Gemäß einer Studie nutzen viele Unternehmen trotz des enormen Potenzials in der Datenanalyse die Möglichkeiten nicht optimal aus. Mangelhafte oder oberflächliche Datenanalysen führen in zahlreichen Unternehmen zu einem strategischen Blindflug.
Im Zuge der fortschreitenden Digitalisierung ist Personalisierung zu einem Zauberwort für Marketing und Werbung geworden. Aber „Personalisierung“ bedeutet nicht unbedingt „persönlich“ und erreicht mitunter das genaue Gegenteil des Beabsichtigten.
Kleinere und mittlere Unternehmen (KMU) entwickeln sich zunehmend zu einem wichtigen Wachstumssektor. Allerdings ist eine Bonitätsbeurteilung in diesem Umfeld oft schwierig. Die Analyse alternativer Daten kann hier eine wichtige Lücke füllen.
Eine aktuelle Studie verspricht Banken ein Einsparpotenzial in Milliardenhöhe durch den Einsatz Künstlicher Intelligenz. Allerdings zeigt Sie auch die Probleme bei der Umsetzung. Insbesondere fehlende Daten behindern den erfolgreichen KI-Einsatz.
Daten gelten als das Gold des 21. Jahrhunderts – mit dem Unterschied, dass es immer mehr davon gibt. Insbesondere unstrukturierte Daten bieten Finanzinstituten vielfältige neue Möglichkeiten. Doch es gilt auch, die Risiken im Blick zu behalten.
Wie andere Branchen setzen auch Banken verstärkt auf datengetriebene Strategien. Doch egal, wie gut Technologie und Prozesse funktionieren, im Zentrum jeder datengetriebenen Strategie müssen die Menschen stehen.
Dem Satz „Daten sind das Gold des digitalen Zeitalters“ wird kaum jemand widersprechen. Dennoch regen sich mitunter – auch im Marketing – Widerstände gegen den zunehmenden Einsatz von Datenanalysen.
Wie bekommen Banken ihre Daten in den Griff – und nutzen sie für die rundum datengetriebene Wertschöpfung von morgen? Finanzinstitute müssen sechs Handlungsfelder bearbeiten, um über Daten nachhaltige Wettbewerbsvorteile zu erzielen.
ChatGPT ist derzeit in aller Munde. Die Anwendung zeigt, welchen Mehrwert generative Künstliche Intelligenz (KI) mit ihrem Sprach- und Kontextverständnis leisten kann. Damit ist KI endgültig im öffentlichen Bewusstsein angekommen und für Finanzdienstleister noch interessanter geworden.
Zur Entwicklung und Inbetriebnahme mehrwertgenerierender Modelle im Bereich der Künstlichen Intelligenz gehören viele wichtige Prozesse. Doch vor allem ein Schritt bildet die Grundlage für ein erfolgreiches KI-Projekt.
Die Nachfrage nach Daten ist höher ist als je zuvor. Immer mehr Finanzinstitute migrieren in die Cloud, statt weiterhin auf veraltete Technologien zu setzen. Einer aktuellen Studie zufolge sind insbesondre drei Gründe dafür maßgebend.
Um für Datenflut, ESG und demografischen Wandel gut aufgestellt zu sein, muss das Datenmanagement in einer Bank systematisch aufgebaut sein. Das Beispiel der Berlin Hyp zeigt, wie mit einem neuen Bereich dieser nächste Schritt der Digitalisierung gelingen kann.
In vielen Banken und Sparkassen sind Kennzahlen aller Art inzwischen praktisch in Echtzeit verfügbar. Das hat Auswirkungen auf die Führung. Doch nicht immer bedeuten bessere Daten automatisch auch bessere Entscheidungen.
Eine aktuelle Studie hat untersucht, wie Unternehmen die Erfahrungen mit dem neuen Hype rund um Künstliche Intelligenz, insbesondere ChatGPT, bewerten und welche Pläne sie für den Einsatz dieser Technologie haben.
Eine aktuelle Studie zeigt: Die verbesserte Nutzung von Daten ist eine wichtige Voraussetzung, damit Chief Financial Officer in Banken eine aktivere Rolle im Hinblick auf die strategische Steuerung einnehmen können.
Technologische Innovationen und die digitale Transformation haben Daten in den letzten Jahren zur Grundlage neuer digitaler Geschäftsmodelle und -prozesse gemacht. In der Folge wird der Chief Data Officer immer wichtiger, wie eine Studie zeigt.
Daten sind auch in der Transformation wichtig. Eine aktuelle Studie zeigt: Unternehmen, die ein datengesteuertes Change Management etabliert haben, sind in ihren Veränderungsprozessen erfolgreicher als Unternehmen, die dies noch nicht umsetzen.
Der globale Finanzsektor wird auch im Jahr 2023 mit schwierigen makroökonomischen Rahmenbedingungen konfrontiert sein. Eine aktuelle Studie analysiert die wichtigsten Treiber, Chancen und Risiken, die das Retail-Banking im Jahr 2023 prägen könnten.
In Zeiten von neuen technologischen Möglichkeiten der Datenanalyse werden Entscheidungen mitunter nicht einfacher sondern schwerer. Es gibt ja so viele Informationen und Alternativen die zu bedenken sind …
Wie würden Daten im Finanzwesen aussehen, wenn die Banken die Fesseln gängiger Konventionen über Bord werfen würden? Dezentralisiert, produktisiert und sicher – dies verspricht die Umsetzung einer Data-Mesh-Architektur in der Finanzdienstleistung.
Wir stehen am Anfang einer neuen industriellen Revolution: Sie wird nicht von Öl angetrieben, sondern von Daten. Eine aktuelle Studie zeigt: Gutes Datenmanagement kann die Resilienz eines Unternehmens wirkungsvoll unterstützen. Dabei kommt es auf fünf Elemente an.
Auf Unternehmen, die auf eine kluge Datenökonomie setzen, warten höhere Umsätze und größere Marktanteile. Das Geschäft mit den Daten ist das Thema der Stunde. Was für eine Rolle EU-Verordnungen und Datenjäger spielen, lesen Sie in einer aktuellen Studie.
Die Universalbanken erleben eine Zäsur – agile FinTechs wie auch neue Technologien machen eine Neuausrichtung der Institute notwendig. Das Buch „Disruption“ zeigt auf, wie Banken sich für die kommenden Jahre wappnen müssen. Bank Blog Leser haben die Chance, ein Exemplar zu gewinnen.
Ein Großteil der Firmen und Verwaltungen in Deutschland scheitert daran, Daten gewinnbringend nutzen – auch die Banken und Sparkassen. Das zeigt eine aktuelle Studie. Der Grund: Die Bundesrepublik steht in Sachen Digitalisierung weiterhin als Nachzügler da.
Digitale Kundennähe erfordert eine personalisierte Customer Journey, bei der jede Kundeninteraktion proaktiv auf eine individuelle Bedarfssituation reagiert: Genau darauf fokussiert die Smart-Data-Strategie der genossenschaftlichen FinanzGruppe.
Für Banken bilden Daten die Basis, um zukunftsfähig zu bleiben. Die Grundvoraussetzung hierfür ist ein strukturiertes Datenmanagement. Bei der Implementierung eines geeigneten Modells kommt es auf verschiedene Faktoren an.
Viele Manager tun sich schwer mit „Entscheidungen unter Unsicherheit“. Dabei werden sie in der dynamischen Welt von heute eher zur Regel, denn zur Ausnahme. Im Umgang mit Daten und deren Qualität ist ein eher pragmatischer Ansatz notwendig.
