IMF Global Data Explorer

How about some visual takeaways from the IMF’s World Economic Outlook? Recently I prepared two nifty data visualizations with Tableau that I like to share with you.

These visualizations allow you to explore plenty of economical data, including IMF staff estimates until 2020. Don’t forget to choose „Units“ after switching „Subject“ on the right-side bar. A detailed description on each subject is displayed below.

Tableau

Digitale Banken: Welche Anforderungen bringt die Digitalisierung?

Skyline von Frankfurt am Main
Skyline von Frankfurt: Verpassen Banken den Sprung zur Digitalen Bank? (Foto: Flickr)

Retail-Banken stehen bereits in direktem Wettbewerb mit Nicht-Banken. Apple, Google und Paypal stoßen längst in das Privatkundengeschäft der Banken vor, rücken dabei die Kunden in den Mittelpunkt, lösen Banking von klassischen Mustern und schaffen neue Interaktionsmöglichkeiten. Authentifizierung erfolgt per Fingerabdruck und Pulsmessung, der Datenabgleich per Nahfeldkommunikation (NFC) und die Buchung erscheint in Echtzeit auf dem Smartphone oder der Apple Watch.

Diese neuen Player kommen mit ihren disruptiven Innovationen zu einer Zeit, die ohnehin Banken weltweit vor massive Herausforderungen stellt: ein wohl noch lange anhaltendes niedriges Zinsniveau, hoher Kostendruck, zunehmende Regulierung und schwindendes Vertrauen der Kunden. Ethikkodizes zeigen hier bislang keine wirkliche Abhilfe. Stattdessen sollten Retail-Banken selbst den Schritt zur digitalen Bank machen – und das besser früher als später, nicht unkoordiniert nach dem Gießkannenprinzip, sondern mit einer digitalen Strategie.

Das Beste aus zwei Welten

Digitale Banken können Vorteile aus zwei Welten vereinen: einerseits einen klaren Kundenfokus, die Optimierung des Filialnetzes und Transparenz  in der Außendarstellung, andererseits die Integration der Vertriebskanäle und ein effizientes und effektives Geschäftsmodell in der Innenbetrachtung – beides ermöglicht durch die Digitalisierung und den dazugehörigen Technologien, Prozessen und Organisationsstrukturen. Die damit einhergehenden Aufgaben werden allerdings nur jene Banken erfolgreich meistern, deren Management einen weitreichenden kulturellen und strategischen Wandel einleitet und auch Digital Natives bei der Entwicklung und Umsetzung intensiv mit einbezieht.

Es handelt sich dabei um einen Irrtum, dass der Digitalisierung mit der Entwicklung von Apps Genüge getan wäre. Sicher ist es wünschenswert, dass Kunden ihren Sparplan per Schieberegler auf verschiedene Fonds aufteilen können oder in Echtzeit per Push Notification über Zahlungseingänge, Orderausführungen und Kreditkartenbelastungen informiert werden. Doch dies allein wird nicht für den Ausbau des Geschäfts reichen. Vielmehr müssen sich auch die darunter liegende Geschäftsmodelle ändern. In der digitalen Welt gelten Modelle mit Sockel- oder Grundgebühren als überholt. Schließlich fallen bei Ordererteilung via Smartphone keinerlei manuelle und somit kostenintensive Tätigkeiten an.

Neubau der Europäischen Zentralbank (EZB)
Neubau der Europäischen Zentralbank (Foto: Flickr)

Das Multi-Channel-Erlebnis und Crowd Investment

Um das Geschäftsmodell konsequent an den Kunden auszurichten, ist neben dem Erweitern bestehender Dienstleistungen auch eine nahtlose Integration der Vertriebskanäle erforderlich. Die Bankfilialen können mit längeren Öffnungszeiten punkten. In urbanen Zentren bietet sich zudem die Einrichtung von Flagship Stores an. Bei der Beratung stehen die Kunden im Fokus, und nicht die vorgegebenen Vertriebsziele. Unterstützt werden die Kundenberater dabei mit analytischen Tools, die in Echtzeit die Finanzsituation des Kunden voraussagt und zum Beispiel verschiedene Varianten der Baufinanzierung oder das Fremdwährungsrisiko bestimmter Investmentoptionen auf einem Tablet grafisch aufzeigt.

