Kenishirotie - stock.adobe.com
Banken müssen in Data-Warehouse-Automatisierung investieren
Banken mit neuen Geschäftsmodellen fordern seit einigen Jahren etablierte Großbanken heraus. Diese müssen reagieren und auf neue KI-Lösungen setzen.
Die neue Generation von Verbrauchern erwartet nichts weniger als individuell auf sie zugeschnittene Dienste, die immer und überall verfügbar sind. Für Banken bedeutet das konkret, dass sie Finanzdienstleistungen anbieten müssen, die auf das individuelle Ausgabeverhalten in einer aktuellen Lebenssituation eines Kunden abgestimmt sind.
Dies fällt den Newcomern in der Branche einfacher. Sie haben eine homogene und überschaubare Klientel und eine neue Infrastruktur, die von Beginn an für die moderne Welt aufgebaut wurde. Traditionelle Banken können natürlich nicht so schnell reagieren und scheinen im Nachteil. Dabei haben sie jedoch einen Trumpf im Ärmel, der nur auf den zweiten Blick sichtbar ist: Ihren Datenschatz.
Traditionelle Banken sitzen auf einem Berg von Daten, der aus Jahrzehnten an organisch gewachsenen Systemen stammt. Schaffen es diese Banken nicht, diese Daten zu nutzen, sind diese nur ein Klotz am Bein, der sie davon abhält, schnell und agil zu reagieren. Sind die Banken hingegen damit erfolgreich, den Datenschatz zu heben, so entwickelt er sich zu einer schlagkräftigen Waffe, der junge Banken nur wenig entgegensetzen können.
Nutzung von KI ist notwendig
Prinzipiell haben die Großbanken alle nötigen Informationen und Daten ihrer Kunden, um hyper-personalisierte Dienste anzubieten. Das Problem ist eher, einen Weg zu finden, diese Daten auch sinnvoll zu nutzen.
Das dies manuell bei den riesigen Datenbergen und Millionen von Kunden nicht möglich ist, ist den Banken klar. Die Alternative ist künstliche Intelligenz (KI), die Big Data schnell und zielführend analysieren kann und die Daten damit zu einem Asset werden lässt. Wenn KI auf Daten zugreifen kann und sie entsprechend analysiert, führt dies zu besserem und schnellerem Service für die Kunden der Bank.
Darüber hinaus können Banken ihre Erkenntnisse über das Ausgabeverhalten ihrer Kunden nutzen, um ihnen maßgeschneiderte Empfehlungen für ihr finanzielles Wohlergehen zu geben. Besserer und schnellerer Service gepaart mit maßgeschneiderten Empfehlungen über die Finanzen des Kunden werden zwangsläufig zu einer höheren Kundenzufriedenheit führen. Sollten Banken KI vor diesem Hintergrund zu einer strategischen Priorität machen?
Gesetzesänderungen erhöhen Komplexität
Allein im Hinblick auf die Möglichkeit, eigene Daten gewinnbringend zu nutzen, scheint der Einsatz von KI für Banken zwingend notwendig. Darüber hinaus ergeben sich weitere wichtige Anwendungen für KI aufgrund neuer Gesetze und Verordnungen.
Im Zuge der Umstellung auf hyper-personalisierten Dienste schreibt zum Beispiel die Zweite Zahlungsdiensterichtlinie (PSD2) vor, dass Kunden verlangen können, dass Drittanbieter auf ihre Bankdaten zugreifen können. Dies hat zur Folge, dass Banken einen Weg finden müssen, diese Daten zu kategorisieren, zu gruppieren und zu strukturieren, so dass sich andere Dienste auf Anfrage anschließen lassen. Um dies zu erreichen, bedarf es einer Automatisierung der Datenstruktur und einer Analyse, um festzustellen, welche Informationen für den gewünschten Service relevant sind.
