Der Business Case für eine AI-Personalisierungsplattform im Banking

Im ersten Teil dieser Reihe ging es darum, wie sich eine AI-Personalisierungsplattform für Banken anhand belastbarer Kriterien auswählen lässt. Dieser Teil beantwortet die logisch nächste Frage: Wie rechnet sich die Investition — welche Umsatz- und Kostenwirkung lässt sich tatsächlich belegen?

Die kurze Antwort zuerst

Der Business Case für eine AI-Personalisierungsplattform im Banking stützt sich auf drei belegte Effekte: eine Umsatzsteigerung im niedrigen zweistelligen Prozentbereich durch Personalisierung insgesamt, konkrete Uplifts auf Ebene einzelner Use Cases, und geringere Time-to-Value durch fertige Plattformen statt Eigenentwicklung. Zusammengenommen ergibt das einen Business Case, der sich nicht auf eine einzelne Kennzahl, sondern auf ein Portfolio an Effekten stützt — was ihn auch gegenüber dem CFO robuster macht als eine einzelne, angreifbare ROI-Zahl.

Der Top-Down-Anker: Was Personalisierung im Banking insgesamt bringt

BCG beziffert die jährliche Umsatzsteigerung durch Personalisierung im Banking auf rund 10 %, mit bis zu 300 Mio. USD Umsatzwachstum je 100 Mrd. USD Assets under Management (BCG, „What Does Personalization in Banking Really Mean?", 2019). McKinsey bestätigt diese Größenordnung branchenübergreifend mit einer Bandbreite von 10–15 % Umsatzsteigerung durch Personalisierung, mit Ausschlägen von 5–25 % je nach Branche und Umsetzungsreife (McKinsey, „The value of getting personalization right — or wrong — is multiplying", 2021). Diese beiden unabhängigen Quellen ergeben zusammen einen belastbaren Rahmen für die Top-Line-Erwartung eines Business Case: kein Ausreißer-Versprechen, sondern ein wiederholt gemessener Effekt.

Das Bottom-Up-Modell: Wo der Umsatz konkret entsteht

Für die interne Argumentation reicht eine pauschale Prozentzahl selten aus — Entscheider fragen nach der Herkunft des Effekts. BCG liefert dafür ein use-case-basiertes Modell für eine Bank mit 100 Mrd. USD Assets: Smart Engagement liefert 25–50 Mio. USD zusätzlichen Umsatz bei einer Baseline von 2.555 Mio. USD, Smart Prospecting 15–25 Mio. USD bei 450 Mio. USD Baseline, personalisierte Journeys 45–135 Mio. USD bei ebenfalls 450 Mio. USD Baseline, Smart Retention 30–90 Mio. USD geringere Abwanderungskosten bei 300 Mio. USD Baseline, Smart Collections 25–35 Mio. USD bei 90 Mio. USD Baseline und Marketingeffizienz 5–10 Mio. USD bei 45 Mio. USD Baseline (BCG, „The Power of Personalization", Mai 2018).

Auf Produktebene zeigen sich noch größere Ausschläge: 30–40 % Sales Lift in einzelnen Produktbereichen, 10–30 % geringere Kundenabwanderung und eine 2- bis 3-fache Steigerung der Engagement-Scores (BCG, Mai 2018). Diese Bandbreite ist bewusst weit gefasst — sie zeigt, dass der tatsächliche Uplift stark von Umsetzungsqualität und Ausgangsreife abhängt, nicht von der Plattform allein.

Die Nachfrageseite: Warum Kunden den Case selbst mitschreiben

Ein Business Case wird stärker, wenn er nicht nur auf Anbieterversprechen, sondern auf gemessenem Kundenverhalten beruht. In einer BCG-Erhebung von 56.351 Customer Journeys war für 54 % der Kunden eine personalisierte Erfahrung ein sehr wichtiger oder der wichtigste Faktor beim Wechsel zu einer neuen Bank; unter 13.768 Journeys von abgewanderten Kunden nannten 41 % unzureichende Personalisierung als Abwanderungsgrund; und unter 18.221 Journeys kauften 68 % zusätzliche Produkte bei ihrer bestehenden Bank, weil der Ansatz personalisiert war (BCG, Mai 2018). Besonders ausgeprägt war der Effekt bei Kunden zwischen 18 und 34 Jahren und bei Kunden mit dem höchsten Bankvermögen — für den Business Case relevant, wenn diese Segmente Priorität haben.

Auf der Erwartungsseite verstärkt sich dieser Druck: 71 % der Konsumenten erwarten personalisierte Interaktionen, 76 % sind frustriert, wenn sie ausbleiben, und 72 % erwarten, als Individuum erkannt zu werden — über 70 % betrachten Personalisierung inzwischen als Grunderwartung, nicht als Zusatznutzen (McKinsey, 2021). Das verschiebt den Business Case: Es geht nicht mehr nur um Upside, sondern zunehmend um das Risiko, ohne Personalisierung Marktanteile zu verlieren.

Belegte Einzelfälle als Referenzpunkte

Konkrete, dokumentierte Fälle liefern zusätzliche Ankerpunkte für die eigene Modellierung. Eine Bank steigerte ihre Filial-Vertriebsproduktivität um über 30 %, eine andere den Umsatz über drei Jahre um 20 % (BCG 2019). Eine Decisioning-Plattform mit 50 Milliarden verarbeiteten Parameterkombinationen erzeugte in den ersten acht Monaten nach Einführung +20 % Provisionserlöse (McKinsey, 19.07.2022). Der Rollout eines Personalisierungsprogramms über sechs Divisionen einer europäischen Bank lieferte insgesamt über 120 Mio. USD Wert bei einer 9-fachen Verbesserung der Conversion Rate (McKinsey, 19.07.2022). Und RBC-NOMI-Nutzer zeigten 2 % Churn gegenüber 8 % in der Vergleichsgruppe — ein Faktor-4-Unterschied, der sich direkt in Customer Lifetime Value übersetzen lässt (Bain, „Customer Behavior and Loyalty in Banking", 2023). Diese Retention-Ökonomie haben wir im Detail im Artikel zur 90-Tage-Churn-Prognose behandelt.

Die Kostenseite: Effizienz als zweite Komponente des Case

Ein vollständiger Business Case rechnet nicht nur Umsatz, sondern auch Effizienzgewinne. Agile Umsetzung senkt die Marketing-Execution-Kosten um 10–30 % bei gleichzeitig 20–30 % höheren Marketingerlösen (McKinsey, „When agile marketing breaks the agency model", 29.09.2021); zentralisierte, kodifizierte Analytics-Prozesse liefern zusätzlich 5–15 % höhere Kampagnenerlöse bei 2- bis 4-mal schnellerer Time-to-Market (McKinsey, 19.07.2022). Für die Zeit-bis-Wert-Annahme im Case gilt: Vorgefertigte SaaS-Plattformen erreichen laut FIS einen ROI innerhalb von 3–6 Monaten, und Unternehmen, die auf Vendor-Partnerschaften statt auf perfekte Eigenentwicklung setzen, erzielen laut einer bei FIS zitierten Deloitte-Analyse einen 2,3-mal schnelleren ROI (FIS, „Modernizing asset finance: The build vs. buy decision", 2025).

Warum der Case gegen bereits getätigte Investitionen bestehen muss

Ein Business Case für eine neue Plattform entsteht nicht im luftleeren Raum. Banken haben seit 2011 über 2,8 Billionen USD in digitale Transformation investiert (Accenture, Global Banking Consumer Study 2025) — der Case muss also nicht nur Upside zeigen, sondern erklären, warum die bestehenden Investitionen den beschriebenen Effekt bislang nicht realisiert haben. Ein zusätzliches Dringlichkeitsargument liefert die Margenentwicklung: McKinsey erwartet, dass die Margen im Retail Banking bis 2026 um 5–10 % sinken (McKinsey, Oktober 2024) — Personalisierung wird damit zum Kompensationshebel für sinkende Margen, nicht zum diskretionären Zusatzprojekt. Und auf Wachstumsebene zeigt sich der langfristige Effekt: Banken im obersten Advocacy-Quintil wachsen 1,7-mal schneller als der Durchschnitt, und Advocates halten 17 % mehr Produkte bei ihrer Hauptbank (2,8 vs. 2,4) (Accenture 2025).

Wie Acceleraid die Business-Case-Bausteine adressiert

Die Kombination aus CDP & Data Governance, Prediction Engine & AI Framework und CLM/CVM-Orchestrierung bei Acceleraid ist so ausgelegt, dass sich die oben beschriebenen Effekte — Umsatzsteigerung durch relevantere Ansprache, geringere Abwanderung durch frühzeitige Erkennung, höhere Marketingeffizienz durch zentralisierte Scores — auf eine gemeinsame Dateninfrastruktur stützen, statt in Silos zu entstehen (Platform). Anbieterseitig dokumentiert sind unter anderem ROI in 6–9 Monaten, +120 % Kreditkartenanträge, +50 % qualifizierte Leads und ein durchschnittlicher Conversion-Uplift von +15 % über mehr als 250 Enterprise-Deployments hinweg (Banking). Die Churn-Erkennung 90 Tage im Voraus adressiert dabei direkt die Retention-Komponente des Business Case, wie sie oben anhand der RBC-NOMI-Zahlen beschrieben ist.

Fazit

Ein belastbarer Business Case für eine AI-Personalisierungsplattform im Banking kombiniert drei Ebenen: den Top-Down-Anker von 10–15 % Umsatzsteigerung, ein Bottom-Up-Modell mit use-case-spezifischen Bandbreiten, und eine Kostenseite, die Effizienzgewinne und schnellere Time-to-Value einrechnet. Wer nur eine dieser drei Ebenen vorlegt, riskiert, dass der Case entweder zu abstrakt oder zu leicht angreifbar wirkt. In Kombination ergeben sie ein Modell, das sich sowohl gegenüber dem CFO als auch gegenüber dem Fachbereich verteidigen lässt — und das die Referenzarchitektur, die im nächsten Teil dieser Reihe im Mittelpunkt steht, wirtschaftlich einordnet.

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.