{"id":4259,"date":"2017-01-30T06:08:29","date_gmt":"2017-01-30T05:08:29","guid":{"rendered":"https:\/\/hub.hslu.ch\/retailbanking\/?p=4259"},"modified":"2026-02-11T14:52:49","modified_gmt":"2026-02-11T13:52:49","slug":"wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank","status":"publish","type":"post","link":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/","title":{"rendered":"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank"},"content":{"rendered":"\n\n\n

Was ist Data Analytics?<\/strong><\/p>\n\n\n\n

Allgemein bezeichnet Data Analytics, oder kurz Analytics, das Untersuchen von Daten, um n\u00fctzliche Informationen zu sammeln, welche f\u00fcr bessere Unternehmensentscheidungen und eine individuellere Kundenkommunikation genutzt werden k\u00f6nnen. Data Analytics nutzt dabei Daten um auf Faktenbasierte Entscheidungen zu f\u00e4llen und dadurch einen Zusatznutzen f\u00fcr die Kunden (und damit auch f\u00fcr die Bank) zu generieren. Dabei werden Methoden aus der modernen Statistik und Machine Learning eingesetzt, um erkl\u00e4rende, pr\u00e4diktive und pr\u00e4skriptive Modelle zu entwickeln. Nachfolgend werden f\u00fcnf m\u00f6gliche Einsatzgebiete (\u00abUse Cases\u00bb) von Analytics kurz vorgestellt:<\/p>\n\n\n\n

Use Case 1: Churn Prediction<\/strong><\/p>\n\n\n\n

\u201eCustomer Churn\u201c bezeichnet die Wechselwilligkeit und damit das Verlieren von Kunden. Das Ziel eines Churn-Modells ist es, Fr\u00fchwarnsignale zu generieren, um Kunden zu identifizieren, welche eine hohe Absprung-Wahrscheinlichkeit haben. Machine Learning Modelle versuchen typische Muster zu finden, welche zum Beenden der Kundenbeziehung f\u00fchren. Dies erlaubt es der Bank Massnahmen zu ergreifen, um den Verlust von Kunden zu verhindern. Gleichzeitig muss man jedoch zwischen den Kosten f\u00fcr diese Massnahmen und den finanziellen Einbussen durch den etwaigen Verlust dieser Kunden abw\u00e4gen.<\/p>\n\n\n\n

Use Case 2: Customer Lifetime Value<\/strong><\/p>\n\n\n\n

Im engen Sinne bezeichnet der Customer Lifetime Value den gesamten Ertrag, den ein Kunde w\u00e4hrend seines \u201eKundenlebens\u201c generieren kann. H\u00e4ufig beinhaltet die Analyse vom Customer Lifetime Value verschiedene Komponenten. Eine wichtige Komponente ist die Vorhersage vom zuk\u00fcnftigen Verm\u00f6gen der einzelnen Kunden. Dies erlaubt es Kunden mit viel Entwicklungspotenzial zu identifizieren. Anderseits sind auch Kunden interessant, welche zum jetzigen Zeitpunkt bereits \u00fcber ein zus\u00e4tzliches Verm\u00f6gen bei anderen Banken verf\u00fcgen. Mit Modellen, welche Verm\u00f6gen bei Drittbanken erkennen und absch\u00e4tzen, versucht man die entsprechenden Kunden zu identifizieren und die n\u00f6tigen Massnahmen zu ergreifen, um die Hauptbank dieses Kunden zu werden.<\/p>\n\n\n\n

Use Case 3: Kundensegmentierung<\/strong><\/p>\n\n\n\n

Die Kundensegmentierung wird von der Mehrheit der Schweizer Retail Banken noch immer \u00fcber das Verm\u00f6gen und das Alter des Kunden gemacht. Daneben gibt es jedoch noch eine Vielzahl an weiteren Kundenattributen wie zum Beispiel Transaktionsdaten, Kauf- und Produkt-Nutzungsverhalten, oder auch Verhaltensdaten wie z.B. Web-Nutzungsverhalten, welche f\u00fcr eine Segmentierung verwendet werden k\u00f6nnten. Eine pr\u00e4zisere Segmentierung der Kunden ist aus unserer Sicht f\u00fcr Banken zentral und bietet einen Mehrwert im Bereich eines gezielteren Marketings bei der Preisgestaltung oder auch bei neuen Produktlancierungen.<\/p>\n\n\n\n

