Digitale Transformation
Studien bestätigen Mangel im Datenmanagement bei Finanzunternehmen
Finanzdienstleister sollten konsequent datenzentriert agieren
Digitale Disruption tritt auf allen Ebenen des Finanzsektors auf. Privatkundenbanken, Versicherer, Investmentfirmen und Vermögensverwalter stehen gleichermaßen unter Druck, rund um die Uhr digitale Dienste bereitzustellen. Anderenfalls riskieren sie, hinter den Wettbewerbern zurückzufallen. Ein überfüllter Markt, neue Technologien und steigende Erwartungen der Verbraucher zwingen die Finanzinstitute, große Veränderungen voranzubringen.
Markus Grau, Principal Systems Engineering bei Pure Storage erläutert das Potential, das hierbei in modernen Datenplattformen steckt.
„Es ist nicht verwunderlich, dass laut Global Banking Outlook -Studie von Ernst & Young 85 Prozent der Banken die Umsetzung eines digitalen Transformationsprogramms im vergangenen Jahr als Geschäftspriorität angaben. 62 Prozent der globalen Banken erwarten, dass sie im Jahr 2020 digital ausgereift sein werden, verglichen mit nur 19 Prozent im Jahr 2018“, so Markus Grau. „Die am weitesten entwickelten Unternehmen erkennen das Potenzial ihrer Daten als Wettbewerbsinstrument. Sie wissen, welche wertvollen Einblicke Daten über ihre Kunden liefern. Sie wissen auch, dass nicht alle Daten gleichermaßen erstellt werden. Um modernste IT-Umgebungen aufzubauen und den größtmöglichen Nutzen zu erzielen, ist zu berücksichtigen, dass Datentypen unterschiedliche Anforderungen an Zugriff, Speicherung und Management haben. Hier hinkt der Finanzsektor hinterher. Um in der heutigen Zeit einen Schritt voraus zu sein, müssen Finanzdienstleister konsequent datenzentriert agieren. Dies gilt für alle wichtigen Aufgaben, von kundenorientierten Dienstleistungen bis hin zum internen Backoffice.“
Durch einen datenzentrierten Ansatz und die Konsolidierung geschäftskritischer Daten aus mehreren Quellen, einschließlich IoT-Geräten, können Finanzdienstleister die Verarbeitung beschleunigen, die Automatisierung vorantreiben, personalisierte Erfahrungen liefern und die Kosten senken. Ein Großteil davon kann durch künstliche Intelligenz (KI), maschinelles Lernen (ML), Robotik-unterstützte Prozessautomatisierung (RPA) und fortschrittliche Analytik erreicht werden.
Die Erschließung dieser Innovationen erfordert jedoch einen hochskalierbaren und schnellen Zugriff auf riesige Mengen an Kunden- und Geschäftsdaten. Das alles beginnt mit dem Einsatz moderner Datenstrategien in vier kritischen Bereichen.
Performance steigern
Um ihre digitale Transformation zu beschleunigen, benötigen Finanzunternehmen eine Datenplattform, die Daten aus historischen und aktuellen Datenquellen konsolidieren, verbinden und beschleunigt verarbeiten kann. Die Plattform muss in der Lage sein, Streaming-Daten von IoT-Geräten und Telemetrie aufzunehmen. Darüber hinaus muss sie On-Demand-Analytik- und AI/ML-Anwendungen bereitstellen.
Finanzdienstleister setzen neuerdings auf Data-Hub-Plattformen, um das Datenhandling so zu beschleunigen, dass sowohl die Performance als auch die Rentabilität verbessert wird. Dieser Ansatz hat es einigen Banken ermöglicht, die Latenzzeit von Datenbankjobs auf unter 1ms zu reduzieren.
Verbesserung der Intelligenz
Jede Art von Investor steht unter ständigem Druck, die Performance und die Umsätze zu verbessern. Um diesem Druck zu begegnen und mit den sich ständig ändernden Märkten Schritt zu halten, setzen immer mehr Unternehmen Modelle ein, die auf analytischen Methoden basieren und KI- und ML-basierte Erkenntnisse liefern. Eine Untersuchung von PwC UK ergab, dass das britische BIP im Jahr 2030 aufgrund von KI um rund 10 Prozent höher sein könnte. Die größten branchenspezifischen Gewinne werden dabei im Finanzmarkt, Einzelhandel und Gesundheitswesen zu verzeichnen sein.
Quantitative Analysten durchsuchen beispielsweise große Datenmengen und nutzen KI und ML, um unmittelbarere Anlagestrategien zu entwickeln, die profitable Chancen identifizieren und Risiken ausgleichen. KI, ML und Predictive Analytics bieten zudem neue Funktionen zur Verbesserung der Prognose und Optimierung von Handelsentscheidungen. All dies ist jedoch ohne die schnelle Verarbeitung großer Datenmengen aus mehreren Quellen nicht möglich. Unternehmen benötigen daher skalierbaren Speicher für die ständig wachsenden Datenmengen. Sie benötigen auch eine leistungsstarke Verarbeitung, um die maschinelle Analyse zu optimieren und den Mitarbeitern stets die Antworten zu liefern, die sie gerade benötigen.
