{"id":67250,"date":"2022-06-08T14:49:24","date_gmt":"2022-06-08T13:49:24","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=67250"},"modified":"2024-09-20T17:45:49","modified_gmt":"2024-09-20T16:45:49","slug":"data-maturity-climbing-the-scale-in-financial-institutions","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/data-maturity-climbing-the-scale-in-financial-institutions\/","title":{"rendered":"Data F\u00e4lligkeit: Klettern auf der Skala der Finanzinstitute"},"content":{"rendered":"

Autor<\/h2><\/div>\"Image\"

Athena Sharma - Artefact<\/h3><\/div>

Beratung Direktor<\/p>\n

Global Financial Services Lead<\/p>\n<\/div><\/div><\/div>

Autor<\/h2><\/div>\"Image\"

Chris Bannocks - QBE Versicherung<\/h3><\/div>

Gruppenleiter Data Offizier<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Athena Sharma, Consulting Director und Global Financial Services Lead bei Artefact, und Chris Bannocks, Group Chief Data Officer bei QBE Insurance, er\u00f6rtern die data-Reife - was sie ist, welche Rolle sie in der heutigen Gesch\u00e4ftswelt spielt und warum sie eine besondere Herausforderung f\u00fcr Banken, Versicherungsgesellschaften, Maklerh\u00e4user, Kreditgenossenschaften und andere Unternehmen im Finanzdienstleistungssektor darstellt.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Was meinen wir, wenn wir von der data-Reife sprechen?<\/h2><\/div>

Im Gro\u00dfen und Ganzen misst der data-Reifegrad den Grad der F\u00e4higkeit eines Unternehmens, aus seinem data Wert zu schaffen. Um einen hohen Reifegrad zu erreichen, muss data im gesamten Unternehmen tief verankert und vollst\u00e4ndig in alle Entscheidungen und Aktivit\u00e4ten integriert sein. Sie ist ein Schl\u00fcsselfaktor f\u00fcr eine erfolgreiche digitale Transformation. Je h\u00f6her der Reifegrad, desto mehr Wettbewerbsvorteile wird ein Unternehmen haben.<\/p>\n<\/div>

Um die data-Reife zu messen, wird ein Reifegradmodell verwendet, um die verschiedenen data- und digitalen F\u00e4higkeiten eines Unternehmens zu bewerten. \u201cEs gibt viele verschiedene Reifegradmodelle, aber sie alle verwenden eine Reihe von Fragen, um den Reifegrad eines Unternehmens in vielen verschiedenen Dimensionen zu bewerten\u201d, erkl\u00e4rt Chris Bannocks<\/a>. \u201cDazu geh\u00f6ren die F\u00e4higkeiten - oder der Reifegrad - eines Unternehmens in den Bereichen Architektur, Mitarbeiter, Analytik, Ethik, Datenschutz und so weiter. Es handelt sich um eine objektive Messung, die entweder durch eine unabh\u00e4ngige \u00dcberpr\u00fcfung oder eine Selbsteinsch\u00e4tzung erfolgen kann.<\/p>\n<\/div>

\u201cDas Ergebnis ist eine Aggregation, so dass Unternehmen entscheiden sollten, wo sie mehr data Reifegrad erwerben wollen und wo weniger akzeptabel ist. Sie m\u00fcssen nicht in jeder Dimension auf dem h\u00f6chsten Niveau sein. Sie m\u00fcssen sich fragen: \u2018Reife f\u00fcr welchen Zweck?\u2019\u201d<\/div>\n<\/div>
sagt Chris Bannocks.<\/div>\n<\/div>

Warum ist die Laufzeit von data f\u00fcr Finanzinstitute besonders wichtig?<\/h2><\/div>

Da die Regulierung in der Finanzwelt von entscheidender Bedeutung ist, ist es umso wahrscheinlicher, dass data gut kontrolliert, gut gef\u00fchrt, gut verwaltet und sicher ist, je h\u00f6her der Reifegrad einer Bank oder Versicherungsgesellschaft ist.<\/p>\n<\/div>

\u201cData wie z.B. Risikokennzahlen, Kundenausz\u00fcge oder Finanzberichte k\u00f6nnen aufgrund der data Reife in diesen Bereichen als genauer angesehen werden\u201d, sagt Chris Bannocks.<\/p>\n<\/div>

