Analytics-Performance im Banking benchmarken

Eine große europäische Retailbank stellte einmal fest, dass 40 % ihrer "aktiven" Dashboards seit über sechs Monaten nicht mehr geöffnet worden waren, während die interne Scorecard des Analytics-Teams "100 % Delivery" gegenüber der Roadmap auswies. Delivery und Impact sind nicht dasselbe. In dieser Lektion geht es darum, beides auseinanderzuhalten.

Warum Benchmarking im Banking schwierig ist

Banken verfügen über mehr Dateninfrastruktur als fast jede andere Branche: Kernbankensysteme, Handelsplattformen, Risiko-Engines, Betrugsmodelle, aufsichtsrechtliche Reporting-Pipelines. Aber die meisten Performance-Gespräche enden bei "haben wir das Projekt ausgeliefert", nicht bei "ist das Analytics-Estate gesund".

Gesund heißt: Daten kommen pünktlich an, Modelle bleiben genau, Pipelines brechen nicht stillschweigend zusammen, und die Menschen, die insights nutzen sollen, tun es auch. Für jeden dieser Punkte gibt es einen messbaren Proxy. Führungskräfte, die die Zahlen ihrer Bank an diesen vier Fronten nicht nennen können, steuern Analytics per Anekdote.

Die relevanten Daten: Quellen, die man verfolgen sollte

Bevor Sie irgendetwas benchmarken, sollten Sie wissen, was durch das Estate fließt:

• Kernbankdaten: Kontostände, Transaktionen, Produktbestände, erzeugt von Systemen wie den Cores von Temenos, FIS oder Finastra.
• Zahlungsverkehrsdaten: SWIFT-Nachrichten, Kartennetzwerke (Visa, Mastercard), Echtzeit-Rails wie FedNow in den USA oder SEPA Instant Credit Transfer in Europa.
• Risiko- und Kreditdaten: Kreditperformance, Sicherheitenbewertungen, Feeds von Kreditauskunfteien (Experian, Equifax, TransUnion in den USA; Schufa in Deutschland).
• Aufsichtsrechtliche Reportingdaten: Feeds, die Meldungen nach Basel III (dem internationalen Eigenkapitalrahmenwerk des Basler Ausschusses für Bankenaufsicht) oder CCAR (Comprehensive Capital Analysis and Review, dem Stresstest-Regime der US Federal Reserve) speisen.
• Kundeninteraktionsdaten: App-Clickstreams, Callcenter-Logs, KYC-Datensätze (Know Your Customer) für Onboarding und AML-Prüfungen (Anti-Money Laundering).

Jede Quelle hat eine andere Aktualisierungserwartung. Kernbankpositionen werden vielleicht täglich aktualisiert; Zahlungsverkehrsdaten fließen nahezu in Echtzeit; aufsichtsrechtliche Meldungen erfolgen periodisch (monatlich, quartalsweise). **Benchmarking ohne Kenntnis der erwarteten Taktung der *Quelle* ist sinnlos.**

Metriken zu Datenqualität und Governance

Das sind die Metriken, die bestimmen, ob man dem, was auf den Daten aufbaut, überhaupt trauen kann.

Dimensionen der Datenqualität (ein branchenweit genutztes framework, das sich auch in den Vorgaben der BCBS-239-Prinzipien des Basler Ausschusses zur Aggregation von Risikodaten wiederfindet):

• Vollständigkeit: % der befüllten Pflichtfelder. Ein KYC-Datensatz ohne Angaben zum wirtschaftlich Berechtigten ist unvollständig.
• Genauigkeit: % der Datensätze, die mit einer vertrauenswürdigen Source of Truth übereinstimmen.
• Aktualität: Verzögerung zwischen einem Ereignis (einer Transaktion) und seiner Verfügbarkeit im Reporting-Layer.
• Konsistenz: Stimmen dieselbe Kunden-ID und derselbe Saldo im Hypothekensystem und im Data WarehouseData WarehouseEin zentrales Repository, das Daten aus vielen Quellsystemen in einem strukturierten, abfrageoptimierten Speicher zusammenführt, ausgelegt für Analytics, Reporting und Business Intelligence.Vollständige Definition ansehen → überein?

Governance-Metriken

• Abdeckung der Data Lineage: % der kritischen Datenelemente mit dokumentiertem, nachvollziehbarem Weg vom Quellsystem bis zum Report. BCBS 239 verlangt dies faktisch für global systemrelevante Banken.
• Behebungsdauer von Issues: durchschnittliche Anzahl Tage bis zur Behebung eines gemeldeten Datenqualitätsproblems.
• Bestehensquote von Zugriffskontroll-Audits: % der Systeme, die periodische Zugriffsprüfungen bestehen, relevant unter der DSGVODSGVOEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen → (Datenschutz-Grundverordnung, EU) und US-Datenschutzgesetzen auf Bundesstaatsebene.

Ein durchgerechnetes Beispiel. Angenommen, das Kreditbuch einer Bank umfasst 500.000 aktive Konten. Ein Datenqualitätsaudit findet 12.500 Datensätze mit fehlender oder veralteter Sicherheitenbewertung.

