Customer Lifecycle Management für Banken: Das Operating Model

Customer Lifecycle Management für Banken scheitert selten an der Technologie — meist an der Organisation dahinter. Dieser Beitrag schließt unsere Mini-Serie zu Customer Lifecycle Management für Banken ab und beschreibt das Operating Model: welche Teams, Prozesse, Taktungen und Entscheidungsrechte ein funktionierendes CLM-Programm tatsächlich braucht — mit belegten Zahlen aus Transformationen, die diesen Umbau bereits durchlaufen haben.

Customer Lifecycle Management für Banken: Warum das Operating Model der Flaschenhals ist

McKinsey listet ein agiles Operating Model 2024 explizit als eine von fünf zentralen Personalisierungs-Prioritäten im Retail Banking — neben wertbasierter Use-Case-Priorisierung, schneller Aktivierung im Skalenbetrieb, MarTech-/360°-Daten-Enablement und Talent (McKinsey, Oktober 2024. Die Governance-Lücke, die dahintersteckt, ist gut dokumentiert: Nur 14 % der Banken haben ein spezifisches AI-Governance-Framework, nur 16 % verfügen über standardisierte Protokolle für die Algorithmenentwicklung (McKinsey, „Getting personal: How banks can win with consumers", 19.07.2022). Ohne klare Governance bleibt selbst die beste CLM-Plattform ein Werkzeug ohne Betriebsanleitung.

Der wirtschaftliche Hebel eines funktionierenden Operating Models ist beträchtlich: Agile Marketing-Squads testen und realisieren neue Ideen 5- bis 10-mal schneller, führen Kampagnen 2- bis 3-mal schneller aus, senken die Marketing-Execution-Kosten um 10–30 % und erhöhen die Marketingerlöse typischerweise um 20–30 % (McKinsey, „When agile marketing breaks the agency model", 29.09.2021). Realistisch bleibt der Weg dorthin aber steinig: Nur 3 % der Führungskräfte bezeichneten den Übergang zu agilem Marketing als „reibungslos", über 80 % berichteten von Hindernissen — eine Einschätzung aus einer Begleitung von über 150 Transformationen (McKinsey, 29.09.2021).

Die Teamstruktur: Pods, Squads und Two-Pizza-Teams

Das operative Grundmodell ist über mehrere Studien hinweg konsistent: kleine, dedizierte Teams mit maximal 8–12 Personen („Two-Pizza-Teams"), aus dem Tagesgeschäft freigestellt und kolokiert in einem War Room; ein Scrum Master verantwortet Priorisierung, Backlog und Sprints, die in der Regel 1–2 Wochen dauern, mit täglichen Stand-ups (McKinsey, „Agile marketing: A step-by-step guide", 09.11.2016). Ein Pod besteht typischerweise aus Entwicklern, Datenanalysten, Testern, Journey-Experten und UI-Designern; Mitglieder sind zu 100 % dediziert, Deliverables wechseln alle zwei Wochen, teils täglich (McKinsey, 29.09.2021).

Für Banken speziell beschreibt McKinsey ein Zwei-Ebenen-Modell: „Customer Pods" für Ideation und CLV-Insights sowie „Enabling Pods" für wiederverwendbare Assets, gesteuert über ein Steering Committee aus Analytics, Marketing und Produktbereichen (McKinsey, 19.07.2022). Skaliert wird über einen „Control Tower", der mehrere Teams koordiniert, Best Practices verteilt und das Performance-Dashboard betreibt — ein globaler Händler skalierte auf diese Weise auf 13 parallele War Rooms (McKinsey, 09.11.2016).

Governance und RACI: Wer entscheidet, wer nur informiert wird

Governance beginnt nicht mit einem Gremium, sondern mit klaren Ansprechpartnern: SLAs und namentlich benannte Kontakte in Legal, Procurement, IT, Compliance/Risk und Finance sind Voraussetzung, bevor ein Pod überhaupt operativ starten kann. Senior Leaders greifen dabei bewusst nur leichtgewichtig ein — etwa alle 3–4 Wochen, gestützt auf automatisierte Dashboards statt auf manuelle Statusberichte (McKinsey, 09.11.2016). Diese Struktur lässt sich direkt in eine RACI-Matrix übersetzen: Der Pod ist „Responsible" für Umsetzung und Tests, der Product Owner „Accountable" für Priorisierung, Compliance/Risk ist bei regulatorisch relevanten Use Cases „Consulted", Senior Leadership wird über das Dashboard „Informed". Wie sich diese Governance mit der NBA-Entscheidungslogik selbst verzahnt, vertieft unser Beitrag zu Next Best Action im Banking.

