Enterprise Data Warehousing für Business Intelligence in der Finanzbranche

Autor: Simon Doherty, Leiter des EMEA Financial Industry Center of Excellence bei Teradata Können wir aus der Vergangenheit noch etwas für die Zukunft lernen? Simon Doherty von Teradata plädiert dafür, dass Banken nach der Krise neue Wege beschreiten müssen, um aus ihren Daten Vorteile zu ziehen Wenn man die Augen schließt und dann, während man sie fest geschlossen hält, sagen soll, was man sieht, wenn man sie wieder öffnet, kann man nur raten. Am besten geht man davon aus, dass alles genau so ist wie zuvor. Allerdings könnte alles Mögliche während dieser kurzen Zeitspanne passiert sein. Tatsächlich konnte niemand in der Geschäftswelt – und insbesondere in Banken – während der vergangenen zwei bis drei Jahren behaupten, dass das Leben – oder die Märkte – vollständig vorhersagbar sind. Und doch verlassen wir uns immer noch stark darauf, dass vergangene Muster uns helfen, künftige Ereignisse und Verhaltensweisen zu prognostizieren. Die meisten analytischen Verfahren, die wir in der Finanzbranche für Business Intelligence nutzen, beinhalten die Rückschau auf das, was passiert ist, und die Modellierung der Zukunft anhand dieser Informationen. Data Mining beispielsweise ist sehr wertvoll, basiert aber auf Vergangenem, und nach der Finanzkrise sieht die Welt anders aus und die Ergebnisse sind nicht mehr so sicher. Das schmälert den Wert der Daten aber nicht; vielmehr zeigt es, dass wir sie auf intelligentere Weise nutzen sollten. Sie sind vielleicht der einzige Posten, der nach der Krise wertvoller ist als davor. Während einer äußerst angespannten Woche in der Frühphase der Krise berichtete eine Bank, dass Datenabfragen um 600 Prozent gestiegen waren, da sowohl die Geschäftsführung, die Anteilseigner als auch die Politiker Fragen stellten. Banken und andere Finanzdienstleister sind jedoch im Nachteil, wenn sie nur über operative IT-Systeme verfügen oder ihre Daten nur in abteilungsinternen Daten-Silos speichern. Operative Systeme müssen das, was sie leisten, sehr gut beherrschen, beispielsweise Konten zu verwalten. Sie sind darauf ausgelegt Fragen zu beantworten, von denen wir wissen, dass sie gestellt werden. Aber wenn es um das Unternehmen als Ganzes geht, weiß niemand, wie die künftigen Fragen lauten könnten, und daher wird ein anderer technologischer Ansatz benötigt. Wenn man einen Stapel Karten überreicht bekommt und gebeten wird, die Herz-Drei zurück zu geben, bräuchte man Zeit, um den Stapel durchzusehen und sie zu finden. Ein operatives System weiß, dass nach der Herz-Drei gefragt wird und hat sie daher griffbereit ganz oben auf dem Stapel. Was passiert jedoch, wenn nach einer anderen Karte gefragt wird – dem Pik-Ass zum Beispiel? Ein operatives System ist nicht darauf ausgelegt, solche Fragen zu beantworten, ein Data Warehouse hingegen schon – und dabei nutzt es einen besonderen Ansatz. Ein Data Warehouse gibt sozusagen 52 Leuten jeweils eine Karte, so dass jemand sofort die gewünschte Karte vorlegen kann. So funktioniert massivparallele Datenverarbeitung in einem Data Warehouse. Unsere analytischen Tools sind nicht auf irgendeine Standardabfrage hin ausgerichtet – weil es ohnehin keine gibt. Stattdessen sind sie so aufgebaut, dass sie so schnell wie möglich auf das Unerwartete reagieren können. Dieser Ansatz ermöglicht das Speichern von breit gefächerten, organisationsübergreifenden und integrierten Daten, die helfen können komplexe Probleme im Risiko-, Compliance- oder Finanzmanagement zu lösen – und sich sogar für die Entwicklung künftiger Produkte oder Services heranziehen lassen. Die wahre Kunst ist es, diesen reichhaltigen Datenmix zu nutzen, um Ereignisse vorherzusehen. Zum Beispiel lassen sich Daten von einer Website nutzen, um ein Call Center beim Anruf eines Kunden darauf hinzuweisen, dass er sich beispielsweise für Hypotheken oder Versicherungen interessiert, weil das die Produkte sind, auf die seine Computer-Maus zeigte. Wenn diese „Ereignis-Daten“ mit den Informationen über die Profitabilität dieses Kunden und seiner Kaufwahrscheinlichkeit kombiniert werden können, dann ist diese Information