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.

14 01 | 2020 Facetten

14 01 | 2020 Facetten und Nutzenebenen Strategischer Vorteil: Smart Data Analytics Die Vernetzung und Digitalisierung der Welt hat vor allem eins gebracht – unglaublich große Datenmengen. Wir haben angefangen zu lernen, diese analytisch zu nutzen – sei es im Vertrieb, im Betrieb oder der Steuerung einer Bank. Schon klaffen aber die Erwartungshaltung an Data Analytics und die tatsächliche Nutzung in wertstiftenden Anwendungen weit auseinander. Es ist Zeit für eine Überarbeitung der strategischen Ausrichtung von Data Analytics. Es ist Zeit für Smart Data Analytics. Ein kleines Beispiel mag dies verdeutlichen, denn an Möglichkeiten mangelt es nicht. Das Internet, Reuters, Marcus-Datenbank, Creditreform oder auch Tageszeitungen bieten einen riesigen Fundus an wertvollen Daten, um auf deren Basis Produktaffinitäten und Vertriebsanlässe für Firmen- und Privatkundenberater zu generieren. Aber wie können diese Daten effektiv und strukturiert gespeichert werden? Wie können sie intelligent und möglichst automatisch genutzt werden? Kurz gesagt beschreibt Smart Data Analytics also den pragmatischeren Umgang mit großen Datenmengen und eine intensivere Nutzung der Daten durch Fachanwender, als wir es in den letzten Jahren gesehen haben. Dazu müssen alle Konzepte zur Datenbeschaffung, Da- tenhaltung und insbesondere der analytischen Verarbeitung und Nutzung der Daten überdacht und modernisiert werden. Dabei spielen nun auch neue Konzepte in der automatisierten analytischen Verarbeitung von Daten eine wesentliche Rolle. Augmented Analytics verspricht eine Durchführung von komplexen Analysen im Hintergrund, der Anwender kann sich wieder auf das Wesentliche konzentrieren – die fachliche Fragestellung.

01 | 2020 15 Die Veränderungen im Umgang mit Data Analytics haben dabei ausnahmsweise nichts mit der Corona-Pandemie zu tun. Diese beschleunigt allerdings die Digitalisierung, weil wir sehen, dass die Krisengewinner eindeutig die Banken sind, die schon vor Ausbruch des Virus digital besser aufgestellt waren. Außerdem erhöht der tägliche Umgang mit Video-Konferenzen und Corona-Apps die digitale Kompetenz der Kunden. Diese erwarten nun aber mehr von ihrer Bank hinsichtlich digitaler Funktionalitäten. Auf der anderen Seite hilft Data Analytics aber auch besser zu verstehen, wie die Anforderungen der Kunden sich hinsichtlich Nachhaltigkeit, Kostensensitivität oder anderen Aspekten durch die Pandemie verändert haben. In dieses Bild fügt sich eine aktuelle Studie zur Bedeutung von Data Analytics in der Finanzdienstleistungsbranche ein. Unter den Rückmeldungen ergab sich die klare Relevanz von Data Analytics, aber auch die Notwendigkeit, Data Analytics intensiver für Mitarbeiter und Kunden erlebbar zu machen. » 1 Werkzeuge für Spezialisten Aber woher kommt diese Diskrepanz? Die IT hat die notwendige Technik zur Erhebung und Speicherung sehr großer Datenmengen im Griff. Es gibt komplexe Datenhaltungsarchitekturen für wirklich jede erdenkliche Datenmenge und analytische Werkzeuge für beliebige Facetten der Informationsaufbereitung. Jedoch stammen diese (Big Data-) Strategien aus einer Zeit, als die Digitalisierung punktuell neue Daten erzeugt hat und nicht allgegenwärtig war. So hat es genügt, Werkzeuge für Spezialisten zu implementieren, die entlang der gesamten Verarbeitungskette die notwendigen Erkenntnisse entwickeln konnten. Heute benötigen die Banken aber Werkzeuge für den Fachspezialisten, für den Investment-Banker, den Firmenkundenbetreuer, den Risikoverwalter oder den Personalreferenten. Diese können mit den aktuellen Systemen weder funktional umgehen noch deren Datenherkunft einschätzen. Es fehlt an transparenten Systemen, die auf Basis gesicherter Datenpakete nutzenorientiert Fachfunktionen zur Verfügung stellen, deren Konsistenz aufgrund ihres Servicelevels gewährleistet ist. Dabei müssen komplizierte mathematische Algorithmen oder Funktionen der Künstlichen Intelligenz zum Aufbau von Bots, kognitiven Prozessautomatisierungen oder zur Erstellung von Kunden-Scoringmodellen für Nicht-Mathematiker verwendbar sein. Diese Art von Advanced Self-Service Analytics ist bislang aber kaum implementiert. Dies liegt insbesondere an fehlenden Sicherheitsmechanismen für die Anwender. Hier helfen nur moderne Datenlandkarten für eine gesicherte Navigation durch die verfügbaren Datenbestände sowie analytische Plattformen, die eine modulare Entwicklung von Algorithmen erlauben. Diese Funktionalitäten werden sinnvollerweise in Analytics-Blöcken zusammengefasst, um homogenen Benutzergruppen eine einheitliche Umgebung zu Daten, Governance und Funktionen zu liefern. Die Antwort auf diese Herausforderungen nennen wir Smart Data Analytics. Eine Strategie, die nicht alle, sondern nur die sinnvollen Daten speichert, dafür aber in der notwendigen Latenz und Qualität. Diese werden in Funktionen zur Auswertung angeboten, die alle analytischen Verfahren bis zur Künstlichen Intelligenz nutzen, ohne dass der Anwender diese in ihren Details verstehen muss. Facetten und Nutzenebenen von Data Analytics in Banken Um die Ziele von Data Analytics festzulegen, ist eine genaue Abgrenzung notwendig. Analytics hat viele Facetten, und es muss daher Klarheit herrschen, welche analytischen Funktionalitäten in einer modernisierten Strategie abgebildet sein sollen. Analytics kann in den unterschiedlichsten Varianten auftreten wie beispielsweise ■ Reporting und Business Intelligence, ■ Statistik, Advanced Analytics und Operations Research, ■ Process-Mining und Hyperautomation, ■ Künstliche Intelligenz, ■ Planung und Prognose, ■ Data Mining, Machine Learning und Deep Learning, ■ Text Analytics, Bots, Social Analytics und Natural Language Processing u.v.m. Dabei kann jede analytische Anwendung deskriptiv, diagnostisch, prädiktiv oder präskriptiv orientiert sein. Algorithmen

die bank