Wie Discovery Bank hyperpersonalisiertes Banking in großem Maßstab bereitstellt: verhaltensbasierte KI, kontrollierte Daten und Entscheidungsfindung in Echtzeit

Wie kann eine Bank jede Interaktion mit Kunden persönlich gestalten und gleichzeitig die Erwartungen an Skalierbarkeit, Geschwindigkeit, Sicherheit und Governance im Finanzdienstleistungsbereich erfüllen?

Hyperpersonalisierung im Bankwesen bedeutet, jede Interaktion mit Kunden für diese spezifische Person in genau diesem Moment relevant zu machen – basierend auf ihrem tatsächlichen Verhalten und nicht auf einem demografischen Segment. Es ist der Unterschied dazwischen, jedem Kunden unter 35 Jahren einen Sparhinweis zu senden, oder einem Kunden, der gerade eine Gehaltszahlung erhalten hat, dessen Festgeldanlage ausläuft und der diese Woche dreimal den Investmentbereich der App aufgerufen hat, einen gezielten Vorschlag anzuzeigen. Bei der Größenordnung, in der Finanzinstitute arbeiten, erfordert dies eine kontrollierte AI-Infrastruktur und keine manuelle Konfiguration.

Die Beziehung eines Kunden zu einer Bank erzeugt einen kontinuierlichen Strom von Signalen – von Zahlungen und Ausgabemustern über das Sparverhalten und die digitale Interaktion bis hin zu Kreditentscheidungen und Servicegesprächen. Die Herausforderung besteht darin, diese Signale in nützliche nächste Schritte umzuwandeln und gleichzeitig Personalisierung, Betrugsschutz, Service und Governance miteinander zu verknüpfen.

Für die Discovery Bank, die 2019 an den Start ging, um das Bankwesen in Südafrika zu verändern, lag die Antwort nicht in einem einzelnen Modell oder einer einzelnen Anwendung. Sie bestand darin, die Bank um Datenprodukte herum aufzubauen, die auf Verhaltenswissenschaften und AI basieren, und diese Produkte dann im gesamten Unternehmen zu verankern. Dieses Fundament unterstützt finanzielles Wohlbefinden, personalisierte Journeys, Betrugsschutz, Unterstützung für Bankberater, generative AI und kontrollierte Aktionen durch Agenten. Für die Teams, die diese Funktionen entwickeln, sorgt eine wiederverwendbare Entscheidungsfindung für konsistente Definitionen und Kontrollen in den Bereichen Marketing, digitale Erlebnisse, Service und Initiativen zur Verhaltensänderung.

Die Erfahrung der Discovery Bank bietet eine praktische Lektion für Führungskräfte im Finanzdienstleistungsbereich. AI wird wertvoller, wenn sie verbunden ist mit:

• Vertrauenswürdigen Daten
• Wiederverwendbaren Analyseprodukten
• Deterministischen Services
• Einer Governance, die aktiv bleibt, wenn Systeme von der Erkenntnis zur Aktion übergehen

Sehen Sie sich an, wie Stuart Emslie, Head of Data bei der Discovery Bank, berichtet, wie sie mit Databricks zusammengearbeitet haben, um dies zu erreichen.

Bauen Sie die Bank um einen gemeinsamen Wert herum auf

Die Discovery Bank überträgt das Kernziel der Discovery Group – Menschen gesünder zu machen sowie ihr Leben zu verbessern und zu schützen – durch ihr Shared-Value-Banking-Modell auf das Finanzverhalten. Wenn Kunden ihr Finanzverhalten verbessern, können sie mehr sparen, Kredite effektiver verwalten und finanziell widerstandsfähiger werden. Das schafft Wert für die Kunden, verringert das Risiko für die Bank und trägt zu einer widerstandsfähigeren Gesellschaft bei.