sogar noch wertvoller. Dasselbe gilt für die Bewertung von Kreditrisiken. Banken können einem Problem zuvorkommen, indem sie aktuelle Ereignis-Daten wie das Ausgabenprofil, die Anzahl der Geldabhebungen am Automaten und Besuche des Online-Banking-Acocunts mit analytischen Daten aus verschiedenen Quellen wie Kredit-Ratings oder der Gesamthöhe der Kredite kombinieren. Die Verbindung zwischen Rentabilitäts- und Risikodaten wird auch nach der Kreditklemme wichtig bleiben. Banken können, wenn sie die Informationen richtig integrieren, ihr Kapitalmanagement verbessern, den bestmöglichen Gewinn sicherstellen und sich gegen unerwartete Verluste in einer volatilen Umwelt wappnen. Dass Data Warehousing eine Investition in künftigen Wandel darstellt, ist einer der Hauptgründe, warum es heute wichtiger ist als jemals zuvor. Wenn ein Data Warehouse erst einmal bereit steht, gibt es keine Grenze für den Umfang des Ereignismanagements, der Berechnungen, Analysen, des Reportings oder der Zahl der unterstützten Entscheidungen. Folglich ist das, was für eine Bank eine große Herausforderung darstellt, für eine andere nur ein kleines Problem, das beinahe sofort mit Hilfe eines Data Warehouse gelöst werden kann. Zum Beispiel musste eine mir bekannte europäische Bank eine Software implementieren, um einer wichtigen regulatorischen Anforderung nachzukommen. Sie hatte kein Data Warehouse und keine Zeit, eines zu implementieren. Stattdessen musste sie zu einer Einzellösung greifen, obwohl dies bedeutete, dass zehntausende Datenströme integriert werden mussten. Einige Jahre später traten neue Regulierungsvorschriften in Kraft, die für sie einen weiteren schwerwiegenden Umbruch darstellten. Eine vergleichbare Bank, die zu Beginn dieser Entwicklung ein Data Warehouse implementiert hatte, nahm die aktuelle Regulierung kaum zur Kenntnis, da Compliance zu einem unkomplizierten Thema geworden war. Ohne Zweifel erleben wir gegenwärtig eine Phase der Konsolidierung – nicht nur zwischen Banken und anderen Institutionen, sondern auch zwischen Abteilungen und Funktionen. Die Zusammenlegung und Integration von Daten innerhalb des Data Warehouse ist ein Nebenprodukt dieser Entwicklung. Der weltweite regulatorische Standard Basel II und das sich entwickelnde Basel III sehen zum Beispiel oft vor, dass die Finanzabteilung das Reporting ausführt, die Risikoexperten aber die für diese Berechnungen benötigten Daten bereitstellen. Diese Berechnungen im Data Warehouse vorzunehmen, wo alle Informationen schnell verfügbar sind, ist sehr sinnvoll. Das Data Warehouse speichert nicht nur die Ergebnisse, sonder auch die Daten und die Berechnungen, um eine vollständige Transparenz hinsichtlich der Ergebnisse und der Schritte, die zu deren Ermittlung geführt haben, zu gewährleisten. Daten stellen in wachsendem Maße einen Rohstoff dar. Die verfügbare Menge ist durch Entwicklungen wie die verstärkte Nutzung von Internet-Banking-Anwendungen spürbar angestiegen und scheint aufgrund unseres aktuellen Interesses an Social Media und Networking weiterhin zu wachsen. Banken und andere Unternehmen müssen diese Daten noch besser für sich arbeiten lassen. Früher gab es die Fehleinschätzung, dass Enterprise Data Warehousing an sich risikoreich sei. Mit ihrer Erfahrung, ihrem Wissen und ihrer Kraft konnten Spezialisten wie Teradata diese Unsicherheiten in den letzten Jahren ausräumen, sofern sie überhaupt jemals bestanden haben. Das Risiko in der Zukunft liegt darin, nicht zu erkennen, was möglich ist; und genauer darin, nicht in der Lage zu sein, Antworten vor dem Mitbewerb zu finden. Die Gewinner werden diejenigen sein, die eine Route zu diesen Antworten vorbereiten; selbst wenn sie nicht wissen, wie die Fragen lauten könnten. Simon Doherty ist Bankkaufmann und ausgebildeter Buchhalter. Er ist Leiter des EMEA Financial Industry Centre of Expertise bei Teradata. Während seiner 18-jährigen Tätigkeit bei NatWest war er für die Unterstützung einer Reihe von Geschäftsfeldern durch Data Warehouses verantwortlich. Er ist ein anerkannter Fachmann für Risiko- und Finanzmanagement und hat in diesen Bereichen für verschiedene europäische Kreditinstitute gearbeitet.