Warum die Finanzindustrie Predictive Analytics noch nicht nutzt und wie man das Potenzial freisetzt

Verglichen mit jeder anderen Branche verfügen Finanzdienstleister über eine große Anzahl an Daten. Doch das, was Daten wertvoll macht, ist nicht die Masse an Rohdaten, sondern, dass ergebnisorientierte Erkenntnisse aus diesen generiert werden. Die Akzeptanz von Predictive Analytics im Finanzsektor ist jedoch sehr gering: es mangelt an Vertrauen und technischen Kapazitäten. Nur die Hälfte der IT-Führungskräfte vertraut darauf, dass Entscheidungen von prädiktiven Analyselösungen unvoreingenommen und immer korrekt sind.

von Matthias Herkommer, Director Presales DACH bei Qlik

Dadurch ergeben sich weitere Möglichkeiten, relevante Produkte zu entwickeln und – was noch wichtiger ist – sie den richtigen Kunden zum richtigen Zeitpunkt anzubieten. Doch wie gut werden diese Daten derzeit genutzt?”

Nicht besonders gut: Eine Studie von Qlik und Accenture ergab, dass nur etwas mehr als die Hälfte der britischen Finanzdienstleister (55%) der Meinung sind, dass ihr Unternehmen Daten effektiv nutzt, um den Wettbewerbsvorteil zu vergrößern. Auch eine weltweite Umfrage von Hazelcast zeigt, dass 79 Prozent aller befragten Finanzdienstleister Schwierigkeiten damit haben, Echtzeitdaten zu nutzen und sie mit historischen Daten zu kombinieren. Insbesondere wegen zunehmend unvorhersehbarer Trends im Verbraucherverhalten und einer steigenden Flut eingehender Daten entwickle sich dies zum Problem. Das sagen 73 Prozent der deutschen Befragten.

Vom Nachweis der Investitionsrentabilität bis hin zur Stärkung des Kundenvertrauens ist die Nutzung von Erkenntnissen zur Entscheidungsfindung von maßgeblicher Bedeutung.

Wenn Unternehmen ihre Mitarbeitenden mit Erkenntnissen ausstatten können, die ihnen nicht nur sagen, was passiert ist, sondern auch, was auf der Grundlage der Daten wahrscheinlich passieren wird, sind sie besser in der Lage, nicht nur auf Ereignisse zu reagieren, sondern auch fundierte Maßnahmen zu ergreifen, wenn es um das Geschäft geht.”

Ein wichtiger Teil davon ist die prädiktive Analyse, die historische Daten mit in Echtzeit gesammelten Informationen kombiniert, um zu verstehen und vorherzusagen, wie sich neue Szenarien entwickeln. Zwei Drittel (66 %) der britischen IT-Führungskräfte im Finanzdienstleistungssektor sind der Meinung, dass die Pandemie den Einsatz von Predictive Analytics beschleunigt hat, und noch etwas mehr (69 %) sprechen sich dafür aus, dass alle Finanzdienstleistungsunternehmen dieses Verfahren einsetzen sollten. Doch viele Finanzdienstleister nehmen sie trotz der vielen Möglichkeiten, die sie bietet, nur zögerlich in Anspruch. Mehr als ein Drittel (38%) hat fünf oder weniger Predictive Analytics Use Cases in der Umsetzung – im krassen Gegensatz zu den Top sieben Prozent, die jeweils mehr als 50 eingeführt haben. Auch in Deutschland sind 93 Prozent der Befragten einer Confinpro Studie davon überzeugt, dass technologische Veränderungen ihr Unternehmen bis zum Jahr 2024 stark verändern werden. Allerdings sind für 61 Prozent der Befragten nur ein kleiner Teil der Innovationen erfolgreich.

Aus den Antworten der Qlik-Studie geht allerdings hervor, dass ein deutlicher Appetit auf prädiktive Analysen besteht. Die Studie zeigt jedoch auch, dass IT-Führungskräfte besorgt sind:

Vertrauen, Einhaltung von Vorschriften und technische Kapazitäten stellen echte Hindernisse für neue Implementierungen dar.”

