Daten als Produktionsfaktor
Daten sind in der Finanzbranche zweifellos zu einem Produktionsfaktor geworden. Dazu tragen auch neue Technologien und Möglichkeiten bei, allen voran die künstliche Intelligenz (KI). Sie eröffnet völlig neue Perspektiven in allen Wertschöpfungsbereichen eines Finanzinstituts und wird in den kommenden Jahren eine Vielzahl von Aufgaben übernehmen. Denn überall dort, wo digitale Prozesse vorherrschen, kann KI helfen, schnellere und bessere Ergebnisse zu erzielen. Spannend wird daher sein, welche regulatorischen Rahmenbedingungen die EU für den Einsatz von KI setzen wird.
Die meisten Finanzinstitute befinden sich bereits auf dem Weg zum datengetriebenen Unternehmen. Das zeigen auch die Ergebnisse der Lünendonk-Studie „Von Datensilos zu Datenströmen“: Für 75 Prozent der befragten Banken und Versicherungen in Deutschland hat der Wandel zum datengetriebenen Unternehmen eine hohe Bedeutung und Priorität. Als Begründung geben 90 Prozent der Befragten an, dass sie sich davon schnellere und bessere Entscheidungen sowie eine höhere Prozesseffizienz versprechen. Wie aus der KPMG-Studie „Voices on 2030: Financial Services reinvented“ hervorgeht, zählt Datenkompetenz zu den wichtigen wirtschaftlichen Erfolgsfaktoren unserer Zeit. Einen Wettbewerbsvorsprung erarbeiten sich die Unternehmen, in denen Daten entlang der gesamten Wertschöpfungskette verfügbar gemacht und systematisch genutzt werden.
Schritte auf dem Weg zum datengetriebenen Unternehmen
Was aber zeichnet ein datengetriebenes Unternehmen aus? Und welche Schritte sind auf dem Weg zum datengetriebenen Unternehmen notwendig?
- Entwicklung einer Strategie für das datengetriebene Unternehmen
Die Strategie definiert, wie Daten das Geschäftsmodell bestmöglich unterstützen, wie die Organisation zukünftig Daten nutzt und wie sie durch eine entsprechende Datenkultur in die Lage versetzt wird, auch in der Breite erfolgreich mit Daten zu arbeiten. - Aufbau einer leistungsfähigen Datenarchitektur und -infrastruktur
Die Datenarchitektur und -infrastruktur soll eine integrierte Datennutzung entlang der gesamten Wertschöpfungskette ermöglichen und gleichzeitig – insbesondere durch Cloud-Komponenten und Modularisierungsansätze – eine hohe Flexibilität gewährleisten. - Implementierung eines strukturierten Datenmanagements
Das Datenmanagement klärt zentrale Fragen der Data Governance und des Datenschutzes und hat zum Ziel, eine hohe Qualität in der Datennutzung sicherzustellen. - Realisierung von Automatisierungspotenzialen
Anspruch muss es sein, Automatisierungspotenziale konsequent zu nutzen und dabei auf integrierte Ansätze in den Bereichen Robotics, Data & Analytics und KI zu setzen. - Nutzung von Insights
Da Ansätze aus den Bereichen Data & Analytics und KI mittlerweile einen hohen Reifegrad erreicht haben, sollten diese für vielfältige Entscheidungsprobleme genutzt werden, um Insights für die Optimierung von Prozessen entlang der Wertschöpfungskette zu generieren. - Einführung moderner Reporting- und Planungsprozesse
Moderne Ansätze im Bereich Reporting und Planung ermöglichen eine bessere Unternehmenssteuerung und die Abbildung regulatorischer Anforderungen. Durch Personalisierung und Self-Service lassen sich außerdem die Kundenkommunikation verbessern.
Die Organisation der Datenhaltung als Schlüssel
Zu den wichtigsten Voraussetzungen für den Wandel zum datengetriebenen Unternehmen zählt außerdem eine sowohl effektive als auch effiziente Organisation der Datenhaltung: Strukturierte Daten werden in der Regel in einem Data Warehouse (DWH) gespeichert, wo die Daten in ein einheitliches, transparentes Datenmodell transformiert werden, um eine harmonisierte bzw. qualitätsgesicherte Datenbasis für Analysezwecke zu schaffen. Im Gegensatz dazu werden unstrukturierte Daten, d.h. Daten, für die keine einheitlichen Metadaten und Modellierungen definiert sind, in einem Data Lake zentral zusammengeführt und gespeichert. Da im Data Lake die Daten in ihrer ursprünglichen Form unstrukturiert und damit in großen Mengen gespeichert werden können, dienen sie als Datensammelpunkte und Ausgangsbasis, um mit Hilfe von Machine Learning oder Predictive Analytics große Datenmengen auf Muster und Zusammenhänge zu analysieren.
Die bereits erwähnte Lünendonk-Studie zeigt: Zwei Drittel der befragten Institute nutzen bereits mindestens eine der beiden Technologien zur Datenhaltung, um die riesigen und komplexen Datenberge zu verarbeiten und nutzbar zu machen. Dabei setzen sie auf (meist hybride) Datenarchitekturen wie Data Warehouse und Data Lake und kombinieren On-Premise-Architekturen mit Cloud-basierten Lösungen. Zukünftig wollen 71 Prozent der Befragten hybride Datenhaltungsarchitekturen implementieren.
Enorme Chancen für Wachstum und Wettbewerbsfähigkeit
Die Nutzung von Big Data und der Aufbau eines Data Lake sind jedoch mit einer Reihe von Herausforderungen verbunden: Insbesondere die Datenqualität verhindert häufig, dass Data-Lake-Konzepte ihre volle Wirkung entfalten können. Da sie in der Regel eng mit der Cloud verknüpft sind, erschweren regulatorische Anforderungen die Umsetzung von Data-Lake-Konzepten zusätzlich. Hier spielen Aspekte wie Cloud-Sicherheit, EU-DSGVO, Benutzer- und Berechtigungsmanagement oder Datenhoheit eine große Rolle. Hinzu kommt der Mangel an Daten- und IT-Expertinnen und -Experten.
Dennoch führt an der Transformation der Finanzinstitute zu datengetriebenen Unternehmen kein Weg vorbei. Denn die intelligente Erhebung, Speicherung und Nutzung von Daten trägt wesentlich zur Steigerung der Effizienz, Kundenorientierung und Qualität bei und bietet so enorme Chancen für Wachstum und Wettbewerbsfähigkeit. Finanzinstitute sind daher gefordert, in ihren Organisationen eine Datenkultur zu entwickeln, die Zuständigkeits- und Datensilos überwindet und eine effektive Data Governance ermöglicht. Nur so können sie das volle Potenzial von Daten ausschöpfen und sich in einer zunehmend komplexen und digitalen Welt behaupten.