Aber die Regulierung ist nicht der einzige Treiber f\u00fcr data-Reife. Ein data-reifes Finanzinstitut (FI) kann das gesamte Spektrum der L\u00f6sungen nutzen, die Big data Analytics und KI zu bieten haben, was zu einer besseren Entscheidungsfindung, einem st\u00e4rker vernetzten Gesch\u00e4ft und einem gr\u00f6\u00dferen Wettbewerbsvorteil f\u00fchrt. Ein data reiferes Versicherungsunternehmen w\u00e4re zum Beispiel besser in der Lage, KI zu nutzen, um das individuelle Versicherungsrisiko f\u00fcr jeden Kunden zu bestimmen, was zu besser zugeschnittenen Policen und erheblichen gesch\u00e4ftlichen Vorteilen f\u00fchrt.<\/p>\n<\/div>

\u201cDie Nutzung von KI und Big data-Analysen f\u00fcr eine data-gesteuerte Entscheidungsfindung, eine st\u00e4rkere Personalisierung und die Optimierung von Prozessen ist ein entscheidender Erfolgsfaktor f\u00fcr Banken und Versicherungsunternehmen. Aber die \u00dcberwindung von data-Reifeproblemen ist nach wie vor ein Haupthindernis.\u201d<\/div>\n<\/div>
sagt Athena Sharma.<\/div>\n<\/div>

Wo stehen die Finanzinstitute derzeit auf der data-Laufzeitskala?<\/h2><\/div>

Viele Finanzinstitute betrachten die data-Reife immer noch als ein Nullsummenspiel - entweder Sie sind data-reif oder nicht. Stattdessen sollte die data-Reife als ein Spektrum betrachtet werden, bei dem unterschiedliche Reifegrade f\u00fcr verschiedene Bereiche des Unternehmens angemessen sind, sagt Athena. \u201cDiese segmentierte Sichtweise des Reifegrads macht die data-Herausforderung f\u00fcr die Finanzinstitute leichter verdaulich und erm\u00f6glicht es ihnen, sich zuerst auf die priorit\u00e4ren Bereiche zu konzentrieren und den Reifegrad in Bereichen zu vernachl\u00e4ssigen, die f\u00fcr das Unternehmen nicht so wichtig sind oder einen geringeren ROI generieren k\u00f6nnten.\u201d<\/p>\n

Chris zufolge liegen die meisten Finanzinstitute auf einer data-Reifegradskala von 1 bis 5 irgendwo zwischen 3 und 4. \u201cDie Finanzinstitute haben gro\u00dfe Fortschritte gemacht, weil sie seit etwa 15 Jahren hart an der Reife und den F\u00e4higkeiten gearbeitet haben. Aber wenn Sie sich die data-Qualit\u00e4t, -Architektur oder -Ethik genauer ansehen, werden Sie feststellen, dass der Reifegrad je nach Branche unterschiedlich ist.\u201d<\/p>\n<\/div>

Vor welchen Herausforderungen stehen Finanzinstitute auf dem Weg zur data-Reife?<\/h2><\/div>

Die Komplexit\u00e4t und das Alter von Legacy-Architekturen und -Systemen sind nach wie vor eine der gr\u00f6\u00dften Herausforderungen f\u00fcr Bank- und Versicherungsunternehmen. Von den 100 weltweit f\u00fchrenden Banken nutzen 92 immer noch IBM Mainframes f\u00fcr ihre Gesch\u00e4fte. Der Einsatz eines veralteten Systems bedeutet einen Mangel an Flexibilit\u00e4t und eine Architektur, die nicht in der Lage ist, mit wachsenden Arbeitslasten fertig zu werden, insbesondere wenn es um Big Data geht.<\/p>\n<\/div>

\u201cAls Folge dieser Herausforderungen m\u00fcssen Finanzinstitute entweder ihre Verarbeitungskapazit\u00e4t erweitern oder ihre bestehende Architektur umbauen, was beides sehr aufw\u00e4ndig und zeitintensiv ist. Dies steht in scharfem Kontrast zu flinken FinTechs, die von Anfang an agil und kundenorientiert bleiben k\u00f6nnen.\u201d<\/div>\n<\/div>
sagt Athena Sharma.<\/div>\n<\/div>

Die zweite gro\u00dfe Herausforderung betrifft die Menschen und die Komplexit\u00e4t der Organisation. Verhaltens\u00e4nderungen und -anpassungen sind in allen Branchen schwer zu erreichen, nicht nur in Finanzinstituten. Aber die organisatorische Komplexit\u00e4t der Finanzinstitute macht es schwieriger, data Verantwortlichkeit und Eigenverantwortung zu f\u00f6rdern und gesch\u00e4ftlichen Nutzen zu schaffen.<\/p>\n

