Sind Big Data und Augmented Analytics nur Schlagwörter, die bald wieder aus dem Gedächtnis und den Systemen im Banking verschwunden sind? Oder können sie die Zukunft des Banking mit neuen nie gesehenen Innovationsmöglichkeiten versorgen?

Big Data und Augmented Analytics für das Banking der Zukunft

Zukunftstechnologien Big Data und Augmented Analytics.

Partner des Bank Blogs

Banken haben mit unterschiedlichen Initiativen zur Digitalisierung begonnen, AI- und ML-basierte Funktionen in alltägliche Geschäftsprozesse zu integrieren. Das Bankwesen als Branche war in diesem Zusammenhang im Dornröschenschlaf versunken, aber die Geschwindigkeit, neue Innovationen voran zu treiben, hat sich in den letzten Jahren massiv beschleunigt.

Erweiterte automatisierte Business-Funktionen werden immer mehr Finanzinstitute dazu bringen, die bestehende 35-prozentige Adoptionsbarriere zu durchbrechen. Dies wird erreicht, indem sie Analytics Lösungen von gleichsam außen nach innen drehen – damit alles so funktioniert, wie Menschen arbeiten, anstatt so zu arbeiten, wie die Analytics-Tools programmiert wurden.

Big Data und Augmented Analytics

In den letzten Jahren sind Big Data und Augmented Analytics zu bekannten Schlagworten geworden, die hohe Renditen versprechen und ein Mehr an Innovationen ermöglichen sollen. Werden Big Data & Co. diesen Erwartungen gerecht, oder ist das eher ein Hype, der vorübergeht?

Die Grundlagen von Augmented Analytics sind ziemlich einfach. Die Definition von Gartner aus dem IT-Glossar lautet: „Augmented Analytics ist die Verwendung von Technologien wie maschinelles Lernen (ML) und KI, die bei der Datenaufbereitung, der Generierung von Erkenntnissen und der Erklärung von Erkenntnissen helfen, um die Erkundung und Analyse von Daten in Analyse- und BI-Plattformen zu verbessern. Darüber hinaus werden Experten und Data Scientists durch die Automatisierung vieler Aspekte der Datenwissenschaft, des maschinellen Lernens sowie der Entwicklung, Verwaltung und Bereitstellung von KI-Modellen erweitert.“

Gleiches gilt für Big Data. Big Data ist keine einzelne Technologie oder eine Auswahlliste von Anbietern. Es ist eine lose Ansammlung sich entwickelnder Open Source-Tools, -Techniken und -Talenten. „Big Data besteht aus großen Data Volumina, einer hohen Geschwindigkeit und/oder einer Vielzahl von Informationsquellen, die neue, innovative Verarbeitungsformen für verbesserte Entscheidungsfindung, Geschäftserkenntnisse oder Prozessoptimierung erfordern.“

Im Wesentlichen sind beide Themen eng miteinander verbunden und würden ohne einander nicht funktionieren. Aber was bedeutet das im Kontext des Bankwesens? Im Folgenden sind zwei Hauptbereiche aufgeführt, die in der Bankenwelt große Bedeutung haben.

KI bedeutet angewandt und unsichtbar

Damit Augmented Analytics Fortschritte machen kann, muss es Teil der Struktur eines Daten- und Analysesystems sein. Das heißt, es ist nicht etwas, das Sie aufrufen – vielmehr bietet das System Ihnen Empfehlungen an, vereinfacht die Komplexität und schlägt Optionen vor, an die Sie nicht gedacht haben. Für viele ist das der Traum. Für andere ist es zu viel „Black Box“ – sie müssen wissen, was in jeder Phase passiert. Diese unterschiedlichen Meinungen bedeuten, dass die Annahme (und Akzeptanz) einige Zeit in Anspruch nehmen wird, um zu reifen. Und KI muss automatisch angewendet und für Benutzer unsichtbar sein.

Als Beispiel sind hier die Datenmodelle zu nennen, die für ein Bankprodukt verwendet werden, um einem bestehenden Kunden – sobald dieser die Website tatsächlich besucht oder Bankgeschäfte tätigt – das nächstbeste Angebot vorzuschlagen. Dies würde auf dem Surfverhalten auf der Website basieren, aber auch auf einer Verknüpfung zwischen dem, was das Kundenprofil dem Modell mitteilt, und den Datenpunkten, die in seinen Informationen enthalten sind. Solche Anwendungsfälle können beispielsweise implementiert werden, um die Antragsstellung bei einem Kreditantrag zu vereinfachen und einen großen Einfluss auf die Verbesserung der Prozesse zu nehmen. Die Entwicklungen in diesem Kontext dienen auch als wichtiger Schritt für neue Entwicklungen im Bereich Marketing. Mehr hierzu finden Sie auch in unserem Case „Closer to customers via the cloud

Von Daten über Insights hin zu Actionpoints

Analytische Workflows beginnen, wenn das erste Datenbit erfasst wird und anschließend Maßnahmen ergriffen werden, um das gewünschte Ergebnis zu erzielen. Dies ist ein allgegenwärtiger Ablauf, der alles von der Datenverwaltung bis hin zu kompletten Geschäftsanwendungen umfasst. Augmented Analytics spielt in diesem gesamten System eine Schlüsselrolle.

Mit Augmented Analytics kann man z.B. Vorhersagemodelle in Dashboards nutzen. Basierend auf Daten, die intern aus Bankgeschäften verfügbar sind und um externe Quellen wie Social Media oder Daten aus Treueprogrammen erweitert wurden, können KI-Modelle Portfolios oder neue Einnahmequellen bei bestehenden Kunden vorhersagen. Sie wird auch für Neukunden verwendet, um die Loyalität zu erhöhen und Abwanderung zu vermeiden.

