BANKINGNEWS: Was sind die Erfolgsfaktoren für eine Kooperation zwischen einer Bank und einem Fintech?
Gerrit Sindermann: Es gibt meiner Erfahrung nach drei entscheidende Faktoren. Erstens: Klarheit über die beiderseitigen Rollen und Erwartungen – das bedingt einen sehr offenen Dialog, der Vertrauen aufbaut und beiderseitig nicht nur auf Nehmen, sondern auch auf Geben ausgerichtet sein muss. Zweitens bedarf es einer Bereitschaft bei der Bank, Neues zu testen. Compliance und Co. müssen natürlich eingehalten, aber es muss auch kreativ gedacht werden, wie man existierende Prozesse anders abwickeln könnte. Dazu hilft ein Blick in den Markt. Drittens ist Realismus aufseiten des Fintech-Anbieters gefordert: Die wenigsten Bankpartner werden ihre gesamte IT-Landschaft in einem Jahr umbauen, um den Fintech-Partner besser anbinden zu können. Erfolgreiche Fintech-Lösungen sind deshalb fähig, sich in die bestehende Umgebung einzupassen. Außer man hat einen Stand-alone-Service, der „nur“ eine Multibankingschnittstelle o.ä. nutzt.
„Ein grundsätzliches Umdenken ist erforderlich“
Gibt es Unterschiede zwischen Deutschland und der Schweiz, was die Bereitschaft der Banken zu Kooperationen mit Fintechs angeht?
Im deutschen Markt sind wir noch recht neu unterwegs. Deswegen können wir noch nicht auf so einen tiefen Erfahrungsschatz zurückgreifen wie in der Schweiz, wo wir inzwischen mit 20 Banken kooperieren. Auch dort hat es eine Weile gedauert, die ersten Kunden zu überzeugen. Danach hilft allerdings das kleine Ökosystem: Referenzen sprechen sich schnell herum und mit ein paar zentralen Partnern kann man den Markt verhältnismäßig schnell erschließen. In meinem halben Jahr bei Contovista habe ich bereits sehr positive Erfahrungen in Deutschland gemacht. In weniger als drei Monaten konnten wir die erste Sparkasse zu einem Proof-of-Concept für unsere Analytics- / Machine-Learning-Lösung überzeugen. Auch von anderen Instituten wurde erstes Interesse recht schnell signalisiert. Der hohe Wettbewerb und die schnelle Entwicklung des Marktumfeldes erzeugen in Deutschland meiner Meinung nach einen höheren Druck für die Banken, nach Lösungen zu suchen. Allerdings unterscheiden sich die durchschnittlichen Sales-Zyklen nach bisheriger Erfahrung nicht wesentlich von denen in der Schweiz.
„Das Ziel im Auge: mehr Umsatz“
Was verstehen Sie unter „data-driven Banking“?
Banken müssen in der Zukunft mit deutlich weniger persönlichem Kundenkontakt deutlich bessere Kundenkenntnis erlangen, um real-time hochpersonalisierte Dienstleistungen und Produkte bereitzustellen. Das erfordert ein grundsätzliches Umdenken sowie kulturelle, prozessmäßige und technische Veränderungen in Bezug darauf, wie man Daten sammelt, aufbereitet, analysiert und darauf basierend handelt, Feedback sammelt – und wieder von vorne beginnt. Dies ist ein kontinuierlicher Prozess. Die Daten werden aus vielen Quellen generiert. Der zentrale Ausgangspunkt sind bei uns die Zahlungsstromdaten. Aus diesen kann man bereits sehr viel lernen, sobald sie bereinigt und angereichert wurden. Was die Bank darüber hinaus an Datenquellen mit einsteuert, bestimmt den erreichbaren Schärfegrad der Analysen.
Welche Rolle spielen Personal Finance Management (PFM) und Business Finance Management (BFM) im Kontext von data-driven Banking?
PFM und BFM sind das „face to the customer“. Man muss den Kontakt zum Kunden halten und Touchpoints kreieren. Das geht am einfachsten durch die Bereitstellung ansprechender Kanäle. Dies stellt einen Anreiz für den Kunden dar, der Bank die Einwilligung zur Analyse seiner Daten zu geben. Dazu muss man ihm signalisieren, dass er sofort einen Mehrwert erhält. Weitere Konsequenzen sind eine persönlichere Beratung und Ansprache: keine irrelevante, sondern passende Empfehlungen im richtigen Moment. PFM und BFM sind für die Bank also der Schlüssel dafür, dass die Datennutzungsrechte eingeholt werden können, was mit der Datenschutz-Grundverordnung (DSGVO) noch einmal an Bedeutung gewinnt.
Es gibt bereits einige Anbieter mit PFM- oder Analytics-Lösungen. Wie unterscheidet sich Constovista von diesen?
Zum einen können wir durch die Datenkompetenz und die Fähigkeit, Daten partner-übergreifend anzureichern, Netzwerkeffekte generieren. Durch den Background der Gründer und Projekte mit unterschiedlichen Kernbanksystemen haben wir gelernt, wie eine einfache und schnelle Integration innerhalb der Bank gelingen kann. Wir nutzen leistungsstarke Analysemethoden auf Machine-Learning-Basis, die es der Bank erlauben, den ultimativen Mehrwert aus angereicherten Daten und Messungen zu ziehen. Letztlich muss immer das Ziel im Auge behalten werden, mehr Umsatz zu generieren und Geschäftsbeziehungen zu sichern.
