Analytical Data Quality Management

Publish date:

Analytical Data Quality Management gebruikt geavanceerde analytische methoden zoals ‘Anomaly detection’ en ‘Root cause analysis’. Deze innovatieve methoden kunnen datakwaliteit management sterk verbeteren.

Geschiedenis en context

In het verleden waren banken altijd al onderworpen aan een grote hoeveelheid gegevens die door hun systemen stroomden. Sinds de introductie van digitale apparaten zoals smartphones, tablets en wearables is het tempo van de gegevenscreatie explosief gestegen. Schattingen laten zien dat meer dan 90% van de totale data pas de afgelopen twee jaar is gecreëerd. Banken maken deel uit van deze trend en verwerven en verwerken steeds meer gegevens. In het verleden werden deze gegevens in grote mate verzameld in bronadministratiesystemen. In de loop der jaren hebben banken echter steeds meer te maken met nieuwe regelgeving, zoals de naleving van GDPR, TRIM, AnaCredit en BCBS239. Banken werken daarom intensief aan integrale databases waar uniforme granulaire gegevens beschikbaar zijn. Deze integratie zorgt voor grote uitdagingen in de datakwaliteitsmanagement (DQM) praktijken van banken. Daarnaast worden banken bekritiseerd en zelfs beboet voor datakwaliteitsproblemen in praktijken zoals fraudeopsporing en antiwitwaspraktijken.

Traditioneel beheer van de gegevenskwaliteit

Traditionele datakwaliteit management bestaat vaak alleen uit halfautomatische datamonitoring en zeer handmatige data-reinigingsprocessen. Het verwerken van de groeiende hoeveelheid complexe, onderling afhankelijke gegevens wordt steeds duurder en tijdrovender, omdat er steeds meer datakwaliteit-regels nodig zijn. Als gevolg hiervan worden vaak generieke regels toegepast die alleen de oppervlakte van de datakwaliteitsproblemen raken.

Nieuwe aanpak

Onze aanpak, Analytical Data Quality Management (ADQM), pakt deze uitdagingen aan door geavanceerde analytische methoden zoals ‘Anomaly detection’ en ‘Root cause analysis’ toe te passen. Met dergelijke methoden kunnen we snel uitschieters in de data opsporen en kunnen we de datakwaliteit-regels verfijnen omdat de hoofdoorzaak bekend is. De voordelen van ADQM op het gebied van efficiëntie en nauwkeurigheid kunnen van cruciaal belang zijn voor het succes van banken, en ondersteunen daarmee het minimaliseren van financiële kosten, het verhogen van de productiviteit, het waarborgen van de naleving van de regelgeving, het verhogen van de organisatorische innovatie, het verbeteren van het besluitvormingsproces en het voorkomen van reputatieverlies.

ADQM Pov

File size: 6,17 MB File type: PDF

Aanbevolen expert

Thomas Bakker

Expert in Data, Risk, Finance, Strategy and Transformation

Related Resources

Cybersecurity in 2020 en daarna: Trends en voorspellingen

Geert van der Linden, Head Cybersecurity Services, neemt u in deze podcast mee in zijn...

Fighting identity fraud with AI

Capgemini recently presented its approach on ‘Fighting identity fraud with AI’ at the...