Anzeige
Anzeige

Exklusiv für Abonnenten

Dieser Beitrag steht exklusiv Abonnenten des SparkassenZeitung Portals zur Verfügung.
Bitte loggen Sie sich hier ein:

Haben Sie Ihr Passwort vergessen oder benötigen Sie ein neues?
Hier anfordern

Weitere Informationen zu Produkten, Bestellmöglichkeiten mit Testzugang, Lizenzprüfung oder FAQs finden Sie im Bereich Abo-Service.
Bei Fragen nehmen Sie gern Kontakt online mit uns auf oder rufen Sie uns an:
Tel.: +49 711 782-1173.

Passwort vergessen

Geben Sie Ihre E-Mail Adresse an und erhalten Sie einen Link um Ihr Passwort zurückzusetzen.

Bitte geben Sie hier Ihre E-Mail-Adresse an, mit der Sie bei uns registriert sind. Nach dem Klicken auf "Absenden" bekommen Sie eine Mail mit dem Link. Klicken Sie den Link an oder kopieren Sie diesen in die Adressleiste Ihres Internetbrowsers. So werden Sie automatisch angemeldet und können Ihr Passwort ändern.

Anzeige
13. Februar 2017 - 08:30Digitalisierung

Neue Erträge aus Kundendaten

von Markus Büchsler, David Paviera, Gunnar Stratmann

Facebook und Google haben vorgemacht, welches Potential in datenorientierten Geschäftsmodellen liegt. Sparkassen besitzen ebenfalls viele wertvolle Kundendaten. Durch moderne Analyseverfahren könnte dieser Datenschatz die Ertragsmechanik der Sparkassen revolutionieren, zeigt eine Abschlussarbeit von Lehrinstitutsabsolventen.

Eine Kurzzusammenfassung finden Sie hier.

Die im Zuge der Digitalisierung generierbare Datenmenge birgt großes Potential zur Ertragsgewinnung. (Thananit/fotolia)

Die Sparkassenlandschaft steht wie ein Großteil der europäischen Banken unter einem zunehmenden Ergebnisdruck, der durch das gesamtwirtschaftliche Umfeld sowohl von der Ertrags- als auch von der Aufwandsseite her erzeugt wird. Neben den stetig zunehmenden regulatorischen Anforderungen und dem anhaltenden Niedrig- bzw. Negativzinsniveau hat vor allem eine voranschreitende Digitalisierung der Gesellschaft Einfluss auf die Ergebnissituation der Sparkassen. Hinzu kommen veränderte Kundenbedürfnisse im Umgang mit Bankdienstleistungen sowie daraus resultierend der Eintritt neuer Wettbewerber, die als sogenannte Fintechs durch eine hohe Agilität und Dynamik Teile vorhandener Wertschöpfungsketten der etablierten Kreditinstitute attackieren und zusätzlich innovative Produkte und Services bieten. Neben diesen Fintech-Start-ups muss die Sparkassenlandschaft auch Internetgiganten wie Google, Facebook und Apple verstärkt im Blick behalten, die mit ihren digitalen Zahlungsverkehrslösungen das Girokonto als Ankerprodukt der Sparkassen bedrohen.

Diese neuen Marktbedingungen eröffnen aber auch große Chancen, neue Ertragsquellen zu erschließen und neue Geschäftsmodelle zu entwickeln. Im Zuge der Digitalisierung hat sich die Gewinnung und Verwertung von Kundendaten als erfolgreiches Ertragsmodell herauskristallisiert. Daten werden als das „Öl des 21. Jahrhunderts“ bezeichnet, dessen systematische und nachhaltige Erschließung, Förderung und Verwertung einen relevanten Ergebnisbeitrag für die Unternehmen generieren kann.
Gerade die Sparkassen besitzen aufgrund ihrer Marktführerschaft einen enormen Kundendatenschatz, etwa in Form der Zahlungsverkehrsdaten (ZV-Daten) von mehr als 35 Millionen Girokonten im Privatkundenbereich. Diese Datenquelle bietet tiefste Einblicke in das Kundenverhalten und kann durch die Anwendung innovativer Big Data- und Advanced Analytics-Technologien erhebliches Potential zur Steigerung der Vertriebsleistung als Folge einer hoch individualisierten Kundenansprache eröffnen. Da entsprechende Verfahren in der Organisation bisher nur rudimentär angewendet und verbreitet sind, lässt sich eine große, noch zu erschließende Ertragsquelle für die Sparkassen-Finanzgruppe (SFG) vermuten.