Informationen, die die Kunden preisgeben, werden in einem Customer Relationship System (CRM) gespeichert, und zwar vom Vertriebskanal unabhängig. Auf der anderen Seite bekommen Kunden auf den Online-Portalen stets maßgeschneiderte Empfehlungen. Eine Chatfunktion ermöglicht die persönliche Beratung auch jenseits der Öffnungszeiten. Das kommt insbesondere der attraktiven Zielgruppe der hochvermögende Personen, sogenannte High Net Worth Individuals (HNWI), entgegen, da dieser Personenkreis sehr informationsaffin ist und sich nicht selten erst spät abends oder sonntags neuen Investitionsmöglichkeiten widmet.

Eine entsprechende Community bietet ein Forum für den Austausch der Kunden unter einander. Werden in einem solchen Forum Aktien, Fonds oder Basisprodukte genannt, so werden diese automatisch zu den entsprechenden Angeboten der Bank verlinkt. Einen Schritt weiter geht der Ansatz des Crowd Investments, bei dem sich Kunden den Entscheidungen anderer Anleger anschließen und so beispielsweise Umschichtungen im Depot automatisiert vollzogen werden. Zusätzliche Motivation könnte hierbei durch Gamification in Form von Rankings und Awards geschaffen werden, wie es heute schon bei Fitness-Plattformen üblich ist.

Die Zukunft nicht verpassen

Heute stehen einem solchen Kundenerlebnis häufig IT-Systeme gegenüber, die Daten in abgeschotteten Silos halten und die direkte Verknüpfung, Aggregation und Auswertung somit erschweren. Diese Hürden gilt es zu beseitigen, um die Grundlagen der Digitalisierung zu legen. Verpassen die Banken den Sprung zur Digitalen Bank, werden andere Marktteilnehmer diese Lücken füllen. Die zurückbleibenden Banken müssen sich auf eine Abwanderung von Kunden und sinkende Erträge einstellen. Wie schnell das gehen haben, haben schon andere Branchen leidvoll erfahren müssen. Vor nicht allzu langer Zeit wurden noch Milliarden mit Nokia-Telefonen und dem Versenden von Kurzmitteilungen (SMS) umgesetzt. Beides fand ein sehr schnelles Ende…

Was meinen Sie? Sehen Sie Ihre Bank den Anforderungen der Digitalisierung gewachsen? Ich freue mich darauf, mit Ihnen zu diskutieren.

Beitrag zuerst veröffentlicht am 27.03.2015 im Capgemini IT-Trends-Blog.

Ist der Mittelstand der Digital Transformation gewachsen?

Frankfurt
Digital Transformation: eine Investition in neue Märkte

Technologieaffine Konsumenten verlassen sich bei der Auswahl von Restaurants und für Preisvergleiche schon längst auf zahlreiche Dienste, die Daten qualitativ aufbereiten und nutzbar machen. Aus dem Alltag der Digital Natives sind Technologien wie Cloud, Mobile, und Big Data nicht mehr wegzudenken. Internet of Things (IoT) hat auf Gartner’s Hype Cycle sogar den Gipfel der Erwartungsskala erreicht. Obwohl auch viele Unternehmen dem potenziellen Nutzen der Digital Transformation beipflichten, beschäftigen sich tatsächlich nur sehr wenige Unternehmen ernsthaft mit dieser Entwicklung. Insbesondere viele mittelständische Unternehmen sehen diesen Trend mit Skepsis und finden häufig auch Bestätigung bei ebenfalls risikoscheuen Unternehmen aus demselben Umfeld. Ich möchte Ihnen in diesem Beitrag einige Gründe für das Zögern der mittelständischen Unternehmen beim Thema Digital Transformation näher bringen. Meiner Meinung nach bieten diese neuen Technologien Mittelstands-CIOs eine Chance das Geschäftsfeld auszuweiten.