Der Kundenbetreuer untersucht alle Ereignisse und Informationen zu seinem Referenzkunden und ist dann bestens für ein Kundengespräch gewappnet, das sich mit bestimmten Kundenwünschen und -anliegen beschäftigt. Menschen möchten persönlich angesprochen werden (und nicht nur eine Nummer in einem System sein). Und nichts ist erfolgsversprechender bei verbesserter Kundenbindung als ein hervorragender Service, der auf einer faktenbasierten Bewertung beruht.

Neue Trends und Entwicklungen

Welche neuen Trends und Entwicklungen kommen in naher Zukunft im Bankwesen? Wir gehen stark davon aus, dass die Relevanz von Agumented Analytics und Big Data gerade in diesem Sektor noch lange Bestand haben wird. Unseres Erachtens gibt es zwei Hauptbereiche, die mit mehr Fokus und größerer Akzeptanz zukünftig verfolgt werden:

1. Responsible Machine Learning (ML)

Das Bankwesen ist von jeher stark eingeschränkt, da die Regulierungsbehörden nach der Finanzkrise alle Datensätze durchsuchten und nutzen wollten. Die freie Datennutzung ist kein „wilder Westen“ mehr, in dem alles möglich ist. Es gibt immer mehr rechtliche und Reputationsfolgen für die missbräuchliche Verwendung von Daten. Responsible Machine Learning (ML) ist eine Bewegung, um KI-Systeme für die von ihnen erzielten Ergebnisse verantwortlich zu machen. Verantwortliche ML beinhaltet erklärbare KI (bei der eindeutig ersichtlich ist, warum eine Entscheidung getroffen wurde).

Menschzentriertes maschinelles Lernen, Einhaltung gesetzlicher Vorschriften, Ethik, Interpretierbarkeit, Fairness und Aufbau sicherer KI spielen hier ebenfalls eine Rolle, da die Akzeptanz und Verbreitung von KI zunimmt. Die Adoptionsrate für Responsible ML in Unternehmen ist nicht hoch, aber in den nächsten Jahren werden Unternehmen aufgrund verstärkter Vorschriften (wie DSGVO und CCPA), dem Kartellrecht und anderer rechtlicher Kräfte verpflichtet sein, verantwortungsbewusste ML-Praktiken strukturierter und nachvollziehbarer anzuwenden.

2. Erweiterung zu Cloud Data Lakes

Big Data (Datalakes) gibt es bereits seit ein paar Jahren, und sie werden nun zunehmend in Cloud-Datalakes erweitert oder umgebaut. Immer mehr Unternehmen migrieren ihre Dateninfrastruktur in die Cloud und investieren in vielzählige Projekte, um Innovationen mit Cloud-Infrastrukturen und flexiblen neuen Tools voranzutreiben. In ähnlicher Weise sind die Data Warehouses in der Cloud (z. B. Snowflake), eine Architektur, die Attribute sowohl des Data Lake als auch des klassischen Data Warehouse aufweist, heutzutage die neue Norm und werden in Zukunft noch wichtiger.

Das Bankwesen ist zudem zunehmend an technischen Fähigkeiten im Bereich Cloud Data Warehouse interessiert, da ältere Infrastrukturen und traditionelle Data Warehouses in den neuen Cloud-Umgebungen entweder migriert, neu geschrieben oder nativ implementiert werden. Ein Cloud-Lift-and-Shift-Ansatz ist nicht mehr das Paradigma. Neue Funktionen und flexiblere Architekturen sind erforderlich, um eine zukunftssichere Lösungslandschaft im Bankwesen aufzubauen.

Fazit: Kunden in den Mittelpunkt rücken

Die digitalen Transformationsbestrebungen von Banken haben Fahrt aufgenommen und markieren dennoch erst den Startpunkt. Den Kunden in den Mittelpunkt aller Überlegungen zu stellen, das ist der Schlüssel zum Überleben – speziell in der sich schnell verändernden FinTech-getriebenen Banking-Branche.

E-Book „Anwendung und Nutzen von Zukunftstechnologien im Banking – Band 2″

Der Artikel ist Teil einer Artikelserie zu neuen Technologie im Banksektor.. Abonnenten von Der Bank Blog Premium können das 30-seitige E-Book mit allen acht Beiträgen direkt herunterladen.

Wenn Sie kein Abonnent sind können Sie das E-Book hier auch einzeln kaufen.

Noch kein Premium-Leser?
Premium Abonnenten des Bank Blogs haben direkten Zugriff auf alle kostenpflichtigen Inhalte des Bank Blogs (Studienquellen, E-Books etc.) und viele weitere Vorteile.

>>> Hier anmelden <<<


Marc Beierschoder

Marc Beierschoder ist Koautor des Beitrags. Er ist ist Partner bei Deloitte und verantwortet das Offering Analytics & Cognitive im Bereich Consulting. Schwerpunkte liegen dabei auf dem Aufsetzen von digitalen Transformationsprogrammen, dem Einsatz Intelligenter Automatisierung, der Modernisierung von komplexen Daten Architekturen, der Entwicklung von analytischen Produkten und dem effektiven Einsatz von künstlicher Intelligenz in Geschäftsprozessen.

Bank Blog Partner Deloitte entwickelt für seine Kunden integrierte Lösungen in den Bereichen Wirtschaftsprüfung, Steuerberatung, Financial Advisory und Consulting.


Mehr über das Partnerkonzept des Bank Blogs erfahren Sie hier.