Weiter zum Ihnhalt

Potenzial der Finanzbranche im Bereich Data Science & Machine Learning

28. März 2022

Office Building, Building, High Rise

Die Finanzindustrie ist eine Branche, die sich schon seit vielen Jahren mit der Digitalisierung von Geschäftsprozessen und der Analyse von Daten beschäftigt. Banken möchten das enorme Potenzial nutzen, welches sich durch die Technologien im Bereich Data Science und Machine Learning ergeben. Gleichzeitig stehen sie aber vor technischen, regulatorischen wie auch organisatorischen Herausforderungen. Wir zeigen die aktuellen Herausforderungen in Bezug auf Data Science und Machine Learning auf und stellen mögliche Lösungen vor.

Hohes Potenzial beim Einsatz von Data Science & Machine Learning

Durch den Einsatz von Data Science und Machine Learning sind in jeglichen Geschäftsbereichen enorme Effizienz- und Ertragssteigerungen realisierbar. Weltweit haben Banken bereits damit begonnen, das Potenzial der Daten in verschiedenen Bereichen ihrer Geschäftstätigkeit zu nutzen, z.B. beim Management von Finanzkriminalität, beim Compliance-Management, beim Cross-Selling von Produkten oder bei der Sentiment Analysis (Stimmungsanalysen).

Laut der Studie «AI Bank of the Future» von McKinsey & Company kann KI in der globalen Bankenbranche eine zusätzliche Wertschöpfung von jährlich bis zu 1 Billion US-Dollar schaffen. KI und dessen Teilbereiche werden somit zunehmend zum wichtigen Faktor im Hinblick auf den zukünftigen Unternehmenserfolg. Doch obwohl Banken die Vorteile erkennen, ist die Umsetzung solcher Projekte nicht einfach.

Derzeit wenige Projekte im Bereich Data Science & ML umgesetzt

Laut der Studie “How mature is AI adoption in financial services” der Beratungsfirma PwC, befinden sich weniger als ein Viertel aller KI-Initiativen innerhalb der DACH-Region im «Live-Stadium». Die Studie ergab, dass sich von den wenigen laufenden KI-Projekten die meisten noch in der Anfangsphase befinden und nur einen geringen Beitrag an die allgemeinen Automatisierungs- und Digitalisierungsstrategien leisten. Als die grössten Herausforderungen nannten die Befragten den Mangel an verfügbaren Daten, Budgetbeschränkungen und den Mangel an KI-Kompetenz im Unternehmen.

Darüber hinaus sind viele der Befragten der Meinung, dass Unternehmen für einen effektiven Einsatz von KI über eine grundlegende technische und organisatorische Infrastruktur verfügen müssen. Dafür ist einerseits ein tiefes Verständnis der Prozesse und Technologien in Bezug auf Data Science und Machine Learning nötig und andererseits eine etablierte Datenstrategie erforderlich. Gerade bei stark regulierten Branchen, die mit sensiblen Daten arbeiten, ist die Sicherstellung von Transparenz über KI-Prozesse wichtig, damit Projekte erfolgreich, legal und ethisch korrekt sind. Im Folgenden gehen wir auf die genannten Herausforderungen ein und präsentieren mögliche Lösungsansätze.

Verfügbare Daten & Budgetbeschränkung

Lediglich 30 % der befragten Banken verfolgen einen zentralisierten Ansatz für die Datenerhebung- und -analyse, wobei die Mehrheit davon interessanterweise in der Schweiz ansässig ist. Die Daten sind meist in Data Lakes, also einem grossen Pool von Rohdaten, abgelegt und wurden primär aufgrund regulatorischer Zwecke gesammelt. Zwar sind diese Data Lakes zugänglich, jedoch sind die darin enthaltenen Daten weitgehend unstrukturiert. Dieser Mangel wird durch die geringe Investitionsbereitschaft im Bereich KI verstärkt, da die IT-Mittel häufig in die Modernisierung der Altsysteme anstatt in Data-Science- und ML-Projekte fliessen. Statt umfangreiche Grossprojekte anzugehen, empfehlen wir daher, in kleinen Schritten zu beginnen und mithilfe eines MVP-Ansatzes (Minimum Viable Product) nützliche Anwendungsfälle umzusetzen.

KI-Kompetenz

Eine Herausforderung die nicht nur die Finanzbranche betrifft, stellt den Mangel an Data Scientists dar. Der Grund dafür ist, dass die Nachfrage nach Daten- und Statistik-Know-how in Unternehmen in den letzten Jahren stark gestiegen ist, während zu wenige Data Scientists ausgebildet wurden, um die Nachfrage zu decken. Trotz des wachsenden Interesses und der Zunahme von Data-Science-Weiterbildungen sind erfahrende Data Scientists immer noch schwierig zu finden. Ohne dieses Know-how wird es jedoch schwierig, Data- Science-Projekte erfolgreich umzusetzen. Denn gerade die Übersetzung von Business-Use-Cases in Analytics-Fragestellungen (und umgekehrt) gestaltet sich als herausfordernd.

Lediglich 29 % der KI-Projekte in Banken werden intern entwickelt, sodass die Mehrheit auf externe Spezialisten setzt. Die Zusammenarbeit könnte dabei nicht nur auf die Umsetzung eines Projekts zielen, sondern ebenfalls auf die Schulung von Mitarbeitenden. Neben einem erfahrenen Data-Science- und Softwareteam, benötigt es ein Grundverständnis der Thematik aller Projektbeteiligten, von Business Analysten bis hin zu Verantwortlichen verschiedener Abteilungen, um die Möglichkeiten und Grenzen der Technologien einzuschätzen und somit mögliche Unklarheiten bereits in der Bedürfnis- und Zieldefinition zu eliminieren.

Setzen Sie auf langjährige Daten- und Softwarespezialisten

Bei Datahouse arbeiten Data Scientists, Statistiker und Softwareentwickler eng zusammen und entwickeln gemeinsam für Sie innovative Lösungen. Von der Datenbeschaffung und -verarbeitung bis hin zur Implementierung umfangreicher Data-Science- und ML-Lösungen unterstützten wir Banken bei ihren Projekten. Wir begleiten Sie in allen Phasen, von der Bedürfnis- und Zieldefinition bis hin zur Umsetzung und Wartung der Lösung. Mit unseren Data-Packages bieten wir Ihnen die optimale Lösung: Flexible Servicepakete nach Umfang, Zeitraum sowie Anzahl benötigter Data Scientists und Softwareentwicklern. So finden Unternehmen das für sie passende Paket, um ihr Projekt effektiv umzusetzen.

Ein Beispiel für ein von uns umgesetztes Data-Science-Projekt im Finanzbereich ist der Portfolio Optimizer für die Bank Vontobel. Unsere Data Scientists und Softwareentwickler entwickelten zusammen mit Vontobel regelbasierte Modelle zur Optimierung der Portfoliostruktur, die das Asset Management zur Optimierung der Modell- und Kundenportfolios nutzt.

Um Mitarbeitende in Ihrem Unternehmen bei der Entwicklung Ihrer Data-Science-Kompetenz zu unterstützen, bieten wir unsere «Datahouse Academy – Data Science for Business» an und geben Teilnehmern mit unterschiedlicher Programmiererfahrung eine Einführung in die businessrelevanten Data-Science-Konzepte. Planen Sie in Ihrem Unternehmen ein Projekt im Bereich Data Science und/oder Software und benötigen professionelle Beratung und/oder Ressourcen? Zögern Sie nicht uns zu kontaktieren, wir beraten Sie gerne in einem unverbindlichen Gespräch.