Warum Transaktionsdaten das wichtigste Signal für Next Best Action sind

Teil 3 von 3 unserer Serie zu Next Best Action im Banking — und Abschluss der Reihe. Teil 1 beschreibt die Entscheidungslogik hinter NBA (Teil 1), Teil 2 das Kanal-Playbook (Teil 2). Ergänzend zum Thema Lebensereignisse siehe auch Teil 3 unserer CLM-Serie (Engage: Life Events & Transaktionsdaten).

Das Girokonto ist der Datenschatz, den viele Banken unterschätzen

Kein anderes Produkt liefert so viele laufende, granulare Signale über einen Kunden wie das Girokonto. Jede Miet- oder Gehaltszahlung, jede Sparüberweisung, jede Kartentransaktion mit ihrer Händlerkategorie ist ein Datenpunkt, der etwas über die aktuelle Lebenslage aussagt — deutlich mehr als ein einmal erhobenes soziodemografisches Profil. Diese Beobachtung ist keine Intuition, sondern in mehreren unabhängigen Studien belegt: Wenn Verhaltensdaten aus früherem Transaktionsverhalten vorliegen, „fügt das Vorliegen demografischer Merkmale kaum zusätzliche Prognosekraft hinzu" — die Autoren verweisen dabei auf frühere Forschung, wonach nur 7 % der Varianz in der Preissensitivität durch Soziodemografie erklärt werden (Wang, Carson et al., Journal of Business Research 151). Für eine NBA-Engine bedeutet das: Wer in erster Linie auf Alter, Einkommen oder Wohnort als Prädiktoren setzt, verzichtet auf das eigentlich aussagekräftigste Signal, das eine Bank bereits besitzt.

Wie stark Transaktionsdaten die Prognosegüte tatsächlich erhöhen

Die Zahlen dazu sind belastbar und lassen sich konkret benennen. Eine Studie zum Cross-Selling von Konsumentenkrediten bei einer Bank im Nahen Osten — Basis: 6.127 Privatkunden und rund 800.000 Kreditkartentransaktionen über ein Jahr, gruppiert in 22 Händlerkategorien mit 146 Unterkategorien — zeigt, dass die Ergänzung von Transaktionsdaten den AUC-Wert um 4 Prozentpunkte bei Random Forest und um 5,4 Prozentpunkte bei Gradient Boosting Machine gegenüber Modellen erhöht, die nur mit Demografie und Produktbesitz arbeiten (Ann Oper Res 339). Die Studie hält zudem fest, dass mit Verfahren wie CHAID und SVM „mehr Prognosewert in Transaktionsdaten als in Demografie und Produktbesitz" steckt. Auch bei der Vorhersage von Lebensereignissen zeigt sich derselbe Effekt: Feingranulare Transaktionsdaten mit RFM-erweiterten Merkmalen verbessern den AUC-Wert bei der Prognose einer Geburt auf 0,748 gegenüber 0,725 bei nur aggregierten Daten, bei einer neuen Beziehung auf 0,730 gegenüber 0,681 — und Transaktionsdaten liefern dabei den größten Anteil an der Variablenbedeutung im Modell (De Caigny, Coussement & De Bock, Decision Support Systems 130).

Was Transaktionsdaten konkret sichtbar machen

Diese Prognosekraft entsteht, weil Transaktionsdaten mehrere Signalarten gleichzeitig enthalten, die einzeln erhoben nie so aktuell und granular wären:

• Mietzahlungen zeigen Umzugsabsicht oder tatsächlichen Umzug oft Wochen vor jeder Adressänderung im Stammdatensatz.

• Gehaltseingänge signalisieren Einkommensveränderungen, Jobwechsel oder neue Erwerbstätigkeit nahezu in Echtzeit.

• Sparmuster zeigen, ob ein Kunde gerade für ein Ziel — Immobilie, Ausbildung, Anschaffung — konsolidiert oder gerade beginnt, Rücklagen aufzubauen.

• Händlerkategorien-Shifts in den Kartentransaktionen — etwa neue Ausgaben bei Babyausstattern, Umzugsunternehmen oder Möbelhäusern — liefern Frühindikatoren für Lebensereignisse, wie sie auch in der Forschung zu Umzug, Geburt, neuer Beziehung und Beziehungsende dokumentiert sind (De Caigny, Coussement & De Bock).

Diese Signale sind der Grund, warum Transaktionsdaten nicht nur zusätzliche, sondern strukturell andere Prognosekraft liefern als Stammdaten: Sie sind laufend aktuell, verhaltensbasiert statt selbstberichtet, und decken Veränderungen ab, bevor der Kunde sie selbst der Bank mitteilt.

