Auflösung der Datensilos: Die nächste Digitalisierungsstufe in der Finanzindustrie

Die umfangreichen Datenmengen von Banken und Finanzdienstleistern stecken oft in Datensilos und zentralisierten Infrastrukturen fest. Um den vollen Nutzen aus dem Datenschatz zu ziehen und gegen aufstrebende FinTechs zu bestehen, benötigen sie aber eine agile IT und ein modernes Datenmanagement.

von Tim van Wasen, Dell Technologies Deutschland

Nur we­ni­ge Bran­chen kön­nen schon so lan­ge auf so um­fang­rei­che Da­ten­schät­ze zu­grei­fen wie die Fi­nanz­in­dus­trie. Sie ge­hört zu den da­ten­in­ten­sivs­ten Bran­chen der Welt­wirt­schaft und hat nicht nur tie­fe Ein­bli­cke in den Kon­sum und Fi­nanz­sta­tus von Ver­brau­chern, son­dern auch in die wirt­schaft­li­che Ent­wick­lung von Un­ter­neh­men und gan­zen In­dus­tri­en.

Al­ler­dings tun sich Ban­ken und Fi­nanz­dienst­leis­ter wei­ter­hin oft schwer da­mit, den vol­len Nut­zen aus die­sen In­for­ma­tio­nen zu zie­hen …”

… – ih­re In­fra­struk­tu­ren und An­wen­dun­gen sind über Jahr­zehn­te ge­wach­sen und wur­den teil­wei­se von ver­schie­de­nen Un­ter­neh­mens­be­rei­chen ei­gen­stän­dig und pro­prie­tär auf­ge­baut, so­dass die Da­ten in Si­los fest­ste­cken. Über­dies sind ih­re In­fra­struk­tu­ren in der Re­gel sehr zen­tra­li­siert und ent­spre­chen da­mit nicht den ak­tu­el­len An­for­de­run­gen, bei de­nen mehr und mehr Da­ten an der Edge an­fal­len und ver­ar­bei­tet wer­den müs­sen, um bei­spiels­wei­se per Smart­pho­ne durch­ge­führ­te Zah­lungs­vor­gän­ge im La­den­ge­schäft schnell ab­wi­ckeln und Be­trugs­prü­fun­gen in Echt­zeit durch­füh­ren zu können.

Mit diesen Herausforderungen steht die Finanzindustrie nicht allein da

Das Marktforschungsunternehmen Gartner schätzt, dass bis 2022 mehr als die Hälfte aller Daten im Enterprise-Bereich außerhalb von Rechenzentren und Clouds generiert und verarbeitet werden (Quelle), und nach Prognosen des Marktforschers IDC werden bis 2025 fast 30 Prozent aller Informationen in Echtzeit genutzt (IDC, The Digitization of the World, From Edge to Core, November 2018). Allerdings stehen Banken und Finanzdienstleister unter besonderem Druck, weil die regulatorischen Anforderungen an sie steigen, der Wettbewerb mit Finanzstartups, sogenannten FinTechs, intensiver wird und sich das Verbraucherverhalten schnell verändert.

Nicht nur verzeichnen Online-Banking und Online-Shopping seit Jahren stetige Zuwächse, insbesondere in den vergangenen Monaten hat das Bezahlen per Smartphone einen massiven Schub erfahren und sind digitale Beratungs- und Service-Angebote deutlich wichtiger geworden.”

Mehr denn je sind Unternehmen aus der Finanzindustrie daher auf moderne Infrastrukturen und ein übergreifendes Datenmanagement angewiesen. Sie benötigen Edge-Rechenzentren in strategischer Nähe zu Dienstleistern und Kunden, um Transaktionen mit kürzest möglichen Antwortzeiten abzuwickeln, zuverlässig in Echtzeit zu prüfen und alle damit verbundenen Prozesse weitestgehend zu automatisieren. Zudem müssen ihre Infrastrukturen agiler werden, damit sie Daten aus Silos befreien und über zentrale Rechenzentren, die Cloud und Edge-Systeme hinweg zusammenführen und austauschen können. Damit schaffen sie die Basis für einen neuen Ansatz im Datenmanagement, der ihnen die Digitalisierung und Automatisierung weiterer Abläufe und tiefgehende Datenanalysen erlaubt. Diese unterstützen Geschäftsentscheidungen und helfen dabei, Produkte und Services zu verbessern oder neue Produkte und Services zu entwickeln.