Die Umsetzung dieses Modells erfordert ein detailliertes und sich kontinuierlich weiterentwickelndes Verständnis des Verhaltens jedes einzelnen Kunden. Kunden haben unterschiedliche Ausgabenprofile, finanzielle Ziele und Vorstellungen von finanzieller Gesundheit. Aus diesem Grund hat die Discovery Bank Daten, Versicherungsmathematik, Verhaltenswissenschaften und AI zu den Grundpfeilern der Bank gemacht.

Verhaltensdaten in wiederverwendbare Produkte umwandeln

Die Discovery Bank führt demografische Daten, Transaktions- und Ausgabeverhalten, digitale Interaktionen, Spar- und Kreditindikatoren, Kreditrisikosignale, die Teilnahme an Bonusprogrammen und lifestylebezogene Informationen zusammen.

Die Discovery Bank nutzt die Databricks Data and AI Platform, um diese Informationen auf einer einzigen, kontrollierten Plattform zu vereinheitlichen und wiederverwendbare Datenprodukte zu erstellen – darunter Engineered Features, Verhaltensindikatoren, Modell-Scores, Trends, Prognosen und Empfehlungen. Die Data-Science-Engine der Discovery Bank kombiniert Vorhersage- und Regressionsmodelle, Quantilsregression, fortschrittliche Segmentierung und Ähnlichkeitssuchen, um dynamische Profile des Kundenverhaltens zu erstellen.

Diese kontrollierten, wiederverwendbaren Datenprodukte unterstützen Akquise und Preisgestaltung, Risikomanagement, die Personalisierung von Produkten und Erlebnissen, Serviceverbesserungen, die Unterstützung von Bankberatern, die Erkennung ungewöhnlicher Aktivitäten und den Betrugsschutz. Dieselbe zugrunde liegende Intelligenz kann über verschiedene Bereiche hinweg Mehrwert schaffen und gleichzeitig die für den jeweiligen Anwendungsfall erforderlichen Berechtigungen und Kontrollen anwenden.

Dieser Ansatz verbessert auch die Arbeitsweise der Teams. Anstatt für jede Anwendung separate Versionen von Kunden-Insights zu erstellen, können Entwickler auf gemeinsamen, kontrollierten Assets aufbauen. Delta Lake, MLflow und Unity Catalog unterstützen die Daten-, Modellierungs- und Governance-Muster, die erforderlich sind, um diese Assets als produktionsbereite Funktionen zu betreiben.

Die Next-Best-Action für den Kunden nützlich machen

Eine der ersten Anwendungen der Discovery Bank war Next-Best-Action (NBA). Das Ziel besteht nicht darin, etwas zu identifizieren, das die Bank kommunizieren möchte. Es geht darum zu bestimmen, welche Aktion für einen bestimmten Kunden in einem bestimmten Kontext zu einem bestimmten Zeitpunkt relevant und wertvoll ist.

Dieser Unterschied verändert die Rolle der Personalisierung. Eine Next-Best-Action sollte den Weg des Kunden zu finanzieller Gesundheit unterstützen, anstatt einfach nur die Outbound-Kommunikation zu erhöhen. Dieselbe Intelligenz kann Inbound- und Outbound-Interaktionen, digitale Journeys und den durch Bankberater unterstützten Service steuern.

Das NBA-Modell der Discovery Bank hat zu einer Steigerung von 40 % bei der Kundeninteraktion geführt. Es hat auch die Arbeitsweise der Datenteams verändert: Die Pipeline-Entwicklung läuft 20-mal schneller und die Erstellung von Datenprodukten ist 5-mal schneller, da die Teams auf gemeinsamen, kontrollierten Assets aufbauen, anstatt für jeden Kanal ganz von vorn zu beginnen.

Für die Daten-, Analyse-, Versicherungsmathematik-, ML- und Produktteams, die diese Funktionen entwickeln, ist das Designprinzip klar: Die Entscheidungsfindung muss wiederverwendbar und von dem Kanal, auf dem sie aktiviert wird, getrennt bleiben. Ein gemeinsamer Decisioning-Layer kann Marketing, digitale Erlebnisse, Service und Initiativen zur Verhaltensänderung unterstützen und gleichzeitig für konsistente Definitionen und Kontrollen sorgen.