Use Case 4: Produktempfehlungen generieren<\/strong><\/p>\n\n\n\n

Mit einem Recommender-System kann eruiert werden, welche Produkte oder Dienstleistungen mit gr\u00f6sster Wahrscheinlichkeit von Kunden noch zus\u00e4tzlich gebraucht werden. Dieses von Amazon bekannte Beispiel (\u00abKunden, die A gekauft haben, haben auch B gekauft\u00bb) hilft vor allem im Bereich von Cross-und Up-Selling. Algorithmisch generierte Leads k\u00f6nnen Vertriebskanal \u00fcbergreifend eingesetzt werden. Je nach Kunde und Vertriebspr\u00e4ferenz, kann man Produktempfehlungen z.B. im direkt Kontakt durch den Kundenberater oder \u00fcber einen digitalen Kanal machen.<\/p>\n\n\n\n

Recommender System der Schwyzer Kantonalbank<\/strong><\/p>\n\n\n\n

Auch die Schwyzer Kantonalbank (SZKB) hat sich entschieden, in Zusammenarbeit mit dem IFZ, ein Recommender System zu verwenden. Das Ziel des Projekts ist es, klare(re) Hinweise darauf zu haben, welche Produkte f\u00fcr welche Kunden m\u00f6glicherweise spannend sein k\u00f6nnten. Solche Leads k\u00f6nnen unter anderem direkt online in einem Webportal, im direkten Kontakt mit dem Kundenberater oder f\u00fcr spezielle Promotionen verwendet werden. Der entsprechende Algorithmus wurde dabei individuell auf die Bed\u00fcrfnisse der SZKB abgestimmt. Bei der Entwicklung wurde eine Vielzahl von m\u00f6glichen Machine Learning L\u00f6sungen getestet und diejenige ausgew\u00e4hlt, welche am Besten auf die Datengrundlage und die Bed\u00fcrfnisse der SZKB passt. Grob gesagt funktioniert das entwickelte Recommender System so, dass der Algorithmus automatisch lernt, welche Kombinationen von Hat-Produkten und Kundenattributen dazu f\u00fchren, dass ein Kunde ein weiteres Produkt kauft. Als Bank muss man zudem oft abw\u00e4gen zwischen Produkten, welche am ehesten zus\u00e4tzlich vom Kunden gekauft werden, und Produkten, welche man als Bank gerne empfehlen m\u00f6chte. Die Erfahrung zeigt, dass dies nicht immer dieselben Produkte sind. In diesem Sinne kann die SZKB Pr\u00e4ferenzen angeben und das entwickelte Recommender System einfach adjustieren, so dass gewisse Produkte eher empfohlen werden als andere.<\/p>\n\n\n\n

Wichtige Punkte bei der Umsetzung<\/strong><\/p>\n\n\n\n

Nebst der Entwicklung und dem Roll-out einer Analytics L\u00f6sung, ist auch das anschliessende Monitoring sehr wichtig. Mit Hilfe von Kontrollgruppen l\u00e4sst sich entscheiden, ob eine neue Analytics L\u00f6sung auch tats\u00e4chlich einen Mehrwert bringt. Im einfachsten Fall geht man dabei so vor, dass man zwei gleich grosse Gruppen, zuf\u00e4llig ausgew\u00e4hlter Kunden, bildet. F\u00fcr Kunden der sogenannten \u201eKontrollgruppe\u201c wendet man die neue Analytics L\u00f6sung nicht an. Man behandelt diese Kunden so, wie man es bis anhin gemacht hat. Je nach Fall, benutzt man weiterhin das bestehende System, \u00fcberl\u00e4sst die Entscheidungen dem Kundenberater oder unternimmt nichts Spezifisches. F\u00fcr Kunden der sogenannten \u201eExperimentalgruppe\u201c hingegen wendet man die neue Analytics L\u00f6sung an. Nach einer Testphase kann dann eruiert werden, ob es signifikante Unterschiede zwischen den zwei Gruppen gibt.
Zudem ist es wichtig, dass Erkenntnisse und Feedbacks aus einer Pilot, oder auch sp\u00e4teren Umsetzungsphasen, wieder in die Entwicklung bzw. Verbesserung der Analytics L\u00f6sung fliesst. So ergibt sich ein fruchtbarer Zyklus, in welchem analytische Systeme datenbasiert stets verbessert werden.<\/p>\n\n\n\n