Aktuell nutzen Finanzinstitute nur einen Teil ihres Schatzes aus Produkt-, Kunden-, Markt- und Transaktionsdaten. Das Gros der Informationen ist Dark Data:

Die Unternehmen wissen nicht genau, welche Daten tatsächlich abgelegt sind, welche Qualität sie haben oder wie man sie aufbereiten, geschickt miteinander verknüpfen und auswerten kann. Ein Problem, dass sich in den kommenden Jahren noch verschärfen wird, da die Datenflut durch IoT-Devices und neue digitale Prozesse schnell wächst.”

In den Griff bekommen Finanzunternehmen das mit einem strategischen und bereichsübergreifenden Datenmanagementansatz, der ihnen hilft, Sichtbarkeit in der Informationsflut herzustellen, die Qualität durch Datenbereinigung und -aufbereitung zu erhöhen und relevante Daten unternehmensübergreifend verfügbar zu machen.

Dieser An­satz muss ne­ben de­zen­tra­len In­fra­struk­tu­ren und ver­teil­ten Da­ten auch Ma­nage­ment­tools und Mit­ar­bei­ter be­rück­sich­ti­gen. Da­ta En­gi­neers und Da­ta Sci­en­tists spie­len da­bei ei­ne Schlüs­sel­rol­le. Ers­te­re kon­zen­trie­ren sich auf die Da­ten­pipe­line: das Zu­sam­men­tra­gen von In­for­ma­tio­nen aus un­ter­schied­li­chen Quel­len, ih­re Spei­che­rung, Auf­be­rei­tung und Be­reit­stel­lung. Letz­te­re nut­zen ma­the­ma­ti­sche und sta­tis­ti­sche Mo­del­le so­wie KI-Tech­no­lo­gi­en, um Al­go­rith­men zu ent­wi­ckeln, die die­se Da­ten aus­wer­ten und Er­kennt­nis­se lie­fern. Bei­de ste­hen vor den­sel­ben Herausforderungen:

Da das Thema noch vergleichsweise neu ist und sich schnell weiterentwickelt, gibt es zwar viele Tools, aber noch keine etablierten Marktführer.”

Sie müssen daher mehrere voneinander unabhängige Werkzeuge für verschiedene Aufgaben einsetzen, was einen hohen Integrationsaufwand verursacht – und auch die Arbeit für Infrastruktur- und IT-Operations-Teams erschwert, die Data Engineers und Data Scientists bei der Bereitstellung und dem Betrieb der Tools unterstützen müssen.

Überraschenderweise wenden Datenmanagementteams einer Gartner-Umfrage zufolge nur 22 Prozent ihrer Zeit für Innovationsprojekte und die Monetarisierung von Daten auf (Gartner, Survey Analysis: Data Management Struggles to Balance Innovation and Control, März 2020). Die meiste Arbeit stecken sie in Routineaufgaben und die Aufrechterhaltung des Status-Quo. Ein Grund dafür ist, dass neben den Spezialisten für das Datenmanagement noch viele weitere Personen und Teams in den Datenlebenszyklus von der Erfassung bis zur Nutzung im Geschäftsalltag involviert sind und nicht effizient zusammenarbeiten sowie oft auch nicht dieselben Ziele verfolgen. Diese internen Reibungsverluste bremsen Data Scientists aus und verzögern wichtige Prozesse und Projekte, die etwa den automatisierten Wertpapierhandel, die Betrugserkennung, Risikoanalysen und das Kundenmanagement verbessern könnten.

Banken und Finanzdienstleister stehen an einem Punkt, an dem ein „Weiter so“ nicht mehr funktioniert und sie ihr Datenmanagement überdenken müssen. Datenmanagementteams benötigen die unbedingte Unterstützung sowohl der Unternehmensführung als auch der mit der IT-Infrastruktur betrauten Teams.”

Damit können sie Projekte umsetzen, in denen Daten einzelne Prozesse und Entscheidungen verbessern, was die Akzeptanz für weitere Projekte erhöht. Agile Infrastrukturen stellen dabei sicher, dass sie Daten zusammenführen und Workloads einfach und einheitlich auf eigenen Systemen im Rechenzentrum und an der Edge sowie in der Cloud verwalten können. Patentrezepte gibt es zwar nicht, da die Anforderungen von Haus zu Haus unterschiedlich sind. Allerdings hilft die Zusammenarbeit mit etablierten Herstellern und IT-Dienstleistern, die in der Finanzindustrie und anderen Branchen, deren Digitalisierung schon deutlich weiter fortgeschritten ist, Erfahrungen gesammelt und Best Practices entwickelt haben.Tim van Wasen, Dell Technologies