Zum Inhalt gehen
Analytisches_datenqualitätmanagement_image
Daten & Künstliche Intelligenz

Analytisches Datenqualitätsmanagement

Analytical Data Quality Management verwendet fortschrittliche Analysemethoden wie „Anomalieerkennung“ und „Ursachenanalyse“. Diese innovativen Methoden können das Datenqualitätsmanagement erheblich verbessern.

Geschichte und Kontext

In der Vergangenheit waren Banken immer einem hohen Datenaufkommen ausgesetzt, welches durch ihre Systeme floss. Seit der Einführung digitaler Geräte wie Smartphones, Tablets und Wearables hat sich das Tempo der Datenerstellung explosionsartig erhöht. Schätzungen zeigen, dass mehr als 90% der Gesamtdaten erst in den letzten zwei Jahren entstanden sind. Banken sind Teil dieses Trends und erfassen und verarbeiten immer mehr Daten. In der Vergangenheit wurden diese Daten weitgehend in Quellverwaltungssystemen erhoben. Im Laufe der Jahre werden die Banken jedoch zunehmend mit neuen Vorschriften konfrontiert, wie z.B. der Einhaltung von GDPR, TRIM, AnaCredit und BCBS239. Die Banken arbeiten daher intensiv an integrierten Datenbanken, in denen einheitliche granulare Daten zur Verfügung stehen. Diese Integration stellt große Herausforderungen an die Praktiken des Data Quality Management (DQM) der Banken. Darüber hinaus werden Banken wegen Datenqualitätsproblemen in Praktiken wie Betrugserkennung und Geldwäsche kritisiert und sogar mit Geldstrafen belegt.

Traditionelles Management der Datenqualität

Traditionelles Datenqualitätsmanagement besteht oft nur aus halbautomatischer Datenüberwachung und hochgradig manuellen Datenreinigungsprozessen. Die Verarbeitung der wachsenden Menge an komplexen, voneinander abhängigen Daten wird immer teurer und zeitaufwendiger, da immer mehr Datenqualitätsregeln benötigt werden. Infolgedessen werden oft generische Regeln angewendet, die nur die Oberfläche der Datenqualitätsprobleme berühren.

Neuer Ansatz

Unser Ansatz, Analytical Data Quality Management (ADQM), begegnet diesen Herausforderungen durch den Einsatz fortschrittlicher Analysemethoden wie „Anomalieerkennung“ und „Ursachenanalyse“. Solche Methoden ermöglichen es uns, Ausreißer in den Daten schnell zu erkennen und die Datenqualitätsregeln zu verfeinern, da die Ursache bekannt ist. Die Effizienz- und Genauigkeitsvorteile von ADQM können für den Erfolg von Banken entscheidend sein und helfen, Finanzkosten zu minimieren, die Produktivität zu steigern, die Einhaltung von Vorschriften sicherzustellen, die Innovationskraft von Unternehmen zu steigern, Entscheidungsprozesse zu verbessern und Reputationsverluste zu vermeiden.

Empfohlener Experte

Ulrich Windheuser

Vice President / Head of Enterprise, Data & Analytics | Capgemini Invent
Ulrich Windheuser hat mehr als 25 Jahre Erfahrung in Banking. Funktional haben ihn stets die Herausforderungen der Finance/Risk-Integration getrieben, insbesondere forderten ihn das Schaffen einer einheitlichen Datenplattform mit hoher Datenqualität heraus. Auf dieser Basis freut er sich auf die neuen, darüber hinausgehenden Herausforderungen, um Banken zu mehr datengetriebenen Geschäftsmodellen zu verhelfen. Aktuell leitet er in Deutschland die Capability Unit Enterprise, Data & Analytics. Er hat an der Mercator Universität Duisburg Mathematik studiert und an der Universität Kaiserslautern in Technomathematik promoviert.