Verhaltenskontext zum Schutz der Kunden nutzen

Dieselbe Intelligenz, die die Personalisierung unterstützt, kann auch die Sicherheit stärken. Herkömmliche Betrugskontrollen prüfen, ob eine Transaktion einem bekannten Muster entspricht. Der TRUST™-Alert der Discovery Bank fügt eine ergänzende Frage hinzu: Ist die Transaktion für diesen spezifischen Kunden plausibel?

TRUST™-Alerts bewerten finanzielle Interaktionen anhand der Verhaltensnormen und -muster eines Kunden. Die Discovery Bank hat Hunderte Millionen von Finanztransaktionen verarbeitet und prädiktive Modelle, Clustering, Quantilsregression und Anomalieerkennung angewendet, um zu quantifizieren, wie ungewöhnlich eine Interaktion ist.

Das Ergebnis ist eine Risikobewertung und keine binäre Antwort. Eine Interaktion mit mittlerem Risiko kann einen Alert auslösen, der erklärt, warum die Aktivität ungewöhnlich erscheint, und dem Kunden die Entscheidung über das weitere Vorgehen überlässt. Eine Interaktion mit hohem Risiko kann zu einem stärkeren Eingreifen führen, bis hin zur Sperrung des Kundenkontos.

Dieser abgestufte Ansatz bringt Schutz und Kundenerlebnis in Einklang. Er macht auch die Erklärbarkeit unerlässlich: Ein Risk Score allein reicht nicht aus. Kunden und operative Teams benötigen Kontext, um zu verstehen, warum eine Interaktion markiert wurde. Die Modelle werden über eine maßgeschneiderte, Azure-basierte Serving-Architektur operationalisiert, die Entscheidungen im großen Maßstab in weniger als ein paar hundert Millisekunden liefert.

Generative AI auf vertrauenswürdigen Fundamenten aufbauen

Das Prinzip der Discovery Bank für generative AI lautet, dass sie grundlegende Daten- und ML-Funktionen nicht ersetzen soll. Sie ist am leistungsstärksten, wenn sie mit ihnen zusammenarbeitet.

Traditionelle Datenprodukte liefern vertrauenswürdigen Kontext. ML-Modelle liefern Vorhersagen, Prognosen und Empfehlungen. Generative AI kann den Zugriff auf diese Intelligenz erleichtern sowie deren Erklärung und Anwendung vereinfachen.

Die von der Discovery Bank beschriebene Architektur führt vier Ebenen zusammen:

• Eine kontrollierte Datenebene mit kuratierten Kunden-, Produkt- und Transaktionsinformationen
• Eine Analyseebene, auf der Modelle Prognosen, Verhaltens-Insights, Empfehlungen und Next-Best-Actions generieren
• Kontrolltools und -dienste, die die für das AI-Erlebnis erforderlichen Informationen und Kernfunktionen bereitstellen
• Eine generative Ebene, die spezialisierte Large Language Models, Prozesse und Agenten nutzt, um die Aktion und Antwort zu bestimmen

Die Discovery Bank hat im Mai 2025 Discovery AI mit der Vision eingeführt, das Private Banking zu demokratisieren. Nicht, indem ein menschlicher Private Banker durch eine Chat-Schnittstelle nachgebildet wird, sondern indem das Serviceerlebnis durch tiefere versicherungsmathematische und verhaltensbezogene Intelligenz verändert wird.

Discovery AI kann Servicefragen beantworten, Kunden bei ihren Banking-Prozessen unterstützen, Aspekte ihres Finanzverhaltens analysieren, personalisierte Erkenntnisse liefern, Empfehlungen aussprechen und bei ausgewählten Aktionen helfen. Anstatt das richtige Menü oder Formular suchen zu müssen, können Kunden einfach das gewünschte Ergebnis beschreiben, und das System hilft dabei, den entsprechenden Ablauf zu koordinieren.