Fazit<\/strong><\/p>\n\n\n\n

Die hier vorgestellte Auswahl an Use Cases ist bei weitem nicht vollst\u00e4ndig. Es gibt eine Vielzahl an weiteren interessanten und potenziell wichtigen Anwendungen, bei welchen Data Analytics zum Einsatz kommt. Dies beinhaltet unter anderem die automatische Betrugserkennung, die Vorhersage von Kreditw\u00fcrdigkeit oder die Analyse von Marketingkampagnen. Dass die automatische Auswertung und Verwendung einer wachsenden Datenmenge in Zukunft immer wichtiger sein wird, d\u00fcrfte unbestritten sein. Welche Analytics L\u00f6sungen und Anwendungen schlussendlich den gr\u00f6ssten Mehrwert f\u00fcr Retail Banken generieren, wird die Zukunft zeigen. Wichtig scheint aus unserer Sicht aber, dass sich auch Retail Banken bald intensiver mit diesem Thema auseinandersetzen.<\/p>\n","protected":false},"excerpt":{"rendered":"

Wie schon einmal erw\u00e4hnt, hat der Bereich Business Analytics derzeit im Rahmen der Digitalisierung im Bankenbereich (noch) nicht die Bedeutung, die er eigentlich haben k\u00f6nnte. Der Umgang mit Daten ist unseres Erachtens aber ein zentrales Element einer Digitalisierungs-Strategie. Banken verf\u00fcgen traditionell \u00fcber viele Daten und mit fortschreitender Digitalisierung wachsen die Datenmengen und auch die Auswertungsm\u00f6glichkeiten weiter. Die Frage ist nun vor allem auch, wie Banken diese Daten f\u00fcr eine individuellere Kundenansprache nutzen und damit indirekt auch monetarisieren k\u00f6nnen. Nachfolgend werden wir einerseits potenzielle verschiedene Anwendungsf\u00e4lle f\u00fcr Data Analytics f\u00fcr Retail Banken vorstellen. Andererseits werden wir ein Projekt kurz vorstellen, welches das IFZ in Zusammenarbeit mit der Schwyzer Kantonalbank entwickelt hat. Das Ziel dieses Projekts war es, automatisch aus Kundendaten Produktempfehlungen zu generieren.<\/p>\n","protected":false},"author":1270,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"_relevanssi_hide_post":"","_relevanssi_hide_content":"","_relevanssi_pin_for_all":"","_relevanssi_pin_keywords":"","_relevanssi_unpin_keywords":"","_relevanssi_related_keywords":"","_relevanssi_related_include_ids":"","_relevanssi_related_exclude_ids":"","_relevanssi_related_no_append":"","_relevanssi_related_not_related":"","_relevanssi_related_posts":"","_relevanssi_noindex_reason":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[252],"tags":[],"class_list":["post-4259","post","type-post","status-publish","format-standard","hentry","category-allgemein"],"acf":[],"yoast_head":"\nWie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank - IFZ Retail Banking Blog<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank - IFZ Retail Banking Blog\" \/>\n<meta property=\"og:description\" content=\"Wie schon einmal erw\u00e4hnt, hat der Bereich Business Analytics derzeit im Rahmen der Digitalisierung im Bankenbereich (noch) nicht die Bedeutung, die er eigentlich haben k\u00f6nnte. Der Umgang mit Daten ist unseres Erachtens aber ein zentrales Element einer Digitalisierungs-Strategie. Banken verf\u00fcgen traditionell \u00fcber viele Daten und mit fortschreitender Digitalisierung wachsen die Datenmengen und auch die Auswertungsm\u00f6glichkeiten weiter. Die Frage ist nun vor allem auch, wie Banken diese Daten f\u00fcr eine individuellere Kundenansprache nutzen und damit indirekt auch monetarisieren k\u00f6nnen. Nachfolgend werden wir einerseits potenzielle verschiedene Anwendungsf\u00e4lle f\u00fcr Data Analytics f\u00fcr Retail Banken vorstellen. Andererseits werden wir ein Projekt kurz vorstellen, welches das IFZ in Zusammenarbeit mit der Schwyzer Kantonalbank entwickelt hat. Das Ziel dieses Projekts war es, automatisch aus Kundendaten Produktempfehlungen zu generieren.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/\" \/>\n<meta property=\"og:site_name\" content=\"IFZ Retail Banking Blog\" \/>\n<meta property=\"article:published_time\" content=\"2017-01-30T05:08:29+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-02-11T13:52:49+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"6\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/\"},\"author\":{\"name\":\"\",\"@id\":\"\"},\"headline\":\"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank\",\"datePublished\":\"2017-01-30T05:08:29+00:00\",\"dateModified\":\"2026-02-11T13:52:49+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/\"},\"wordCount\":974,\"commentCount\":0,\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/\",\"url\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/\",\"name\":\"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank - IFZ Retail Banking