Unternehmen innerhalb des Finanzsektors werden engmaschig reguliert – sie sind verpflichtet, Aufsichtsbehörden und internen Auditoren ihre Prozesse und Entscheidungen detailliert zu erläutern.

Schwindendes Vertrauen und die Herausforderungen der prädiktiven Analytik

Der Wunsch, prädiktive Analysen zu nutzen und von den Vorteilen einer verbesserten Entscheidungsfindung zu profitieren, mag vorhanden sein. Dennoch haben IT-Führungskräfte in Finanzdienstleistungsunternehmen drei Hauptbedenken, die sie davon abhalten, prädiktive Analysen in größerem Umfang einzusetzen.

• Vertrauen: Nur die Hälfte der IT-Führungskräfte (51 %) vertraut darauf, dass Entscheidungen, die von prädiktiven Analyselösungen getroffen werden, unvoreingenommen und immer korrekt sind (45 %). Das Vertrauen ist so gering, dass sie nicht einmal zulassen würden, dass prädiktive Analysen ihre eigenen Finanztransaktionen beeinflussen, wobei weniger als die Hälfte (45 %) darauf vertraut, dass sie das Taschengeld ihrer Kinder verwalten. Das Hauptproblem ist jedoch die Tatsache, dass ein Drittel (33 %) befürchtet, dass ihre Kunden den Entscheidungen, die von prädiktiven Analyselösungen getroffen werden, nicht vertrauen werden. Und die Kunden werden sich nicht für eine Bank entscheiden, der sie nicht vertrauen.
• Einhaltung von Vorschriften: Mehr als zwei Fünftel (44 %) der IT-Führungskräfte befürchten, dass sie für die Entscheidungen verantwortlich gemacht werden könnten, die von Lösungen getroffen werden, die ausschließlich auf der Grundlage von prädiktiven Analysen Aktionen auslösen. Ihre Besorgnis ist so groß, dass 46 % der Meinung sind, dass die regulatorische Belastung durch diese Technologien den Nutzen überwiegt.
• Technische Kapazität: Prädiktive Analyselösungen müssen mit kontrollierten Echtzeitdaten aus einer robusten Analysedatenpipeline gespeist werden, um genaue, zuverlässige Erkenntnisse zu liefern. Viele IT-Führungskräfte nennen jedoch Schwachstellen in ihrer Datenpipeline, die eine erfolgreiche Implementierung gefährden. Zwei Fünftel der IT-Führungskräfte nannten Bedenken hinsichtlich der Datenqualität (41 %), der Datensilos (40 %) und der Geschwindigkeit der Datenintegration (36 %). Viele befürchten, dass sie nicht über das technische Know-how verfügen, um Predictive Analytics in ihrem Unternehmen einzusetzen (42 %).

Integration von menschlicher und maschineller Intelligenz

Autor Matthias Herkommer, Qlik

Seit über 10 Jahren ist Matthias Herkommer bei Qlik (Webseite) in unterschiedlichen Positionen innerhalb des DACH Presales Teams tätig. Seine Themenschwerpunkte sind Architektur, Security und Scalability der Qlik-Plattform sowie Integration und Big Data. Sein Fokus liegt dabei auf den größten strategischen Kunden im deutschsprachigen Raum, aber auch international. Im Jahr 2017 übernahm Herkommer die Teamleitung des Presales Team DACH bei Qlik. Vor Qlik durchlief er verschiedene Positionen bei Siemens und EADS im Bereich Webentwicklung, Datenbankentwicklung sowie Reporting

Wie sollten Finanzdienstleistungsunternehmen diese Herausforderungen meistern? Für viele geht es darum, die leistungsstarken Prognosen der prädiktiven Analytik in die Business-Intelligence-Plattformen zu integrieren, die bereits die unternehmensweite Entscheidungsfindung unterstützen.

Die Bedeutung von Business Intelligence (BI) im Bankensektor kann gar nicht hoch genug eingeschätzt werden, und in einer so wettbewerbsintensiven Branche ist eine wirksame Business-Intelligence-Strategie nicht mehr nur ein “nice to have” sondern ein Muss. Eine von Qlik in Auftrag gegebene globale Studie von IDC hat ergeben, dass die überwiegende Mehrheit der Finanzdienstleister (77%) aufgrund ihrer Investitionen in Datenmanagement und -analyse ihren Gewinn um durchschnittlich 18,4% steigern konnte.