Die Sunk Cost Fallacy

Die meisten Unternehmen, auch die mittelständischen, haben bereits in bestimmte Technologien investiert und sind oft nicht bereit eine überlegene neue Technologie zu implementieren oder auch nur zu testen. Hier schnappt die Sunk Cost Fallacy zu, da die Unternehmen schon besonders viel Zeit, Geld und Energie investiert haben. Das investierte Geld wird dann zur Begründung, mit der bestehenden Technologie weiterzuarbeiten, selbst wenn es objektiv betrachtet keinen Sinn mehr macht.

Jedoch befriedigen solche bestehen Technologien höchstens die Bedürfnisse, die Konsumenten heute haben. Den Anforderungen, die die Kunden morgen haben werden, wird das Unternehmen hiermit nicht gerecht. Angesichts des heutigen dynamischen Geschäftsumfeldes ist die Technologie, die die Erwartungen der Kunden erfüllt bereits obsolet bis diese zum Einsatz kommt.

Disruptive Innovationen

Wenn Unternehmen nicht selbst ihr Geschäft durch disruptive Innovationen umkrempeln, werden es neue Wettbewerber tun. Auch wenn viele mittelständische Unternehmen die Vorteile der Digital Transformation erkennen, sind sie zurückhaltend bei der Einführung einer unerprobten Technologie in ihre aktuelle Infrastruktur. Noch mehr Zurückhaltung erfährt die Überarbeitung der Geschäftsprozesse, die für eine datengetriebenen Denkweise und somit für disruptive Innovationen unabdingbar ist.

Somit warten immer noch viele dieser Unternehmen in der Hoffnung, dass ihre Wettbewerber den ersten Schritt in Richtung Digital Transformation machen. Dieses Verhalten wird von Sozialpsychologen Pinguin-Effekt genannt. Mittelstandsunternehmen könnten jedoch durch Digital Transformation von zahlreiche First-Mover-Vorteilen profitieren, einschließlich des Wettbewerbsvorsprungs gegenüber der Konkurrenz. Solche Pionierunternehmen können, zumindest für eine gewisse Zeit, die Exklusivität des erweiterten Geschäftsmodells nutzen und sich die dadurch erhöhte Medienpräsenz zu Nutze machen.

Technologie als Innovationstreiber

Digital Transformation ist eine Investition in neue Märkte und Chancen, aber nur, wenn Unternehmen verstehen, wie Technologie zum Innovationstreiber wird. Um mittelständischen Unternehmen den Weg der Digital Transformation zu ebnen, ist es notwendig, deren Wertschöpfung deutlich hervorzuheben. Ein umfassender Business Case, der eine Wertschöpfung deutlich zeigt, wird solche Unternehmen veranlassen, Pilotprojekte aufzusetzen, die zeigen, dass die suggerierten Vorteile von Digital Transformation in der Tat erreichbar sind. Solche kleinen Erfolge sind für die weitere strategische Planung der Digital Transformation unverzichtbar. Unternehmen, die ihre datenzentrischen Fähigkeiten ausbauen sind gut aufgestellt, um auf lange Sicht am Markt zu gewinnen.

Viele Mittelstandsunternehmen aus Deutschland sind in ihrem Bereich Marktführer und extrem innovativ. Wachstum ist Teil ihres Geschäftsmodells. Ist Ihr Unternehmen für die Expansion in andere Märkte vorbereitet und kann Schritt mit den Anforderungen der Digital Transformation halten? Ich freue mich auf Ihren Kommentar.

Beitrag zuerst veröffentlicht am 13.03.2015 im Capgemini IT-Trends-Blog.

A Data Processing Guide in the Big Data Jungle

14514437527_f687202d5d_k
Too many choices? Don’t get lost!