Zentralisierung zahlt sich dabei messbar aus: Banken mit kodifizierten, vereinheitlichten und zentralisierten Analytics-Prozessen erzielen 5–15 % höhere Kampagnenerlöse und starten Kampagnen 2- bis 4-mal schneller — die Time-to-Market halbiert bis geviertelt sich, die Taktung verschiebt sich von monatlich/quartalsweise auf täglich/wöchentlich (McKinsey, 19.07.2022). Wiederverwendbarkeit ist dabei ein eigenständiges Governance-Prinzip: Eine europäische Bank schulte mehrere Hundert Data Scientists, führte über 200 Use Cases in einer gemeinsamen Asset-Bibliothek und erreichte eine 9-fache Verbesserung der Conversion Rate; der anschließende Rollout auf sechs Divisionen lieferte über 120 Mio. US-Dollar Wert (McKinsey, 19.07.2022). Eine asiatische Bank halbierte die Implementierungszeit für über 150 Analytics-Use-Cases allein durch standardisierte Vorgehensweisen (McKinsey, 19.07.2022).

Belegte Ergebnisse aus laufenden Transformationen

Die Zahlen hinter diesen Operating-Model-Umbauten sind konkret. Ein nordamerikanischer Händler erreichte nach 18 Monaten vierfachen Kampagnen-Durchsatz, +30 % Kundenzufriedenheit und verdoppelte digitale Erlöse; eine europäische Bank steigerte über wöchentliche Media-Tests die Conversion Rate um mehr als das Zehnfache; digitale Marketingorganisationen insgesamt sahen 20–40 % Umsatzsteigerung (McKinsey, 09.11.2016). Ein konkreter Zykluszeit-Benchmark: Eine internationale Bank brauchte zuvor 8 Wochen, um einen neuen E-Mail-Angebotstest vorzubereiten — nach dem Umbau unter 2 Wochen von der Idee zum Angebot (McKinsey, 09.11.2016). Eine westeuropäische Bank fuhr über 100 KI-personalisierte Kampagnen mit 3- bis 5-facher Conversion-Steigerung und verkürzte die Kampagnendauer von mehreren Monaten auf unter vier Wochen (McKinsey, Oktober 2024.

Change-Takt: Wellen statt Big Bang

Wie schnell ein Operating Model umgebaut werden sollte, ist ebenfalls belegt — und die Antwort ist nicht „alles auf einmal". BCG empfiehlt iterative Skalierung in Sechs-Monats-Wellen, gestützt auf einen Inkubator außerhalb des Tagesgeschäfts; „All-at-once"-Step-Change-Ansätze scheitern nach dieser Einordnung typischerweise (BCG, „What Does Personalization in Banking Really Mean?", 2019). Dieser Wellenrhythmus lässt sich unmittelbar mit der Datenseite verzahnen: Ohne eine belastbare, zentral zugängliche Datenbasis läuft jedes noch so gut aufgesetzte Pod-Modell ins Leere. Wie sich diese Datenbasis aufbauen lässt, behandelt unser Beitrag Data is the Key for AI.

Wie Acceleraid das Operating Model unterstützt

Ein Operating Model braucht nicht nur Menschen und Prozesse, sondern auch eine Plattform, die schnelle Taktung technisch ermöglicht. Die CLM/CVM-Orchestrierung von Acceleraid ist so ausgelegt, dass Pods eigenständig Kampagnen von der Idee bis zur Ausspielung führen können, während Kontaktfrequenz-Limits und Kanalpräferenzen zentral als Leitplanken hinterlegt sind (Acceleraid Platform). Die Prediction Engine liefert erklärbare, auditierbare Scores, die sich direkt in ein RACI-Modell einfügen: Modelloutputs sind für Compliance/Risk nachvollziehbar, ohne dass jede Kampagne einzeln durch ein Gremium muss (Acceleraid Banking). Über 15 Jahre Erfahrung und mehr als 250 Enterprise-Deployments stehen dafür, dass sich dieses Zusammenspiel aus Team, Governance und Plattform in der Praxis bewährt hat (Acceleraid Platform).

Fazit: Customer Lifecycle Management für Banken skaliert nur über das Operating Model

Framework und Software-Entscheidung allein liefern kein funktionierendes Customer Lifecycle Management für Banken — erst das Operating Model macht daraus einen wiederholbaren, skalierbaren Prozess. Die Evidenz ist eindeutig: kleine, dedizierte Teams, leichtgewichtige aber klare Governance und ein Wellen-Rhythmus in der Skalierung liefern nachweisbar höhere Kampagnenerlöse und kürzere Zykluszeiten. Damit schließt sich der Kreis dieser Mini-Serie — vom Framework über die Software-Entscheidung bis zur organisatorischen Verankerung.

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.