Regulatorischer Rahmen: DSGVO, berechtigtes Interesse und die Grenze zu PSD2

Diese Datentiefe erfordert eine saubere Rechtsgrundlage. Für die Verarbeitung eigener Transaktionsdaten im Rahmen der Kundenbeziehung kommt regelmäßig das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO in Betracht. Der Europäische Datenschutzausschuss verlangt dafür drei kumulative Bedingungen: ein berechtigtes Interesse, die Erforderlichkeit der Verarbeitung für dieses Interesse, und eine Abwägung, bei der die Interessen und Grundrechte der betroffenen Person nicht überwiegen dürfen — diese Prüfung muss vor der Verarbeitung erfolgen, und Finanzdaten werden dabei ausdrücklich als „privater" eingeordnet (EDSA/EDPB, Guidelines 1/2024 on legitimate interest).

Wichtig ist die Abgrenzung zu Open-Banking-Daten unter PSD2, die einer anderen, engeren Zweckbindung unterliegen: Art. 66 Abs. 3 lit. f/g PSD2 verbietet Zahlungsauslösedienstleistern (PISPs), Daten über den eigentlichen Auftrag hinaus anzufordern oder zu nutzen, und Art. 67 Abs. 2 lit. d/f begrenzt Kontoinformationsdienstleister (AISPs) auf die vom Nutzer ausdrücklich beauftragten Konten und Zwecke — ein AISP muss vertraglich explizit benennen, wofür Kontodaten verarbeitet werden (EDSA/EDPB, Guidelines 06/2020 on the interplay of PSD2 and the GDPR). Für eine Bank, die NBA auf Basis der eigenen, im Rahmen der Kontoführung erhobenen Transaktionsdaten betreibt, gilt also ein anderer — grundsätzlich einfacherer — Rahmen als für Dritte, die über PSD2-Schnittstellen auf fremde Kontodaten zugreifen. Diese Unterscheidung sollte in jeder internen Compliance-Dokumentation zu NBA-Modellen explizit gemacht werden.

Warum das strategisch mehr ist als ein Data-Science-Detail

Die praktische Konsequenz für Banken: Wer NBA-Scoring primär auf Stammdaten und einmalig erhobene Segmentierungen aufbaut, verzichtet auf das Signal mit der höchstdokumentierten Prognosekraft — und riskiert gleichzeitig, mit veralteten Annahmen über die Lebenssituation eines Kunden zu arbeiten. Die Kombination aus AUC-Zuwächsen von 4 bis 5,4 Prozentpunkten beim Cross-Selling und den dokumentierten Verbesserungen bei der Lebensereignis-Prognose zeigt, dass dieser Unterschied nicht marginal, sondern strukturell ist. Gleichzeitig verlangt genau dieser Signalreichtum eine saubere Datenverarbeitungs-Governance — von der Rechtsgrundlage bis zur Erklärbarkeit gegenüber Aufsicht und Kunde, wie in Teil 1 dieser Serie beschrieben.

Wie Acceleraid Transaktionsdaten operationalisiert

Acceleraid hat mit der Analyse von 3,5 Mrd. Transaktionen einen Erfahrungsschatz aufgebaut, der genau diese Signalklassen — Mietzahlungen, Gehaltseingänge, Sparmuster, Immobiliensuchen, Händlerkategorien-Shifts — in Lifecycle-Phasen-Scoring über Akquisition, Wachstum, Reife und Retention übersetzt (Platform). Die CDP & Data Governance sorgt dabei für die notwendige Grundlage: Echtzeit-Anbindung an Core Banking und Kartenverarbeitung, Consent-Management, Lineage und PII-Schutz mit deutschem Hosting und DSGVO-by-Design (Banking). Damit wird aus dem regulatorisch komplexen Feld der Transaktionsdatenanalyse eine kontrollierte, auditierbare Grundlage für die NBA-Scores, die in Teil 1 dieser Serie beschrieben wurden.

Fazit: Der Abschluss der Serie

Über drei Teile hinweg hat sich ein durchgängiges Bild ergeben: Next Best Action ist eine Entscheidungslogik aus Propensity, Lifecycle, Kanal und regulatorischen Leitplanken (Teil 1), die kanalspezifisch unterschiedlich ausgespielt werden muss (Teil 2) — und deren wichtigste Eingangsgröße nicht Stammdaten, sondern die laufenden Transaktionsdaten des Girokontos sind (Teil 3). Banken, die diese drei Ebenen zusammendenken, verfügen über eine NBA-Fähigkeit, die nicht nur präziser, sondern auch gegenüber Aufsicht, Berater und Kunde erklärbar ist.

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.