Den von Mitarbeitern unterstützten Service verbessern

Die Discovery Bank wendet dieselbe Intelligenz auf Self-Service, textbasierte Chats mit Bankberatern und In-App-Anrufe an. Für den von Mitarbeitern unterstützten Service nutzt die Discovery Bank außerdem einen AI-Assistenten für Bankberater, der relevante Informationen über den Kunden und die Serviceanfrage abruft und generiert. Eine weitere Funktion bringt Empfehlungen und die nächsten besten Schritte („Next-Best-Actions“) in die Interaktion ein, indem sie erklärt, warum die jeweilige Empfehlung relevant ist, und unterstützende Informationen bereitstellt.

AI hilft auch bei der Analyse von Service-Interaktionen. Unter Berücksichtigung von Governance-, Datenschutz- und Qualitätskontrollen kann sie wiederkehrende Kundenprobleme, neu auftretende Servicefragen, Qualitätslücken und Möglichkeiten zur Verbesserung von Abläufen identifizieren. Umfassendere Analysen helfen Teams dabei, Leistungstrends zu verfolgen und Agenten für bessere Ergebnisse zu coachen.

Dies hebt AI über die reine betriebliche Effizienz hinaus. Sie kann die Qualität der Interaktion verbessern und dem Unternehmen helfen, aus einer breiteren Palette von Kundengesprächen zu lernen.

Agenten in kontrollierte Workflows einbinden

Das agentische Muster der Discovery Bank kombiniert deterministische Dienste, traditionelle ML-Modelle, orchestrierte LLM-basierte Prozesse und Agenten. Agenten ersetzen nicht die Kontrollumgebung, sondern agieren innerhalb dieser.

In agentischen Anwendungsfällen können Kunden Text, Sprache, Bilder oder Dokumente bereitstellen, um Zahlungen zu tätigen, Einkäufe abzuschließen oder ähnliche Aktionen durchzuführen. Bestehende Kontrollen bleiben Teil des Ablaufs. TRUST™-Warnungen beispielsweise bewerten weiterhin das Betrugsrisiko, während Unity Catalog eine konsistente Governance-Ebene für strukturierte Bankdaten, Verhaltensmerkmale, Modell-Outputs, Dokumente, Aufzeichnungen, abgerufene Inhalte und Informationen bietet, die generativen Anwendungen zur Verfügung gestellt werden.

Dasselbe Prinzip gilt für dokumentenintensive Prozesse. Ein multimodales System kann ein Dokument klassifizieren, Felder extrahieren, Informationen mit bekannten Daten abgleichen, Unstimmigkeiten erkennen und den Kunden anleiten, was als Nächstes erforderlich ist. In Bereichen wie Kreditvergabe und Vitality Money (dem Bonusprogramm der Discovery Bank) kann dies die manuelle Verwaltung zu einem schnelleren und nützlicheren Prozess machen.

Von Verhaltensintelligenz zu kontrolliertem Handeln

Der Daten- und AI-Weg der Discovery Bank verlief kontinuierlich aufbauend. Er begann mit einer kontrollierten Datenplattform und wiederverwendbaren Datenprodukten. Anschließend entwickelte die Bank Verhaltensmodelle und Entscheidungsstrukturen für Personalisierung und Betrugsprävention. Generative AI machte diese Intelligenz für Kunden und Bankberater leichter zugänglich, während Agenten begannen, kontrollierte Aktionen zu koordinieren und komplexe Prozesse neu zu gestalten.