Blog\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/#website\"},\"datePublished\":\"2017-01-30T05:08:29+00:00\",\"dateModified\":\"2026-02-11T13:52:49+00:00\",\"author\":{\"@id\":\"\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/#website\",\"url\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/\",\"name\":\"IFZ Retail Banking Blog\",\"description\":\"News und Trends aus dem Retail Banking Markt Schweiz\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/hub.hslu.ch\\\/retailbanking\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank - IFZ Retail Banking Blog","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/","og_locale":"de_DE","og_type":"article","og_title":"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank - IFZ Retail Banking Blog","og_description":"Wie schon einmal erw\u00e4hnt, hat der Bereich Business Analytics derzeit im Rahmen der Digitalisierung im Bankenbereich (noch) nicht die Bedeutung, die er eigentlich haben k\u00f6nnte. Der Umgang mit Daten ist unseres Erachtens aber ein zentrales Element einer Digitalisierungs-Strategie. Banken verf\u00fcgen traditionell \u00fcber viele Daten und mit fortschreitender Digitalisierung wachsen die Datenmengen und auch die Auswertungsm\u00f6glichkeiten weiter. Die Frage ist nun vor allem auch, wie Banken diese Daten f\u00fcr eine individuellere Kundenansprache nutzen und damit indirekt auch monetarisieren k\u00f6nnen. Nachfolgend werden wir einerseits potenzielle verschiedene Anwendungsf\u00e4lle f\u00fcr Data Analytics f\u00fcr Retail Banken vorstellen. Andererseits werden wir ein Projekt kurz vorstellen, welches das IFZ in Zusammenarbeit mit der Schwyzer Kantonalbank entwickelt hat. Das Ziel dieses Projekts war es, automatisch aus Kundendaten Produktempfehlungen zu generieren.","og_url":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/","og_site_name":"IFZ Retail Banking Blog","article_published_time":"2017-01-30T05:08:29+00:00","article_modified_time":"2026-02-11T13:52:49+00:00","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"","Gesch\u00e4tzte Lesezeit":"6\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/#article","isPartOf":{"@id":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/"},"author":{"name":"","@id":""},"headline":"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank","datePublished":"2017-01-30T05:08:29+00:00","dateModified":"2026-02-11T13:52:49+00:00","mainEntityOfPage":{"@id":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/"},"wordCount":974,"commentCount":0,"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/","url":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/","name":"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank - IFZ Retail Banking Blog","isPartOf":{"@id":"https:\/\/hub.hslu.ch\/retailbanking\/#website"},"datePublished":"2017-01-30T05:08:29+00:00","dateModified":"2026-02-11T13:52:49+00:00","author":{"@id":""},"breadcrumb":{"@id":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/hub.hslu.ch\/retailbanking\/wie-koennen-retail-banken-data-analytics-einsetzen-use-cases-und-der-ansatz-der-schwyzer-kantonalbank\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/hub.hslu.ch\/retailbanking\/"},{"@type":"ListItem","position":2,"name":"Wie k\u00f6nnen Retail Banken Data Analytics einsetzen? Use Cases und der Ansatz der Schwyzer Kantonalbank"}]},{"@type":"WebSite","@id":"https:\/\/hub.hslu.ch\/retailbanking\/#website","url":"https:\/\/hub.hslu.ch\/retailbanking\/","name":"IFZ Retail Banking Blog","description":"News und Trends aus dem Retail Banking Markt Schweiz","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/hub.hslu.ch\/retailbanking\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Person","@id":""}]}},"featured_image_src":null,"featured_image_src_square":null,"author_info":{"display_name":"","author_link":"https:\/\/hub.hslu.ch\/retailbanking\/author\/"},"_links":{"self":[{"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/posts\/4259","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/users\/1270"}],"replies":[{"embeddable":true,"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/comments?post=4259"}],"version-history":[{"count":4,"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/posts\/4259\/revisions"}],"predecessor-version":[{"id":21478,"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/posts\/4259\/revisions\/21478"}],"wp:attachment":[{"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/media?parent=4259"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/categories?post=4259"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/hub.hslu.ch\/retailbanking\/wp-json\/wp\/v2\/tags?post=4259"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}