Power on: Unser Mainframe-Expertenprogramm startet wieder durch!

Unsere Innovationsprojekte

Hören, lesen, sehen – der neue IT-Blog der Lösungsfinder

Solutions-World

See der Erkenntnisse

3 min. Lesedauer
Steckbrief
Achim S. ist Principal und gehört zum Team der Lösungsfinder am Standort Frankfurt am Main.

Wie wir die Customer Journey der Sparkassen-Kunden erkennen und verbessern helfen

Der Schutz der Kundendaten ist für die Sparkassen-Finanzgruppe ein hohes Gut. Schließlich gehört Vertrauen zu den Kernwerten der Marke „Sparkasse“. Das hindert uns aber nicht daran, die vielfältigen zur Verfügung stehenden Daten zu nutzen, um das Banking von morgen noch kundengerechter zu machen. Wir müssen dabei sicher cleverer vorgehen als in manch anderen Branchen. Auch tüfteln wir an einer Lösung vielleicht mal etwas länger, um den hohen Anforderungen an Datenschutz und Datensicherheit in allen Punkten gerecht werden. Aber in Summe tragen wir dazu bei, dass rund 40 Millionen Sparkassen-Kunden auf ihrer Customer Journey genau das bekommen, was sie sich vom Finanzpartner ihres Vertrauens erwarten.

Ein praktisches Beispiel ist unsere Mitarbeit im Teilprojekt „Datenbasierte Endkundenzentrierung“ des Projektes „Digitale Agenda 3.0“ des Deutschen Sparkassen- und Giroverbands (DSGV). Wir konzipieren und entwickeln dort die passenden Datenstrukturen. Technologisch bewegen wir uns dabei im Top-Segment der Data-Analytics-Liga: Wir realisieren die Lösung auf Basis einer speziell für Analytics entwickelten In-Memory-Datenbank. Die hohe Performance, die durch eine spaltenorientierte Speicherung und parallele Verarbeitung von Daten erzielt wird, erlaubt uns, die immensen Datenmengen aller 376 Sparkassen in Deutschland institutsübergreifend in die Auswertung der Customer Journey einzubeziehen. Die Voraussetzung dabei ist, dass wir den hohen Standards der Sparkassen-Finanzgruppe und den rechtlichen Vorgaben der Datenschutzgrundverordnung gerecht werden. Dazu gehört unter anderem, dass wir Datenstrukturen aufbauen, über die keinerlei Rückschlüsse - auch nicht indirekt - auf die Identität einzelner Personen gezogen werden können. Da nicht alle Sparkassen-Kunden der Verwendung von Daten für die Optimierung der Customer Journey zugestimmt haben, schloss sich die Sammlung sämtlicher Rohdaten in nur einem Datentopf aus. Denn ohne logische Trennung innerhalb des Data Lakes lässt sich nicht ausschließen, dass Korrelationen zwischen einzelnen Datensätzen hergestellt und somit Rückschlüsse auf bestimmte Personen gezogen werden können.


Vielfältige Datenquellen

Zur Analyse und Optimierung der Customer Journey werten wir unterschiedlichste Daten aus. Quellen sind neben den Log-Dateien der Online Banking-Anwendung „Internet-Filiale“ auch Google Analytics-Daten sowie perspektivisch Daten aus der Sparkassen-App und den kanalübergreifenden Prozessen zu Produktverkäufen und -beratungen in der Gesamtbanklösung der Sparkassen. Für diese Daten haben wir im Projektteam eine Struktur entwickelt, die Korrelationen zwischen Daten, die zu einer Person gehören, unmöglich macht. Dazu haben wir einen Data Lake bestehend aus vielen verschiedenen Bestandteilen konzipiert. In diese werden spezifische Daten, wie beispielweise abgebrochene Vorgänge, erfolgreiche Produktabschlüsse etc., zusammengefasst und zur Analyse bereitgestellt. Durch das Sammeln der in der Gesamtbanklösung vertriebskanalspezifisch vorgehaltenen Daten in einer vorgangsbezogenen Struktur bieten wir für die Analyse der Customer Journey eine kundenbezogene Sicht auf die Dinge an. In Analysen kann dann betrachtet werden, wie sich Kunden in den verschiedenen Vertriebskanälen - also Online-Banking, Filiale und App Sparkasse - „bewegen“, welche Themen sie in welchem Kanal besonders interessieren und über welche Kanäle sie welche Produkte abschließen.


Algorithmen trainieren

Für eine hohe Treffsicherheit der Auswertungen entwickelt der Projektpartner S Rating und Risikosysteme Auswertungsmodelle mit den pseudonymisierten Daten der Kunden, die einer Verarbeitung zur Optimierung der Customer Journey zugestimmt haben. Mit diesen Modellen können die Sparkassen sowie die Sparkassenverbände dann aus der wesentlich größeren Datenbasis der institutsübergreifenden anonymisierten Daten substanzielle Erkenntnisse zum Kundenverhalten gewinnen. Fachliche Anforderungen dazu formulieren die Projektpartner des DSGV, die S Rating und Risikosysteme sowie die projektbeteiligten Sparkassen. Die Zusammenarbeit mit unterschiedlichsten Experten – angefangen von den Juristen und Datenschutzbeauftragten über die Spezialisten im Verband bis hin zu den Praktikern aus den Instituten – macht die Projektarbeit vielschichtig und interessant. Unsere Aufgabe ist es dann, aus den unterschiedlichsten Antworten die jeweils passende Lösung zu entwickeln – das ist in manchen Fällen kniffelig und nicht immer in nur einem unserer 3-Wochen-Sprints zu schaffen. Aber in unserem Team und auch mit den Kolleginnen und Kollegen aus den anderen Organisationen macht das ungeheuer Spaß und führt zu richtig guten Ergebnissen. Das sind zum Beispiel verdichtete Kennzahlen für die definierten Anwendungsfälle, aus denen unsere Projektpartner wichtige Informationen und Trends im Kundenverhalten erkennen können.