We are deep in the Big Data jungle. According to Gartner’s Hype Cycle for Emerging Technologies, Big Data has now officially passed the “peak of inflated expectations”, and is now on a one-way trip to the “trough of disillusionment”. Gartner says it’s done so rather fast, because we already have consistency in the way we approach this technology, and because most new advances are additive rather than revolutionary.

Pig, Hive, Impala, Tez and Spark: which one suits for which use case?

With so much hype and so many new advances, it’s easy to get lost. This little guide gives you an overview on data processing technologies in the Big Data jungle and tries to identify the best use cases for each.

  • Pig: Pig is often useful for pulling apart unstructured and nested data like text or JSON. Since Pig Latin is a procedural language, it is a very good choice for developing data pipelines on Hadoop. Pig is based on MapReduce and has tools for data storage, data execution and data manipulation.
  • Hive: Hive was original “relational on Hadoop” and is the first Hadoop SQL (HiveQL to be precise) query engine. Hive is still the most mature engine from all in this guide, as well as the slowest one. Hive is also based on MapReduce and is a very good choice for heavy ETL tasks where reliability is important, eg. daily aggregation jobs.
  • Impala: Impala is the only native open-source SQL query engine in the Hadoop world. It skips MapReduce entirely and is best used for SQL queries over big volumes. Impala is also capable of delivering results interactively over bigger volumes and with a much faster speed than other Hadoop query engines.
  • Tez: Tez may be considered as a better and faster base for query engines like Pig and Hive. Tez gets around limitations imposed by MapReduce and enables use cases with near-real-time performance and Machine Learning, which do not fit well into the MapReduce paradigm.
  • Spark: Spark is an in-memory query engine that also skips MapReduce. Perfect use cases for Spark are streaming, interactive data processing and ad-hoc analysis of moderate-sized data sets (as big as the cluster’s RAM). The ability of Spark to reuse data in-memory is the real highlight for these use cases. Spark SQL offers relational connectivity.

7 Big Data Analytics Use Cases for Financial Institutions

Big Data Analytics
Big Data Analytics

Recently we hear a lot about Big Data Analytics‘ ability to deliver usable insight – but what does this mean exactly for the financial service industry?

While much of the Big Data activity in the market up to now has been experimenting about Big Data technologies and proof-of-concept projects, I like to show in this post seven issues banks and insurances can address with Big Data Analytics:

1. Dynamic 360º View of the Customer:
Extend your existing customer views by incorporating dynamic internal and external information sources. Gain a full understanding of customers – what makes them tick, why they buy, how they prefer to shop, why they switch, what they’ll buy next, and what factors lead them to recommend a company to others.

2. Enhanced Commercial Scorecard Design and Implementation:
Financial institutions use Big Data solutions to analyze commercial loan origination, developing scorecards and scoring, and ultimately improving accuracy as well as optimizing price and risk management.

3. Risk Concentration Identification and Management:
Identify risk concentration hotspots by decomposing risk into customized insights. Clearly see factor contribution to risks and gain allocation consensus through downside risk budgeting.

4. Next Best Action Recommendations:
Make „next best action“ an integral part of your marketing strategy and proactive customer care. With analytical insight from Big Data, you can answer such questions as: What approach will get the most out of the customer relationship? Is selling more important than retention?

5. Fraud Detection Optimization:
Preventing fraud is a major priority for all financial services organizations. But to deal with the escalating volumes of financial
transaction data, statisticians need better ways to mine data for insight. Optimization for your current fraud detection techniques help to leverage your existing fraud detection assets.

6. Data and Insights Monetization:
Use your customer transaction data to improve targeting of cross-sell offers. Partners are increasingly promoting merchant based reward programs which leverage a bank’s or credit card issuer’s data and provide discounts to customers at the same time.

7. Regulatory and Data Retention Requirements:
The need for more robust regulatory and data retention management is a legal requirement for financial services organizations across the globe to comply with the myriad of local, federal, and international laws (such as Basel III) that mandate the retention of certain types of data.