Das Kundenerlebnis neu erfinden
Online- und Mobile-Banking-Kunden wollen auf komfortable Dienstleistungen zugreifen, egal wann und wo. Damit Finanzinstitute wettbewerbsfähig bleiben, ist die Bereitstellung solcher Erfahrungen heute strategisch entscheidend und die Kundenbindung hängt davon ab. Jetzt besteht die Möglichkeit, das gesamte Kundenerlebnis neu zu gestalten, vom Core Banking über Mobile Banking bis hin zum Call Center. Mit Analytik-gestütztem maschinellem Lernen können Unternehmen ihre Retail-Anwendungen transformieren, einschließlich Konversationshandel, Sprachschnittstellen und virtueller Assistenten.
Finanzunternehmen können nun mehr Wert aus den Daten ziehen, die sie speichern und sichern. KI-, ML- und Predictive-Analytics-Plattformen rücken ins Interesse, um die umfangreichen Datenquellen zu erschließen. Sie schaffen neuen Mehrwert und liefern Erfahrungen, um Kunden zu binden.
Tatsächlich hat Santander kürzlich eine Partnerschaft mit IBM geschlossen , um die Transformation des Unternehmens voranzutreiben. Die neuen KI-, Blockchain- und Big-Data-Angebote werden der Bank helfen, die Reaktionszeit zu verbessern. Die Bank ist dadurch in der Lage, 75 Prozent der spezifischen Systemausfälle vorherzusagen, das Verhalten und die Präferenzen der Online-Benutzer besser zu verstehen und bis zu 30 Prozent der Kundenanfragen zu reduzieren, durch Online-Services basierend auf Watson. Die Datenspeicherung muss mit diesen neuen Möglichkeiten Schritt halten können, indem sie einen schnellen Zugriff auf alle Datenressourcen mit skalierbarer Rechenleistung ermöglicht.
Transformation von Governance, Risk & Compliance (GRC)
Die Einhaltung von Vorschriften bedeutet heute einen enormen Aufwand für die Finanzinstitute. Analysten schätzen, dass dies den Bankensektor jährlich 211 Milliarden Pfund kostet. Darüber hinaus erwarten Compliance- und Risikoexperten laut einem aktuellen Bericht von Reuters , dass diese Summe weiter steigen wird. Die Eindämmung von Betrug und kriminellen Aktivitäten bleibt eine der wichtigsten, aber teuren Prioritäten. Dies gilt auch für das Risikomanagement. Beides erfordert einen unmittelbareren Zugang zu Daten und Informationen. Infolgedessen beschleunigen viele Unternehmen die Identifizierung und Berichterstattung im Liquiditäts-, Kontrahenten-, Markt- und Kreditbereich.
Die ultimative Herausforderung besteht jedoch darin, alle Daten kostengünstig und sofort für alle Anwendungen verfügbar zu machen. Finanzunternehmen können es sich nicht leisten, mehr Menschen für diese Probleme einzusetzen. Stattdessen wenden sich viele an neue Regulierungstechnologien auf Basis von KI und ML, um einige der Prozesse zu automatisieren und bestehende Systeme zu ergänzen.
So erwarten 45 Prozent der Befragten der Reuters-Studie, bis 2021 in automatisierte GRC-Lösungen zu investieren. Diese Lösungen ermöglichen eine umfassende Governance-, Risiko- und Compliance-Automatisierungsstrategie, die über alle funktionalen Silos hinweg agiert und rund um die Uhr Compliance-Überwachung, skalierbare Funktionen und geringere Kosten bietet.
Wenn sich Finanzdienstleister im wettbewerbsintensiven Umfeld differenzieren wollen, ist Innovation entscheidend. Die digitale Transformation und die Nutzung von Daten bietet Unternehmen die Gelegenheit, sich auf sich ändernde Kundenbedürfnisse zu konzentrieren, tiefere Erkenntnisse zu gewinnen und Risiken bei der Einführung neuer Services zu minimieren. Dies erfordert jedoch die Verwendung von Datenanreicherung aus alternativen Datenquellen wie Geolokalisierung, Demographie, Kundenbewegungen und anderen spezialisierten externen Quellen. Es erfordert auch, dass die Datenplattform eines Finanzinstituts Daten in jedem Format effektiv sammeln, aggregieren und verarbeiten kann.
Fazit
„Der Schlüssel zum digitalen Erfolg liegt in einer leistungsstarken, hochagilen Data-Storage-Plattform. Moderne IT-Umgebungen sollten Datenstrategien auf der Grundlage flexibler Verbrauchsmodelle über lokale, gehostete und öffentliche Clouds hinweg priorisieren und die Anwendungs-Workloads mit der effektivsten Infrastruktur abgleichen“, fasst Markus Grau von Pure Storage abschließend zusammen. „Am wichtigsten ist, dass moderne IT-Umgebungen nahtlos mit einer gemeinsamen Managementschnittstelle, einer 100-prozentigen unterbrechungsfreien Architektur und proaktiven/prädiktiven Support-Services zusammenarbeiten. Diese Art von Infrastruktur wird in der Lage sein, Daten aus einer Vielzahl von Quellen auszutauschen und die Einrichtung von Datenleitungen für KI-Workloads zu erleichtern. Jetzt ist es in Finanzunternehmen an der Zeit, die Daten für sich arbeiten zu lassen.“