Dies hat dazu geführt, dass mehr als zwei Drittel (69 %) der IT-Führungskräfte dafür plädieren, dass alle Finanzdienstleistungsunternehmen prädiktive Analysen in ihre Business-Intelligence-Plattformen integrieren sollten; bei den Befragten aus dem Bankensektor sind es sogar 74 %.

Dies sind keine unbedeutenden Hürden. Um sie zu überwinden, müssen Finanzdienstleistungsunternehmen prädiktive Analysen mit moderner Business Intelligence integrieren, die das Beste aus menschlicher und maschineller Intelligenz vereint, damit sie in der Lage sind, fundiertere, präzisere und zuverlässigere Maßnahmen zu ergreifen.

Machine Learning wird zwar inzwischen auch außerhalb von Technologiekreisen diskutiert, aber für viele ist es immer noch eine Zukunftstechnologie.

Doch dank der Cloud und ihrer grenzenlosen Rechenkapazität erweitert es schnell die Möglichkeiten vieler Analysetools.”

20 Prozent der Führungskräfte auf C-Level nutzen Machine Learning inzwischen als Kernbestandteil ihres Unternehmens.

Und dafür sind keine hohen Investitionen in Fachwissen erforderlich. Einfach zu bedienende, codefreie Lösungen können Machine Learning in prädiktiven Modellen integrieren, indem sie die Modellerstellung automatisieren und Geschäftsszenarien testen, indem sie Daten effizient verknüpfen und Schlüsselfaktoren identifizieren. Die Modelle werden auf potenziell großen Datensätzen trainiert und lernen aus Mustern, die von Menschen oft nicht erkannt werden können. Der eigentliche Wert liegt jedoch in der Fähigkeit, detaillierte Einblicke in die wichtigsten Faktoren und die Gründe für Vorhersagen zu liefern, um genauere Umsatzprognosen zu erstellen.

Moderne BI-Systeme machen Daten leicht verständlich mit Hilfe von interaktiven Dashboards, die Informationen in organisierter und benutzerfreundlicher Form anzeigen.

Dashboards verwandeln riesige Informationsmengen in strukturierte Infografiken. Gleichzeitig ist jedes Element der Infografik interaktiv: Analysten können die Parameter ändern und die Datenausgabe auf Wunsch einstellen.”

Die Retail-Abteilung eines großen Finanzinstituts führte beispielsweise ein großes Projekt zur Zentralisierung des Berichtswesens durch. Mithilfe von Qlik hat die Bank über 600 Excel-Berichtsformulare abgeschafft und alle erforderlichen Daten in fünf analytische Dashboards übertragen, die eine Voraussetzung für die Optimierung des Personalbestands sind.

Von der Stärkung der Analysedaten-Pipeline bis hin zum tatsächlichen Einsatz von Analysen zur Überwindung vieler regulatorischer Hindernisse bietet die Studie praktische und greifbare Schritte, die IT-Führungskräften helfen können, das Potenzial von Predictive Analytics zu nutzen und dabei das Vertrauen in die Daten, den Prozess und die Ergebnisse zu bewahren.

Um wettbewerbsfähig zu bleiben und die Daten zu liefern, die ein Unternehmen voranbringen, muss die Predictive Analytics viel mehr können als nur Berichte erstellen.”

Oft gibt ein Unternehmen eine hohe Summe für die Implementierung von Analysediensten aus, nutzt aber nur einen begrenzten Teil des Potenzials, das die BI-Analytik offenbart. Wenn Entscheidungen nicht durch verlässliche Zahlen untermauert werden, entgehen einem Unternehmen zusätzliche Gewinne, Flexibilität und die Fähigkeit, sich proaktiv an künftige Veränderungen und Anforderungen der Kunden und des Marktes anzupassen.Matthias Herkommer, Qlik

 
Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/138586

• teilen 
• teilen 
• teilen 
• teilen 
• teilen 
• RSS-feed 
• E-Mail 
• drucken