Datenteams können direkte Pipelines und ein integriertes ML-Framework nutzen, was SQL-Konvertierungen (den Prozess der Umwandlung von Daten von einem Datentyp in einen anderen) überflüssig macht und die Codeverwaltung vereinfacht. Die Datenverarbeitungszeiten sind 20-mal schneller und die Zeiten für die Erstellung und Implementierung von Datenprodukten 5-mal schneller. Durch die Nutzung teamübergreifender Zusammenarbeit, reduzierter Komplexität und hoher Effizienzgewinne konnte die Discovery Bank zudem ihre Kapazität zur Modellerstellung auf mehr als 300 Modelle pro Tag steigern.

Die Databricks Data and AI Platform hat die Fähigkeit der Bank grundlegend verändert, das für die Wertschöpfung erforderliche zentralisierte Ökosystem aufzubauen, indem verschiedene Komponenten ohne Abhängigkeiten in einer einzigen, konsolidierten Plattform integriert wurden. Diese Effizienzgewinne führten zu einer schnelleren Time-to-Insight und Time-to-Production, was zu einem beachtlichen Return on Investment von über 500 % führte.

Für Finanzdienstleistungsteams sind die praktischen Lehren daraus eindeutig:

• Bauen Sie wiederverwendbare Intelligenz rund um Geschäftsergebnisse auf, mit klarer Verantwortung und eindeutigen Definitionen
• Machen Sie die Umsetzbarkeit explizit: Ein Profil oder ein Score sollte als Grundlage für eine Entscheidung, Empfehlung, Intervention oder den nächsten Schritt dienen
• Integrieren Sie Erklärbarkeit direkt in die Benutzererfahrung, damit Kunden, Bankberater und operative Teams nachvollziehen können, warum das System so gehandelt hat
• Ergänzen Sie ein vertrauenswürdiges Fundament um generative AI und Agenten, während deterministische Dienste, ML, Berechtigungen und Governance stets eingebunden bleiben

Die Erfahrung der Discovery Bank zeigt, dass wiederverwendbare Datenprodukte Personalisierung, Betrugsschutz, Service und AI im gesamten Bankbetrieb miteinander verbinden können. Beginnen Sie mit vertrauenswürdigen Daten, Modellen, Kontrollen und Governance, und bauen Sie darauf generative AI und Agenten auf, um Erkenntnisse in sicheres, nützliches Handeln umzusetzen.

Möchten Sie mehr erfahren? Sehen Sie sich unser Financial Services Industry Forum: Financial Intelligence beats General Intelligence an, um zu erfahren, wie Sie AI im großen Stil operationalisieren können.

FAQ

Wie können Finanzinstitute die Databricks Data and AI Platform nutzen?

Sie vereint kontrollierte Bankdaten, Analysen, Machine Learning und AI für Personalisierung, Risiko- und Betrugsschutz sowie Service. Teams können anwendungsübergreifend wiederverwendbare Indikatoren, Scores, Prognosen und Empfehlungen erstellen.

Wie unterstützt Unity Catalog die Governance bei Finanzdienstleistungen?

Unity Catalog bietet eine einheitliche Governance-Grundlage für strukturierte und unstrukturierte Bankdaten, Verhaltensmerkmale, Modell-Outputs, Dokumente, Aufzeichnungen und AI-Assets. Zusammen mit Unity Gateway erweitert er konsistente Zugriffskontrollen, Richtliniendurchsetzung, Auditing und Transparenz auf die generativen Anwendungen und Agenten, die diese Assets nutzen.

Wie kann MLflow das Machine Learning im Bankenbereich unterstützen?

Wie kann MLflow das Machine Learning im Bankenbereich unterstützen?

Wie unterstützt Databricks kontrollierte AI im Bankenbereich?

Databricks ermöglicht es Finanzdienstleistungsteams, AI auf einer einheitlichen Plattform zu erstellen, zu verwalten und zu operationalisieren. Dabei werden Verhaltensdaten, ML-Modelle, generative AI und agentische Workflows miteinander verknüpft, während Unternehmen gleichzeitig dabei unterstützt werden, unnötige Verschiebungen und Duplikationen sensibler Kundendaten durch zentralisierte Governance und sicheren Datenzugriff zu minimieren.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag