KI-Personalisierung in Banken: Use Cases mit belegtem Mehrwert

Teil 2 unserer Serie zu KI-Personalisierung in Banken. Im ersten Teil haben wir Architektur, Reifegrad und Wirtschaftlichkeit von KI-Personalisierung in Banken eingeordnet. Dieser Beitrag geht einen Schritt weiter: Welche konkreten Use Cases liefern nachweisbaren Mehrwert — und in welcher Größenordnung? KI-Personalisierung in Banken zahlt sich am deutlichsten dort aus, wo Modelle direkt in Kampagnen, Preisgestaltung und Kundenansprache einfließen: Belegte Beispiele reichen von 20 % mehr Provisionserlösen bis zu neunfach höheren Konversionsraten.

KI-Personalisierung in Banken: Sechs Use Cases mit modelliertem Wertbeitrag

BCG hat für eine Modellbank mit 100 Mrd. US-Dollar Bilanzsumme sechs Personalisierungs-Use-Cases quantifiziert und ihren jeweiligen Umsatzbeitrag gegenüber der Baseline berechnet:

Quelle: BCG, Global Retail Banking 2018 – The Power of Personalization, Exhibit 8

Zwei Use Cases verdienen eine genauere Betrachtung. Bei „Personalized journeys" — der Verzahnung verschiedener Kanäle zu einer durchgängigen Kundenreise — kann die Modellbank laut BCG bis zu 135 Mio. US-Dollar zusätzlichen Neuumsatz erzielen. Bei „Smart retention" liegt der Hebel darin, Kunden zu identifizieren, die kurz vor der Abwanderung stehen, und frühzeitig zu intervenieren — mit einer Reduktion der Abwanderungskosten um bis zu 90 Mio. US-Dollar (BCG, The Power of Personalization).

Belegte Einzelfälle aus der Praxis

Über das Modellszenario hinaus liegen dokumentierte Einzelergebnisse vor, die die Bandbreiten stützen:

• Cross-Selling auf Basis von Life Events: Kundenspezifische Angebote und Empfehlungen entlang von Lebensereignissen steigerten die Angebots-Konversionsrate um 30 % (BCG, Personalization Consulting).

• Next-Best-Action-Engine (ML-basiert): Eine ML-gestützte NBA-Engine führte zu einem Volumenanstieg von 3 % und einer um 10 % höheren Annahmequote (BCG, Personalization Consulting).

• Filialproduktivität: Eine Bank steigerte die Vertriebsproduktivität in Filialen um mehr als 30 % (BCG, What does personalization in banking really mean).

• Provisionserlöse: Eine Retailbank erzielte in den ersten acht Monaten nach Einführung einen um 20 % höheren Provisionsertrag über alle Kampagnen hinweg; die zugrunde liegende Decisioning-Schicht verarbeitete 50 Milliarden Parameter in unterschiedlichen Kombinationen (McKinsey, Getting personal).

• Konversions-Sprung durch Skalierung: Eine europäische Bank entwickelte mehr als 200 Anwendungsfälle, verneunfachte ihre Konversionsraten und rollte das Modell auf sechs Divisionen aus — mit einem ausgewiesenen Gesamtwert von über 120 Mio. US-Dollar (McKinsey, Getting personal).

• Feature-Store-Effekt: Nach dem ersten Use Case verfügte dieselbe Bank über 1.500 Features, konnte danach ein anspruchsvolles CLV-Prognosemodell in rund einer Woche entwickeln und senkte die Implementierungszeit für mehr als 150 weitere Analytics-Use-Cases um 50 % (McKinsey, Getting personal).

• Gen-AI-gestützte Kampagnenpersonalisierung: In einem Test mit rund 2.000 Aktionen reagierten Empfänger personalisierter Nachrichten 10 % häufiger als Empfänger nicht personalisierter Inhalte, während die Content-Erstellung 50-mal schneller ablief als beim klassischen manuellen Ansatz (McKinsey, The next frontier of personalized marketing).

Referenzimplementierung: Commonwealth Bank of Australia

Ein besonders aussagekräftiges Beispiel für Skalierung liefert die Commonwealth Bank of Australia (CBA). Ihre Customer Engagement Engine betreibt laut Geschäftsbericht zum 30. Juni 2024 mehr als 2.000 Echtzeit-ML-Modelle und verarbeitet über 157 Milliarden Datenpunkte, unter anderem aus der CommBank-App (CBA Annual Report 2024). Die Plattform dient laut CBA dazu, Kunden über alle Bankkanäle hinweg mit „next best conversations" zu erreichen — inklusive proaktiver Unterstützung, etwa wenn Hypothekenkunden frühe Anzeichen finanzieller Schwierigkeiten zeigen (CBA Annual Report 2024).

Der Kundennutzen ist messbar: Das „Benefits finder"-Tool der CBA hat Kunden seit Einführung mit Zuschüssen, Rabatten und Vergünstigungen von über 1,2 Mrd. US-Dollar verbunden (CBA Annual Report 2024). Die begleitenden Money-Management-Tools erreichen über 3 Mio. Kunden monatlich, wobei „Bill Sense" 1,4 Mio. monatliche Nutzer zählt, „Money Plan" 330.000, und der „Goal Tracker" seit seiner Einführung 2018 insgesamt 3,3 Mio. Ziele begleitet hat (CBA Annual Report 2024). Dieses Beispiel zeigt, dass KI-Personalisierung in Banken bei ausreichender Skalierung auch als proaktives Frühwarnsystem für finanzielle Schwierigkeiten funktionieren kann — nicht nur als Vertriebsinstrument.

Preis- und Angebotspersonalisierung als eigenständiger Hebel

Neben Kampagnen und Retention gewinnt die Personalisierung von Preisen und Angeboten an Bedeutung. Untersuchungen zeigen einen Umsatzanstieg von 1 bis 2 % und eine Margenverbesserung von 1 bis 3 % durch personalisierte Preise und Promotions; ein großer Handelskonzern erzielte binnen eines Jahres 400 Mio. US-Dollar an Wert durch initiale Preisverbesserungen und weitere 150 Mio. US-Dollar durch Gen-AI-gestützte, zielgerichtete Angebote (McKinsey, The next frontier of personalized marketing). Auch der Kaufanreiz ist belegt: 65 % der Kunden nennen zielgerichtete Promotions als einen der wichtigsten Kaufgründe (McKinsey, The next frontier of personalized marketing). Für Banken lässt sich dieses Prinzip direkt auf Konditionen, Cross-Selling-Angebote und Kartenprogramme übertragen.

Von Transaktionsdaten zu Use Cases: die Signalbasis

Jeder dieser Use Cases lebt von der Qualität der zugrunde liegenden Signale. Acceleraids Prediction Engine & AI Framework verarbeitet dafür unter anderem Mietzahlungen, Gehaltseingänge, Sparmuster, Immobiliensuchen und Verschiebungen bei Händlerkategorien, kombiniert mit einem Lifecycle-Phasen-Scoring über Akquisition, Wachstum, Reife und Retention (Acceleraid, Banking). Warum Transaktionsdaten dabei das aussagekräftigste Signal für Next-Best-Action-Entscheidungen liefern, haben wir ausführlich in unserem Beitrag Warum Transaktionsdaten das wichtigste NBA-Signal sind beschrieben.

Aus eigenen Projekten berichtet Acceleraid vergleichbare Größenordnungen: 65.000 vermittelte Beratungstermine, eine Churn-Erkennung bereits 90 Tage oder mehr im Voraus und einen durchschnittlichen Conversion-Uplift von 15 % durch KI-gestützte Traffic-Allokation (Acceleraid, Banking). Diese Werte liegen in derselben Größenordnung wie die oben zitierten Studienergebnisse — ein Hinweis darauf, dass die Bandbreiten nicht auf Einzelfälle beschränkt, sondern über verschiedene Institute hinweg reproduzierbar sind.

Von Einzel-Use-Case zu Portfolio

Die hier versammelten Beispiele zeigen eine Gemeinsamkeit: Der größte Wertbeitrag entsteht nicht durch ein einzelnes Modell, sondern durch die konsequente Verkettung mehrerer Use Cases über den gesamten Kundenlebenszyklus — von der Ansprache über die Konversion bis zur Bindung. Institute, die mit einem Use Case beginnen und die entstehenden Feature-Pipelines und Prozesse wiederverwenden, senken die Kosten jedes weiteren Use Cases erheblich. Wie diese Use Cases sich mit dem regulatorischen Rahmen aus EU AI Act, DSGVO und MaRisk vereinbaren lassen, behandeln wir im nächsten und letzten Teil dieser Serie.

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.