Kundendaten als lukrative Ertragsquelle

Die bisweilen zurückhaltende Monetarisierung von Kundendaten ist neben den häufig ins Feld geführten rechtlichen Bedenken vor allem darauf zurückzuführen, dass vielen Sparkassen der Ertragswert ihrer Kundendatenbestände nicht bewusst ist. Im Folgenden sollen deshalb pragmatische Bewertungsansätze vorgestellt werden, die eine Indikation des Datenwerts von ZV-Daten im Privatkundengeschäft ermöglichen.
Man kann einen externen und einen internen Wert unterscheiden. Der externe Wert bezeichnet den Marktwert von Kunden- bzw. Zahlungsverkehrsdaten auf einem externen Drittmarkt. Der interne Wert hingegen lässt sich aus der zielgerichteten Verarbeitung der Daten zur Erhöhung der Cross- und Upsellingerfolge aus bestehen Kundenbeziehungen ableiten.
(BBL)

Ermittlung des externen Werts
Zunächst soll ein Bewertungsmodell vorgestellt werden, das die Indikation eines externen Werts von ZV-Daten ermöglicht. Es handelt sich dabei um ein Vergleichsmodell, welches die ZV-Daten eines Kunden in Relation zu anderen Arten von Kundendaten setzt, für die ein Marktwert ermittelbar ist (s. Abb. 1). Den unteren Referenzwert bilden klassische Adressdaten. Es handelt sich dabei um einfache Massendaten, die ohne großen Aufwand von diversen Anbietern am Markt zu erhalten sind und nur eine geringe Trennschärfe aufweisen. Typische Selektionsmerkmale sind dabei etwa das Postleitzahlengebiet oder die Zahl der im Haushalt lebenden Personen. Für Adressdaten liegt der Marktwert bei deutlich unter einem Euro pro Datensatz.

Der nächste Datenpunkt bezeichnet eine Wertindikation eines Facebook-Profils. Der Nutzer gibt hier diverse private Informationen von sich preis, die eine bedeutende Relevanz für personalisierte Werbung beinhalten und demnach werthaltiger als klassische Adressdaten einzuschätzen sind. Der Marktwert eines Facebook-Profils kann unter anderem näherungsweise bestimmt werden, indem die Werbeeinnahmen auf die Zahl vorhandener Nutzer umgelegt werden. Gemäß aktueller Statistiken sind 2015 in Europa knapp 14 Euro an Werbeeinnahmen pro Facebook-Account generiert worden.
Als dritte Referenz wird der Preis einer Schufa-Auskunft herangezogen. Diese bezeichnet eine höchstpersönliche Information über die Bonität eines Kunden und genießt großes Vertrauen und weite Verbreitung, etwa bei Kreditinstituten oder auch Vermietern. Die Kosten für eine einmalige Schufa-Abfrage belaufen sich auf knapp 30 Euro.
Gestohlene Kreditkartendaten bezeichnen die obere Begrenzung des Vergleichsmodells. Diese Daten beinhalten hoch sensible Zahlungsinformation über einen Kunden, mit denen illegale Transaktionen ausgeführt werden können. Der Marktwert für diese Daten wird von externen Experten auf zirka 40 Euro geschätzt.
Aus Zahlungsverkehrsdaten lassen sich im Zeitverlauf weitgehend valide Aussagen hinsichtlich der Bonität des Kunden ableiten. Diese finden in aggregierter Form unter anderem Berücksichtigung in Scoring- und Ratingverfahren der Kreditinstitute. Des Weiteren lassen sich aus Zahlungsverkehrsdaten das konkrete Nutzerverhalten sowie Konsumpräferenzen des Kunden ableiten. Aufgrund des weitreichenden Informationsgehalts von Zahlungsverkehrsdaten wird deren Wert oberhalb des Preises einer Schufa-Auskunft eingestuft und unterhalb der im Modell beschrieben Wertobergrenze für den Preis gestohlener Kreditkartendaten. Als Ergebnis wird ein Mittelwert in Höhe von 35 Euro angenommen. Hochgerechnet auf den Gesamtbestand von 35 Millionen Girokonten innerhalb der S-Finanzgruppe, ergibt sich daraus ein potentieller externer Marktwert und damit Vermögenswert von rund 1,2 Milliarden. Euro.
Ermittlung des internen Werts
Hinsichtlich eines internen Werts von ZV-Daten sind die Möglichkeiten zur Hebung von Cross- und Upsellingpotentialen aus der Nutzung von modernen Analytics-Verfahren im Rahmen der Projektarbeit mit einer Partnersparkasse diskutiert und simuliert worden. Es resultierte ein prognostiziertes Wachstumspotential der Zins- und Provisionsüberschüsse von etwa drei Prozent. Mit Blick auf die Zins- und Provisionsüberschüsse der gesamten S-Finanzgruppe lässt sich daraus ein Ertragspotential und damit ein interner Wert von etwa 900 Millionen Euro ermitteln. Das Ertragspotential aller ZV-Daten liegt somit im Wertebereich von 0,9 bis 1,2 Milliarden Euro.
Anzeige
  1. Neue Erträge aus Kundendaten
  2. Kundendaten als lukrative Ertragsquelle
  3. Erfolgsfaktoren bei der Datenmonetarisierung
  4. Handlungsempfehlungen für die Datenmonetarisierung
  5. Fazit
 Druck-PDF herunterladen

Kommentare zum Artikel (0)