Completeness rate = (500,000 - 12,500) / 500,000 = 97.5%

Eine Vollständigkeitsquote von 97,5 % klingt hoch, aber wenn sich die fehlenden 2,5 % im Gewerbeimmobilienbuch konzentrieren, ist das Risikoexposure weit materieller, als der Prozentsatz vermuten lässt. Segmentieren Sie Qualitätsmetriken immer nach Portfolio, nicht nur aggregiert.

Analytics- und Measurement-Benchmarks

Hier wird geprüft, ob "wir liefern tatsächlich" stimmt.

PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen →-Uptime

Banken berichten zunehmend die Einhaltung von Data-Pipeline-SLAs (Service Level Agreement): den % der geplanten Data-Jobs, die innerhalb ihres Zeitfensters abgeschlossen werden. Branchenschätzungen für ausgereifte Bank-Datenplattformen setzen die Ziel-Uptime bei etwa 99,5 % für kritische Regulatorik- und Risiko-Feeds an (Schätzung, es existiert kein einheitlicher öffentlicher benchmark; interne Zielwerte sind institutsspezifisch zu betrachten).

Taktung der Modellaktualisierung

Betrugs- und Kreditrisikomodelle verlieren an Güte, wenn sich das Kundenverhalten verschiebt. Ein gängiger benchmark:

• Modelle zur Betrugserkennung: monatlich bis quartalsweise neu trainiert.
• Kreditscoring-Modelle: mindestens jährlich überprüft, mit regulatorischer Validierung nach frameworks wie SR 11-7 (Vorgaben der US Federal Reserve zum Model Risk Management).
• Marktrisikomodelle: erfordern oft tägliche Rekalibrierungs-Inputs, formale Revalidierung jährlich oder bei auslösenden Ereignissen.

Ein Modell, das seit zwei Jahren nicht angefasst wurde und weiterhin "in Produktion" läuft, ist ein Warnsignal, unabhängig von der bisherigen Performance, denn die Population, auf der es trainiert wurde, entspricht nicht mehr den heutigen Kunden.

Adoption von Dashboards und Tools

Das ist der am meisten vernachlässigte benchmark. Gängige Metriken:

• Monthly Active Users (MAU) pro Dashboard, relativ zur Größe der vorgesehenen Zielgruppe.
• Query-to-Decision-Ratio: qualitativ, aber über Nutzerbefragungen erhoben: Geben die Leute an, das Dashboard tatsächlich für eine Entscheidung zu nutzen, oder nur, um eine Zahl nachzuschauen?
• Shelf-Life: % der Dashboards, die 12 Monate nach Launch noch aktiv genutzt werden. Branchenkommentare (z. B. Gartner) schätzen seit Langem, dass ein großererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Teil der BIBITechnologien und Prozesse, die Rohdaten über Reporting, Dashboards und Analysen in verwertbare Insights überführen, damit Teams auf Basis von Fakten statt Intuition entscheiden.Vollständige Definition ansehen →-Dashboards (Business Intelligence) branchenübergreifend innerhalb eines Jahres in die Ungenutztheit abrutscht; Banken sind davon nicht ausgenommen.

Eine nützliche Faustregel:

Adoption rate = Monthly active users / Total licensed users

Wenn eine Bank 3.000 Mitarbeitende für ein BI-Tool wie Tableau oder Power BI lizenziert hat, sich aber nur 450 monatlich einloggen, entspricht das einer Adoption Rate von 15 %. Setzt man das ins Verhältnis zu den Lizenzkosten, wirkt das Narrativ "wir haben Self-Service-Analytics ausgerollt" deutlich weniger beeindruckend.

Zusammengeführt: eine Benchmarking-Scorecard

Eine glaubwürdige Scorecard zur Analytics-Gesundheit für die Führungsebene einer Bank sollte mindestens enthalten:

Nichts davon ersetzt Geschäftsergebnisse (Verlustreduktion, schnellere Genehmigungen), aber es sind die Frühindikatoren. Wenn die Pipeline-Uptime schlecht oder die Adoption niedrig ist, leiden am Ende auch die Zahlen zum Geschäftsergebnis.

Key Takeaways

• Benchmarken Sie Banking-Analytics entlang vier Achsen: Datenqualität, Governance, Pipeline-Gesundheit und Adoption. "Projekt geliefert" ist nicht dasselbe wie "Wert geliefert".
• Segmentieren Sie Datenqualitätsmetriken nach Portfolio. Eine aggregierte Vollständigkeitsquote von 97,5 % kann eine gefährliche Konzentration von Lücken in einem risikoreichen Segment verdecken.
• Kennen Sie die erwartete Aktualisierungstaktung je Datentyp: Betrugsmodelle brauchen monatliches bis quartalsweises Retraining, Kreditmodelle nach frameworks wie SR 11-7 mindestens eine jährliche Revalidierung.
• Adoption ist der am wenigsten gemessene benchmark. Verfolgen Sie Monthly Active Users im Verhältnis zu lizenzierten Nutzern und das Dashboard-Shelf-Life, nicht nur Rollout-Zahlen.
• Governance-frameworks wie BCBS 239 geben Banken (besonders global systemrelevanten) einen echten regulatorischen Grund, Lineage-Tracking und Metriken zur Issue-Behebung zu formalisieren, nicht nur eine Best-Practice-Empfehlung.