Chris meint: \u201cF\u00fcr die Mitarbeiter von Banken und Versicherungen mag es einfacher sein, ihr Verhalten zu \u00e4ndern, da sie an ein reguliertes Umfeld gew\u00f6hnt sind und Dinge wie data governance leichter \u00fcbernehmen k\u00f6nnen als die Mitarbeiter anderer Branchen. Aber die Gr\u00f6\u00dfe und Komplexit\u00e4t der Organisationsstrukturen selbst kann unterschiedliche Anforderungen an den data-Reifegrad stellen: Eine Privatkundenbank hat einen anderen Reifegradbedarf als eine Investmentbank. Der Unterschied mag geringf\u00fcgig sein, aber er macht es erforderlich, dass die Reaktion auf jedes Projekt auf den jeweiligen Gesch\u00e4ftswert und nicht nur auf den regulatorischen Wert zugeschnitten ist.\u201d<\/p>\n<\/div>

Welche Schritte k\u00f6nnen Finanzinstitute unternehmen, um data reifer zu werden?<\/h2><\/div>

Die allgemeine Antwort lautet, den Weg zur Analytik zu beschleunigen. Hier sind einige Schritte, die Finanzinstitute unternehmen k\u00f6nnen, um dies zu erreichen:<\/p>\n<\/div>

  • <\/i><\/span>
    \n

    Bewerten Sie die Grundlagen: <\/b>Finanzinstitute sollten mit einer umfassenden Pr\u00fcfung ihrer data foundations beginnen, indem sie nicht nur die technischen F\u00e4higkeiten bewerten, sondern auch die richtigen gesch\u00e4ftlichen Fragen stellen. \u201cIn den meisten F\u00e4llen sind die vorhandenen Grundlagen gut genug. Sobald die Finanzinstitute damit beginnen, data-Reifegradma\u00dfnahmen um sich herum zu ergreifen, werden sie sich schrittweise verbessern\u201d, sagt Chris.<\/p>\n<\/div><\/li>

  • <\/i><\/span>
    \n

    Pilotieren Sie die richtigen Anwendungsf\u00e4lle: <\/b>Die Finanzinstitute m\u00fcssen einen agilen Ansatz verfolgen, bei dem sie \u201cjetzt handeln, anstatt erst zu handeln, wenn der Wandel bereits stattgefunden hat\u201d, sagt Athena. In der Praxis bedeutet dies, dass sie Anwendungsf\u00e4lle ausw\u00e4hlen, die sich mit bestimmten Gesch\u00e4ftsproblemen befassen, die Anforderungen f\u00fcr die Umsetzung dieser Anwendungsf\u00e4lle festlegen und die data-Reifegradparameter entsprechend diesen Anforderungen \u00e4ndern. Dadurch werden \u00c4nderungen \u00fcberschaubarer und effektiver.<\/p>\n<\/div><\/li>

  • <\/i><\/span>
    \n

    Realisieren Sie den Wert fr\u00fchzeitig, um die Dynamik zu erhalten: <\/b>Ein entscheidender R\u00fcckschlag ist, dass gro\u00df angelegte Transformationsprojekte mit der Zeit an Schwung verlieren und die Wertrealisierung zu lange dauert oder manchmal gar nicht stattfindet. Ein anwendungsfallorientierter, agiler Ansatz f\u00fcr die data-Reife erm\u00f6glicht eine fr\u00fchzeitige Wertrealisierung und damit eine gr\u00f6\u00dfere Akzeptanz im Unternehmen.<\/p>\n<\/div><\/li>

  • <\/i><\/span>
    \n

    Stellen Sie die Menschen in den Mittelpunkt des Wandels: <\/b>Chris meint: \u201cDie Data-Reife muss die menschliche Komponente sowie den Verbrauch und die Nutzung von data innerhalb des Modells einbeziehen und verstehen, nicht nur die Art und Weise, wie Sie es bis zu seinem Endpunkt verwalten. Um einen echten Nutzen aus einem data-Reifegradmodell zu ziehen, m\u00fcssen all diese Komponenten einbezogen werden.\u201d<\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"

    Athena Sharma, Direktorin und Leiterin des Bereichs Global Financial Services bei Artefact, sowie Chris Bannocks, Group CDO bei QBE Insurance, sprechen \u00fcber die Reife von data.<\/p>","protected":false},"featured_media":62904,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[22035,21930],"blog-language":[2991],"class_list":["post-67250","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-category-finance","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/67250","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/62904"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=67250"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=67250"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=67250"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}