähnliche Aktie
 Alternativ oder ergänzend werden kollaborative Empfehlungen ermittelt, die Ähnliche
 Kunden
 nach Produkten suchen, die Kunden mit ähnlichem Kaufverhalten auch gekauft
 haben
 20

Ein gut durchdachter Chatbot ermöglicht eine 24/7-Kundenkommunikation, entlastet das
Kundenservice-Center und erhöht die digitale Kompetenzvermutung der Kunden
Use Case 5 – Chatbots für Serviceanfragen Kundenbeispiel

Kundensituation Value delivered by zeb
 Eine deutsche Genossenschaftsbank erhält täglich > 2.000 Serviceanfragen
 Die Schließung von Filialen hat zu einer stärkeren Zentralisierung von
 Bankdienstleistungen im Kundenservicecenter (KSC) geführt
 Durch die neuen Standards sind die Anforderungen der Kunden an
 Geschwindigkeit, Erreichbarkeit und Komfort deutlich gestiegen
Herausforderungen im Projekt
 Erstellung einer passenden und angemessenen Chatbot-Identität
 Die Konzeption von Customer Journeys in menschlicher Dialogform
 Kontrolle des geeigneten Zeitpunkts für den Wechsel zum Live-Chat
 Anbindung von relevanten Diensten zur Erfüllung der Service-Level-Agreements
  Langfristige Integration eines zusätzlichen Kanals
Ansatz
 oder Automatisierung der Chat-Funktionen, dadurch
 Einführung eines Chatbot-Angebots im KSC zur Automatisierung des deutliche Reduzierung des Aufwands im KSC
 Kundenservice und zur Entlastung der KSC-Kapazitäten
  24/7-Erreichbarkeit für alle Themen, die der Chatbot
 Ein Chatbot als erster Kunden-Touchpoint für Standardfragen zu Konten, Karten, abdeckt
 Online-Banking etc.
  Erhöhung der Vermutung der digitalen Kompetenz
 Einführung mit internem und externem Kommunikationskonzept bei Kunden
 21

Praxisbeispiele aus Referenzprojekten zeigen die Möglichkeiten einer KSC-Optimierung
mittels Chatbot klar und deutlich auf
Use Case 5 – Chatbots für Serviceanfragen (Prozess-Beispiele) Kundenbeispiel

Use-Case „Allgemeine Informationen“ Use-Case „TAN gesperrt“ Use-Case „Terminvereinbarung“

 Problemstellung Problemstellung Problemstellung
Aus den verschiedenen Bereichen werden Kunden sperren ihr TAN-Geräte und Kunden möchten einen Termin ver-
einzelne allgemein-gültige Themen immer benötigen einen langwierigen, manuellen einbaren bzw. die Bank möchte
wieder angefragt – obwohl es häufig bereits Prozess begleitet durch das Dialogcenter Kampagnen durchführen um Termine zu
viele Informationen auf der Website gibt generieren
 Umsetzung im Chatbot Umsetzung im Chatbot Umsetzung im Chatbot
Aufbau mehrerer Customer-Journeys zu den Erfassung der relevanten Informationen Umsetzung der Terminvereinbarung via
verschiedenen Themenbereichen und Aufbau (u.a. IBAN, Kartennummer), Begleitung des Chatbot durch Auswahl geeigneter Berater
von Wissen, so dass der Bot die Kunden bei Generierung des Freischalt- und Vereinbarung Termin inklusive
Standardfragen beantworten kann Codes via Chatbot, Automatisierte Erfassung relevanter Parameter, z. B. bei
 Weitergabe der notwendigen Informationen Baufi

 Ersparnis im Kundenservicecenter1 Ersparnis im Kundenservicecenter1 Ersparnis im Kundenservicecenter1

 8 % p.a. 11 % p.a. 6 % p.a.
 Ermöglicht TAN-Entsperrung 24/7 Ermöglicht u.a. Conversational
 Kampagnen über Social Media

 Quelle: Basierend auf zeb-Referenzprojekt / Annahme der Überleitung von Telefon zu Chat 22

Wertschöpfende Anwendungsfälle ausgerichtet an drei Stellhebeln – resultierende
Anforderungen bestimmend für alle Ebenen wie Organisation, Prozesse und Architektur
Einsatzgebiete von Daten, Informationen und Algorithmen mit hohem Mehrwert

 €

 Begeisterte Kunden Beschleunigte und Schnelle und bessere
 und neue Umsätze effiziente Prozesse Entscheidungen

 ● Prognose von Kunden-/Markt- ● Automatisierung papiergestützter ● Entscheidungsmodelle für
 verhalten, automatisierte Betreuung Abläufe, insb. Extraktion Dokumente komplexe „unscharfe“ Situationen
 ● Unterstützung/Entlastung von ● Semantische Verarbeitung von ● Unterstützung/ Automatisierung der
 Beratern und Relationship Managern Fliesstext und Textverständnis Unternehmenssteuerung
 ● Personalisierte Ansprache ● Erfolgsmessung von Prozess- ● Erkennung von Mustern und Analyse
 ● Konversationale Kundenschnittstelle optimierungen, Process Mining von Transaktionen (insb. Fraud)

