Aufrufe
vor 3 Jahren

KINOTE 01.2020

Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

18 01 | 2020 Daten

18 01 | 2020 Daten können aber für den gleichen Kunden auch ein Treiber sein, in dem sie die Kontobewegungen analysieren, um Finanzierungsbedarfe oder Versorgungslücken zu erkennen und proaktiv zu nutzen. Daten können aber auch bestimmte Anwendungen überhaupt erst ermöglichen, z. B. wenn sie auf einem Marktplatz gehandelt oder als Brücke genutzt werden, um Services von Drittanbietern in die eigenen Bankapplikationen zu integrieren. Strategisch bedeutet dies, dass der Status quo als Orientierung zu kurz gesprungen ist. Data- Analytics-Strategien müssen auch visionäre Entwicklungen berücksichtigen und reflektieren. Für den Erfolg einer DA-Strategie ist es natürlich essenziell, dass sie nicht mit der ersten größeren Veränderung bei den verfügbaren Datenhaushalten oder analytischen Entwicklungen zusammenbricht. Sie muss robust sein gegenüber Datenmengen, Datentypen, Zugriffsmethoden, analytischen Verfahren oder regulatorischen Anforderungen, um nur einige zu nennen. Robust, skalierbar, offen und transparent: All diese Erfolgsattribute werden auch gern unter dem Begriff der Resilienz zusammengefasst. Letztlich entscheidet über den Erfolg einer Data-Analytics- Strategie aber vor allem deren Nutzung. Diese wird nur erfolgen, wenn die Elemente der Strategie auch wirklich operativ nutzbar sind. Ansonsten ist die Gefahr groß, dass die Strategie als teures, wertvolles, aber nutzloses Dokument im Archiv verstaubt. Operativ nutzbar bedeutet, dass sie Hilfestellung leistet, um von der Idee zu einer analytischen Applikation zu kommen über Definition, Bewertung, Einordnung und Gestaltung von Architektur und Bauanleitung, inklusive der notwendigen Beistellleistungen in Form von Skills oder Tools. In der Umsetzung der DA-Strategie werden zwei weitere Themen relevant, nämlich die begleitenden Maßnahmen zum Enabling der Strategie sowie die Rollout-Konzepte. Neben klassischen Rollout-Themen wie Monitoring, Schulung und Support sollte dabei ein besonderes Augenmerk auf die Entwicklung einer Enabling-Kultur gelegt werden. Die zentrale Frage lautet dabei: „Wie kann die Umsetzung der Data-Analytics-Strategie unterstützt werden durch die Implementierung bankinterner Services zu Data Analytics?“ IT- und Elemente einer Smart-Data-Analytics-Strategie Eine Data-Analytics-Strategie besteht im Kern aus drei Elementen: einem Datenkonzept, einem Analytics-Konzept und der eigentlichen Strategie zur Erlangung des Zielbilds von Data Analytics. So gesehen ist es eigentlich eine Data- und Analytics- Strategie. Smart wird die Strategie durch den Aspekt der Modernisierung bestehender Data-Analytics-Initiativen. Gerne wird daher auch der Begriff „Data Analytics 2.0 Strategie“ verwendet.

01 | 2020 19 Analytics-Spezialisten werden so zum Enabler ihrer eigenen Anwendungen und begleiten die fachlich initiierten und gesteuerten Use Cases in Data Analytics. Am Beginn jeder DA-Strategie steht jedoch die Vision – das Zielbild, das mit Data Analytics erreicht werden soll. So darf eine DA-Strategie auch nicht losgelöst von anderen Geschäftsstrategien einer Bank entwickelt werden. Sie sollte diesen dienen und sie um (neue) analytische Möglichkeiten bereichern. Dabei hilft es natürlich, sich durch die Beobachtung von Markttrends mit Marktbegleitern in Benchmarks messen zu können. Über die Schwierigkeit, Use Cases mit DA-Bezug zu beschreiben, diese zu strukturieren und einzuordnen, hatten wir bereits gesprochen. Sinnvollerweise werden diese in Analytics-Blöcke zusammengefasst, um maximale Flexibilität und Standardisierung parallel zu gewährleisten. Analytics-Blöcke sind eine pragmatische Lösung dieses Dilemmas. Nicht behandelt wurde bislang die Frage nach dem Aufbau einer Analytics-Plattform. Nur über deren Implementierung wird eine modulare Entwicklung in Analytics gewährleistet. (Teil-) Algorithmen, Modelle, Datenpräparierungen oder auch Datennachbereitungen können so über verschiedenen Umgebungen mit unterschiedlicher Skalierbarkeit und Qualität wiederverwendet werden. Data und Analytics werden heute nicht mehr unabhängig betrachtet im strategischen Kontext, obwohl dies in der Vergangenheit durchaus üblich war. So wurde auch gemeinhin nur von einer Datenstrategie gesprochen, die natürlich auch in einer gemeinsamen Data-Analytics-Betrachtung noch in gleichem Maße relevant ist und immer noch den größten Teil des Strategiedokuments einnehmen wird. Die Datenbeschaffung und Datenhaltung sind im Rahmen einer DA-Strategie immer noch die zentralen Erfolgsfaktoren. Nur wenn diese unter architektonischen und sicherheitstechnischen Aspekten ideal im Unternehmen verankert sind, können Use Cases auf dieser Basis erfolgreich implementiert werden. Aufgrund der wachsenden Komplexität von Daten in einer digitalisierten und vernetzten Welt sowie deren schierer Menge wird dieser Teil auch bei Smart Data Analytics der aufwendigste Bereich einer umgesetzten Strategie sein. Fazit Data Analytics wird an Relevanz für Banken nicht mehr verlieren. Die bestehenden Verarbeitungskonzepte stammen aber aus der Hype-Zeit um Big Data, in der es insbesondere darum ging, möglichst viele und vielfältige Daten zu sammeln, zu speichern und für Auswertungen zur Verfügung zu stellen. Smart Data Analytics geht einen Schritt weiter. Daten werden wie Wasser in einem Versorgungswerk nur dort aufgefangen, wo es notwendig und sinnvoll ist, und anschließend effizient durch ein komplexes System geleitet bis zu dem Ort an dem sie Nutzen stiften – den Fachanwendungen. Diese sollten daher auch der Dreh- und Angelpunkt sein für die Entwicklung einer modernisierten Data-Analytics- Strategie als Leitfaden, Blaupause und Bauanleitung für Smart Data Analytics. Autoren Dr. Alexander Bethke-Jaenicke, Geschäftsführender Partner von Horn & Company Financial Services GmbH. Jan-Henrik Fischer, Geschäftsführender Partner der Horn & Company Data Analytics GmbH. Marisa Parrilla, Associate Partner der Horn & Company Data Analytics GmbH.

die bank