Auch neue Gesetze wie IFRS 9 und DSGVO/GDPR müssen eingehalten werden. Beide erfordern die Schaffung von Single Points of Truth, die erste über finanzielle Vermögenswerte und Verbindlichkeiten und die zweite über persönliche Daten des Kunden. Beides sind für Banken aufgrund der Datenmenge schwierige Aufgaben und es ist ein System nötig, das alle Daten intelligent zusammenfasst. Diese komplizierten Aufgaben scheinen wie gemacht für KI-Lösungen. KI ist eine Allzweckwaffe für Großbanken, die ihre Daten gewinnbringend nutzen müssen und der Herausforderungen neuer Gesetzte gegenüberstehen. Es stellt sich also die Frage, warum Banken nicht flächendeckend und auf allen Ebenen in KI investieren?
KI ist nur Zwischenschritt
In der Praxis hat sich bisher herausgestellt, dass Banken trotz des Willens auf mehr Analytik und KI zu setzen, noch enorme Hürden in der bestehenden Infrastruktur zu überwinden haben. KI lässt sich eben nicht mal wie ein USB-Laufwerk einstöpseln. Um Ergebnisse zu bekommen, müssen Daten zuerst in ein besser durchsuchbares, agiles Framework eingebunden werden.
Erst danach macht der Einsatz von KI Sinn. Es sind also einige Zwischenschritte nötig. Einer dieser Zwischenschritte ist zum Beispiel die Automatisierung des Data Warehouse, das eine wichtige Brücke zwischen der Legacy- und der Cloud-Infrastruktur schlägt. Damit werden viele der manuellen und zeitraubenden Aufgaben für Datenmigration automatisiert, die Unternehmen davon abhalten, mehr KI zu nutzen.
„KI ist eine Allzweckwaffe für Großbanken, die ihre Daten gewinnbringend nutzen müssen und der Herausforderungen neuer Gesetzte gegenüberstehen.“
Rob Mellor, WhereScape
Gerade traditionelle Banken, die über umfangreiche Legacy-Infrastruktur verfügen, können von einer solchen Automation profitieren, um schneller und agiler zu werden. Diese Banken verfügen in der Regel über eine große Anzahl von alten Mainframe-Systemen mit wenig oder gar keinen modernen Analysemöglichkeiten. Je vielfältiger die IT-Infrastrukturlandschaft ist und je mehr Legacy- und moderne Systeme vorhanden sind, desto größer ist die Notwendigkeit, einen Weg zu finden, all dies zu rationalisieren und ausgefeilte, schnelle Analysefunktionen bereitzustellen.
Automatisierung des Data Warehouse ist Bedingung für KI
Eine umfassende Automatisierung des Data Warehouse kann dabei helfen, Migrationsprozesse zu beschleunigen und potenzielle Risiken der Modernisierung zu reduzieren. Darüber hinaus hilft die Automatisierung Kosten einzusparen. Am wichtigsten ist jedoch, dass Banken dadurch wettbewerbsfähiger und innovativer werden.
Die IT-Infrastruktur und insbesondere die Analyse- und KI-Fähigkeiten werden sich in den nächsten Jahren deutlich weiterentwickeln. Gleichzeitig ändern sich die gesetzlichen Anforderungen regelmäßig. Um mit diesen Veränderungen Schritt halten zu können, benötigen Banken eine immer umfangreichere Datenerfassung, Möglichkeiten zur Verwaltung ihrer Datenlandschaft und eine schnellere und kostengünstigere Einsicht in ihre Systeme. Während dieses Übergangs wird die Automatisierung des Data Warehouse zum kritischen Sprungbrett zwischen bestehenden Legacy-Umgebungen und der KI-gesteuerten Zukunft einer Bank sein.
Über den Autor:
Rob Mellor ist Vice President und General Manager EMEA bei WhereScape. Er ist dort seit über acht Jahren tätig. Mellor schöpft aus mehr als 15 Jahren Branchenerfahrung in leitenden Vertriebs- und Marketingpositionen, etwa bei TAH, Cognos und IBM. Er hat auf diesem Weg viele Technologien und Beratungsherausforderungen kennengelernt.
Folgen Sie SearchEnterpriseSoftware.de auch auf Twitter, Google+, Xing und Facebook!