 Vertrieb/ Vertrieb/ CRM- Konto-/ Depot- Immobilien- Ertrags- Liquiditäts-
 Trade Finance Compliance
 Beratung PK Beratung FK Cockpit antrag finanzierung controlling disposition

 Online- Derivate- Risiko-
 Service Center … Legitimation … HR …
 Kampagnen Verträge messung

 23

Use Cases entlang der gesamten Wertschöpfung vorhanden – gesamthafte Betrachtung
empfohlen um neben spezifischen Beiträgen auch übergreifende Synergien zu heben
Potenzialträchtige Anwendungsfälle (Auszug) zeb-Erfahrungen
 € KD. & NEUE UMSÄTZE SCHNELLE & EFFIZIENTE PROZESSE SCHNELLE UND BESSERE ENTSCHEIDUNGEN

 VERTRIEB KREDIT NICHT-FINANZIELLE RISIKEN KREDITRISIKO
 Kanalpräferenz Prüfung Unterlagen Analyse Alt-Verträge Modellrisiko Erweitertes Kreditscoring

 Next Best Offers Identifikation Finanzobjekt Scoring Cybersecurity-Risiko Kreditwirtschaftliches Risikokapital

 Magic Moments Analyse Grundbuchauszüge Bilanzanalyse (FK) Klimarisiko Shadow Rating

 Kundenabwanderung verhindern Reputationsrisiko Makroökonomisches Risiko
 GIRO, KARTE & ZV
 Automatisiertes Callcenter Eröffnungsunterlagen Betrugsmuster LIQUIDITÄTSRISIKO WEITERE FINANZ- UND
 Einzahlungsmodellierung RISIKOTHEMEN
 Customer Lifetime Value Reklamation Geldwäsche False-Positives
 Wallet Sizing LCR-Grenzwertoptimierung Preispotentiale erkennen
 VERMÖGEN & ANLAGE
 Zahlungsbereitschaft Vorzeitige Kreditrückzahlungen Länderrisiko
 Depoteröffnung Prospektanalyse
 Analyse Transaktionshistorie Erweitertes LCR Standardisierte Datenerfassung FS
 Order via Fax/ Brief Bearbeitung Kapitalmassnahmen
 SERVICE Markt-(Vermögens-)Liquiditätsrisiko Geschäftsrisiko

 Anfrage/ Beschwerde E-Mail/ Brief Interpretation von Nachrichten ESG-Scoring Tradingrisiko Automatische Kostenstrukturanalyse

 Chat/ Voice Bot für Serviceanfragen Ableitung Kundenpräferenzen Generierung MiFiD-Protokoll
 UNTERSTÜTZUNG
 HOLISTISCHE BERATUNG WEITERE USE CASES … RECHT & COMPLIANCE PERSONAL
 Kundensegmentierung Relevanz von Urteilen Skill Analyse / Bewerberscreening
 SONSTIGE, Z.B. SACHVERSICHERUNG/ ASSET-AS-A-SERVICE
 Analyse Kunden-Nachrichten Voranalyse Gesetzestexte
 Telematik-Tarifkalkulation, Asset-as-a-Service-Finanzierung ORG/IT
 Personalized pricing In jedem Kontext können weitere Anwendungsfälle identifiziert werden Compliance Vorlagen User-/Berechtigungsmgmt.

 24

Wurden die vorgestellten Use Cases in Ihrem
 Hause bereits umgesetzt?

 Ja, ein oder mehrere (andere) Use Ein oder mehrere (andere) Use Cases
 A Cases sind implementiert und produktiv B befinden sich in Planung/Pilotierung.

 Data Science Use Cases werden zur- Ich arbeite bei keinem
 C zeit nicht im Unternehmen thematisiert D Finanzdienstleister

 25

1 Einführung und Überblick: Data Science

2 Konkrete Use Cases für Banken und Versicherungen

3 Frage- und Diskussionsrunde

Welche Herausforderungen sehen Sie im
 Einsatz von Data Science bei
 Finanzdienstleistern?

 27

Was Sie aus unserem heutigen Vortrag mitnehmen sollten…
Fast am Ende

 01 Wirkung für das Geschäft hat Priorität

 02 Daten sind der Schatz

 03 Technik/IT ist ein Mittel zum Zweck – kein Zweck für sich

 04 No pain, no gain: Ausprobieren, Scheitern, Aufstehen …
 28

Matthias Lehneis Fabian Zelesinski
 Senior Manager Senior Consultant
 Phone +49.40.303740.139 Phone +49.251.97128.579

Kontakt
 Mobile +49.151.67879940 Mobile +49.151.12622188
 mlehneis@zeb.de Fabian.Zelesinski@zeb.de
 Office Hamburg Office Münster

 29