Praxisfall Julius Bär Wie Data Science im Wealth Management zum Erfolg führt

Peter Neckel (l.) und Ludwig Ressner: „Für Kundenbetreuter am Sitz Zürich werden die beschriebenen Empfehlungen bereits regelmäßig ausgespielt.“ | © Julius Bär

Peter Neckel (l.) und Ludwig Ressner: „Für Kundenbetreuter am Sitz Zürich werden die beschriebenen Empfehlungen bereits regelmäßig ausgespielt.“ Foto: Julius Bär

Spätestens seit der Themenkomplex Data Science, Big Data und Künstliche Intelligenz die Titelseiten erobert hat, ist klar: Es handelt sich um einen der bedeutendsten Megatrends des 21. Jahrhunderts. Mittlerweile haben zahlreiche Unternehmen aus den unterschiedlichsten Branchen (Pilot-)Projekte gestartet, um aus dem Einsatz von Data-Science-Methoden konkreten Nutzen zu ziehen.

Nach den ersten Erfahrungen stellen sich meist sehr grundsätzliche Fragen, etwa: Wie sollte ein Data-Science-Team dauerhaft zusammengestellt sein? Welche Verantwortlichkeiten, sogenannte Rollen, sind dabei für welche Aufgaben vorzusehen? Oder: Wie gestaltet man die Zusammenarbeit mit den wichtigsten Projekt-Stakeholdern sowie mit Mitarbeitern anderer Abteilungen des Unternehmens möglichst effizient? Wie können Change-Management-Prozesse – speziell im Data-Science­­­­­-Umfeld – sinnvoll begleitet und gestaltet werden? Und nicht zuletzt: Wie erfolgen die organisatorische Einbettung und die Institutionalisierung?

Auch wir bei Julius Bär haben uns diese Fragen gestellt. Daher haben wir im Frühjahr 2018 unter dem Namen „Target Insights“ ein eigenes Data-Science-Startup und Innovationslabor initiiert, mit dem Ziel, verfügbare Daten effizienter – zum Beispiel zur besseren Kundenbetreuung – zu nutzen und eine datengetriebene Kultur zu fördern. Das funktionsübergreifende Team erhält dabei den Raum, unter Start-up-Bedingungen neue Data-Science-Lösungen zu entwickeln, ohne den üblichen internen Vorgaben und Restriktionen klassischer IT-Projekte folgen zu müssen. Neben dem Finden und Umsetzen profitabler Analyseszenarien weiteres wesentliches Ziel ist der interne Wissens- und Erfahrungsaufbau.

Die Kundenbeziehungen in der Vermögensverwaltung sind besonders komplex, weshalb ein tiefgehendes Verständnis dieser Beziehungen und ein hohes Maß an Kundenkenntnis wichtige Differenzierungsfaktoren im Wettbewerb bilden. Der beschriebene Status quo zeigt die große Bedeutung organisatorischer Aspekte: Da Data-Science-Projekte typischerweise eine bereichsübergreifende Zusammenarbeit erfordern, sind die üblichen Organisationsstrukturen mit ihrer meist strikten Trennung zwischen IT und Fachbereichen denkbar ungeeignet. Oft scheitern derartige Projekte daher viel eher an Kompetenzstreitigkeiten, Einzelinteressen sowie mangelnder Bereitschaft zur Kooperation als an mangelnder technischer Kompetenz.