Data Quality im Banking: Warum AI-Personalisierung an schlechten Kundendaten scheitert

KI-Projekte im Banking scheitern selten an der Algorithmus-Qualität. Sie scheitern an den Daten, die in diese Algorithmen fließen.

Diese Erfahrung machen viele Banken – manchmal erst nach erheblichen Investitionen in Modelle, Plattformen und Teams, die dann nicht die erhofften Ergebnisse liefern. Die Ursachenanalyse führt dabei fast immer in dieselbe Richtung: Die Datenbasis war nicht gut genug.

Die typischen Datenqualitätsprobleme im Banking

Schlechte Datenqualität ist kein monolithisches Problem. Sie tritt in verschiedenen, oft gleichzeitig vorhandenen Formen auf:

• Duplikate: Dieselbe Person mit mehreren Kundennummern aus verschiedenen Produktsystemen, ohne saubere Verlinkung

• Inkonsistente Felder: Adressen in drei verschiedenen Formaten, Telefonnummern ohne Ländervorwahl, Namen mit und ohne akademischen Titel

• Veraltete Stammdaten: Kunden, die seit Jahren nicht mehr aktualisiert wurden, mit Geburtsjahren oder Adressen, die auf mangelhafte Dateneingabe hinweisen

• Fehlende Werte: Lückenhafte Produktnutzungsdaten, unvollständige Einwilligungshistorien, fehlende Kanal-Präferenzen

• Inkompatible Quellen: Transaktionssysteme, CRM und App-Datenbank nutzen unterschiedliche Kunden-IDs, die nicht sauber gematcht sind

Jedes dieser Probleme reduziert die Qualität jedes Modells, das auf diesen Daten basiert. Denn AI lernt aus Mustern – und schlechte Daten erzeugen falsche oder irreführende Muster.

Was das in der Praxis bedeutet

Ein Churn-Modell, das auf Kundeninteraktionen basiert, wird systematisch falsch liegen, wenn Interaktionen aus verschiedenen Kanälen nicht sauber einem einzigen Kundenprofil zugeordnet werden.

Ein Affinity-Scoring-Modell, das auf Produktnutzung basiert, empfiehlt Produkte, die der Kunde bereits hat – wenn die Produktdatenbank nicht aktuell ist.

Ein Personalisierungsmodell, das demografische Merkmale einbezieht, arbeitet mit falschen Alterswerten – wenn Geburtsdaten fehlerhaft erfasst wurden.

Das Ergebnis in allen drei Fällen: Kommunikation, die falsches Timing hat, falsche Produkte empfiehlt oder den falschen Kunden anspricht. Das ist nicht nur ineffizient – es ist aktiv schädlich für das Kundenerlebnis und das Vertrauen in die Bank.

Datenqualität ist kein einmaliges Projekt

Der häufigste Fehler beim Umgang mit Datenqualität ist, sie als einmaliges Bereinigungsprojekt zu behandeln. Eine Datenmigration, eine Deduplication-Aktion, ein MDM-Rollout – und dann ist das Thema erledigt.

Das funktioniert nicht. Datenqualität ist kein Zustand, den man erreicht. Es ist ein Prozess, den man dauerhaft betreibt.

Was das konkret bedeutet:

• Eingehende Daten werden bereits beim Eingang gegen Qualitätsregeln geprüft, nicht erst bei der Verarbeitung

• Datenpipelines haben eingebaute Monitoring-Mechanismen, die Anomalien und Abweichungen automatisch erkennen

• Modell-Performance wird kontinuierlich überwacht – ein unerklärter Leistungsabfall ist oft ein frühes Datenqualitätssignal

• Datenverantwortung ist klar zugewiesen – nicht als Nebenaufgabe, sondern als dezidierte Rolle mit definierten Verantwortlichkeiten

Der Zusammenhang mit KI-Performance

AI-Modelle sind statistisch. Sie suchen Muster in Daten. Je konsistenter, vollständiger und aktueller die Daten, desto stabiler und zuverlässiger die Modelle.

Ein verbreiteter Denkfehler: Mehr Daten gleich bessere Modelle. Das stimmt nur bedingt. Mehr qualitativ hochwertige Daten verbessern Modelle. Mehr schlechte Daten können Modelle verschlechtern – manchmal auf eine Art, die schwer zu diagnostizieren ist, weil Outputs oberflächlich plausibel wirken.

Diese versteckten Qualitätsprobleme sind besonders gefährlich: Das Modell funktioniert technisch, liefert aber systematisch falsche oder suboptimale Empfehlungen.

Datenqualität und Consent im Zusammenhang

Ein spezifisches Qualitätsproblem im regulierten Banking-Umfeld ist die Einwilligungshistorie. DSGVO-konforme Personalisierung setzt voraus, dass für jede Verwendung von Kundendaten die entsprechende Einwilligung dokumentiert vorliegt.

Fehlende, inkonsistente oder nicht nachvollziehbare Consent-Daten sind ein kritisches Qualitätsproblem – nicht nur rechtlich, sondern auch operativ: Sie schränken ein, welche Daten für welche Modelle verwendet werden dürfen.

Wo Banken heute beginnen sollten

Ein pragmatischer Einstieg in bessere Datenqualität muss nicht mit einem Multi-Jahres-MDM-Projekt beginnen. Drei fokussierte Maßnahmen liefern schnell Ergebnisse:

• Kunden-ID-Harmonisierung: Sicherstellen, dass alle Kernsysteme dieselbe eindeutige Kunden-ID verwenden und Interaktionen kanalübergreifend zuordnen können

• Einwilligungsdaten bereinigen und strukturieren: Vollständige und konsistente Consent-Historien sind Pflichtvoraussetzung für jedes Marketing-AI-Projekt

• Modell-Monitoring einführen: Nicht auf Modell-Outputs vertrauen, ohne laufend zu prüfen, ob die zugrundeliegenden Daten stabil und konsistent bleiben

Diese drei Maßnahmen sind kein Allheilmittel – aber sie sind eine solide Grundlage, auf der AI-Personalisierung zu arbeiten beginnt.

Datenqualität messbar machen

Ein wichtiger Schritt ist die Einführung messbarer Datenqualitätsindikatoren – nicht als einmalige Bestandsaufnahme, sondern als laufendes Dashboard. Wieviel Prozent der Kundenprofile haben eine vollständige Einwilligungshistorie? Wie hoch ist der Anteil doppelter Kunden-IDs im System? Wie aktuell sind die Stammdaten im Median?

Diese Kennzahlen machen Datenqualität steuerbar – sie schaffen Transparenz, definieren Zielzustände und ermöglichen eine nachvollziehbare Priorisierung von Verbesserungsmaßnahmen. Ohne messbare Indikatoren bleibt Datenqualität ein diffuses Problem, das sich nie eindeutig verbessert und für das es keine belastbare Erfolgsmessung gibt.