Wenn uns die vergangenen zwölf Monate eines vor Augen geführt haben, dann war es die große Bedeutung der Resilienz, also der Fähigkeit, Herausforderungen und Krisen zu meistern. Während vor Beginn der Pandemie Themen wie Agilität und Geschwindigkeit im Fokus standen, haben die großen Marktschwankungen der letzten Monate ein Umdenken im Finanzsektor bewirkt. Entsprechend haben heute Themen wie Widerstands- und Anpassungsfähigkeit Hochkonjunktur.
Mit Blick auf Finanzdienstleistungen hat Resilienz dabei eine doppelte Bedeutung: Betrachtet man die Geschäftsprozesse, dann erfordert Resilienz sowohl einen unkomplizierten Zugriff auf Wissen, um in unsicheren Zeiten die richtigen Entscheidungen zu fällen, als auch die Möglichkeit, im laufenden Prozess Veränderungen vorzunehmen und Chancen zu nutzen, sobald sie sich bieten. In technischer Hinsicht bedeutet Resilienz indes, dass die eingesetzten Lösungen auch unvorhergesehene Belastungen schultern können und die technische Infrastruktur selbst in hochvolatilen Situationen über die notwendige Stabilität und Sicherheit verfügt, um den Betrieb reibungslos und sicher weiterführen zu können.
Sobald unvorhergesehene Ereignisse eintreten, müssen Unternehmen aus der Finanzbranchealle möglichen Szenarien möglichst umgehend nach dem „Was wäre wenn“-Muster prüfen und entsprechende Planungen vornehmen. Dazu benötigen sie belastbare Daten sowie fortschrittliche Analysefunktionen, um möglichst schnell Erkenntnisse ableiten zu können. Diese Anforderung ist keineswegs neu, sondern besteht seit Jahrzehnten. Bislang aber konnte sie mithilfe konventioneller Datenmanagement- und Analyse-Werkzeuge nur bedingt erfüllt werden. Dank technischer Fortschritte hat sich das mittlerweile geändert. nun endlich realisiert werden. Das Stichwort lautet Data Fabric. Damit wird ein moderner Ansatz für das Datenmanagement beschrieben, mit dem Daten aus allen vorhandenen Unternehmensanwendungen und -datenbanken zusammengeführt werden können, ohne dass die bestehende IT-Infrastruktur ausgetauscht werden muss.
Finanzdatenmodellierung und Adaptive Analytics
Eine weitere Entwicklung, die in diesem Kontext relevant ist, betrifft den zunehmenden Bedarf an gleichzeitiger Transaktionsverarbeitung und Datenauswertung. Gemeint ist damit, dass eingehende Daten bereits in dem Moment analysiert werden können, wenn sie eingehen. Die bislang vorherrschende Bearbeitung der beiden Vorgänge in separaten Lösungen ist zu komplex und zeitaufwändig für die heutigen Marktanforderungen. Glücklicherweise ist es inzwischen durchaus möglich, eine zusätzliche Schicht für die Datenmodellierung einzurichten, um den Anwendern im passenden Moment genau die Erkenntnisse an die Hand zu geben, die sie gerade benötigen.
Wir bieten „Adaptive Analytics“ an, mit denen Analysten und Data Stewards Daten in verschiedenen Silos durchkämmen und mithilfe dynamischer Visualisierungen und einer unkomplizierten Datenexploration zusammenführen können. So können z.B. Vermögensverwalter ihren Kunden den Zugriff auf ihr Portfolio ermöglichen und diese Daten (und viele andere) zugleich ihren Analysten und automatischen Handelssystemen zugänglich machen. Und das alles, ohne dass die Daten dupliziert werden müssten.
Die Herausforderung des maschinellen Lernens bei Finanzdienstleistungen
Machine Learning (ML) bietet sich ebenfalls an, um die Finanzbranche resilienter zu machen. Über alle Branchen hinweg möchten Unternehmen von dieser Technologie profitieren, über die momentan alle reden. Und Anwendungsmöglichkeiten für ML gibt es im Finanzsektor reichlich. Dennoch wird das maschinelle Lernen in der Branche bisher kaum in der Praxis genutzt. Dafür gibt es mehrere Gründe: Einerseits die Komplexität, die mit der Datenaufbereitung einhergeht. Andererseits der Mangel an qualifizierten Data Scientists und die steile Lernkurve bei vielen ML-Stacks. Eine dritte Ursache bilden schließlich die Schwierigkeiten, die sich bei der Umsetzung vom Labor ins Produktivsystem ergeben.
Abgesehen von diesen Herausforderungen, die sich in sämtlichen Branchen stellen, gibt es auch einige Faktoren, die ausschließlich Finanzdienstleistungen betreffen. So ist in der Finanzbranche in vielen Anwendungsszenarien maschinelles Lernen in Echtzeit erforderlich. Hierzu zählen unter anderem Handelsvorbereitung, Betrugserkennung und Kundenerlebnis. Doch nur wenige ML-Systeme bieten die dafür erforderlichen Reaktionszeiten. Zudem gibt es in der Finanzbranche viele andere Szenarien, in denen ML-Systeme in direktem Wettbewerb zueinander stehen. Dies ist etwa im automatisierten Handel der Fall. Und selbst wenn sich eine ML-Strategie für ein bestimmtes Unternehmen perfekt eignen mag, lässt es sich nicht unbedingt auch auf andere Unternehmen übertragen. Deshalb braucht es sogenannte „instationäre“ Systeme, die sich ständig weiterentwickeln.
Fortschritte durch IntegratedML
InterSystems unterstützt Banken und Finanzunternehmen dabei, ihre Resilienz mit IntegratedML zu erhöhen und die Herausforderungen in der Entwicklung und Übernahme des ML anzugehen. Mit Tools, die direkt an den Daten ansetzen, ohne diese in andere Umgebungen überführen zu müssen, machen wir die Einführung des maschinellen Lernens schneller und unkomplizierter.
Vermutlich müssen wir noch einige Unwägbarkeiten überwinden, bevor wir die Pandemie ganz hinter uns gelassen haben. Doch mit einer modernen Datenverwaltung, innovativen Analysefunktionen und neuen Technologien profitieren Finanzunternehmen von mehr Resilienz und werden aus der aktuellen Krise gestärkt hervorgehen.
