Zukunftssichernde Datenbestände

Der Wettbewerb um Daten und IT-Ressourcen intensiviert sich zunehmend und damit steigt auch der Druck, die vorhandenen Daten möglichst effektiv zu nutzen. Das exponentielle Datenwachstum der vergangenen Jahre stellt nahezu alle Unternehmen vor Herausforderungen, die neue technologiebasierte Lösungsansätze erfordern. Neue Datenquellen müssen an bestehende Datenbestände angebunden werden, um der nachhaltigen Geschäftsentwicklung gerecht zu werden. Branchenübergreifend, z.B. im Banking- und Life Science-Umfeld, ist eine parallele Entwicklung steigender Anforderungen an die Datenbasis und -analyse feststellbar. Innovative Technologieansätze in Zusammenspiel mit neuen Daten und Analyseverfahren werden schrittweise unabdingbar, damit diese Herausforderungen mit den bisherigen Personalressourcen bewältigt werden können. Hierfür müssen die Potenziale, die mit der Anbindung neuer Datenquellen einhergehen, bewertet und in hochflexiblen Umgebungen, beispielsweise in der Cloud oder in speziellen KI-Laboren, erprobt werden. Dieser technische Rahmen für die Datenhandhabung und datenverarbeitende Anwendungen bildet die Grundlage für die Identifikation und Realisierung sogenannter Quickwins, die sich aus verringerten Abhängigkeiten, Risiken und Kosten ergeben. Dynamische Ansätze mit Self-Service-Komponenten verfügen über große Potenziale, um den Mehraufwand der Integration zusätzlicher Datenquellen von den bereits hoch ausgelasteten internen IT-Abteilung und Ressourcen abzukoppeln.

Neben neuen Datenverarbeitungsansätzen können auch etablierte Modelle, Vorgehen und Prozesse in solchen Umgebungen aufgesetzt und weitergeführt werden. Selbst Altanwendungen (sog. Legacy Anwendungen) sind in modernen IT-Ansätzen, beispielsweise der Cloud, abbildbar und laufen folglich auf einer Umgebung, die die sukzessiven Modernisierungsmaßnahmen begünstigt.

Neue Datenquellen werden sowohl innerhalb als auch außerhalb der eigenen Organisation erschlossen. So stellen Open Data-Initiativen aufbereitete Datenkataloge per API zur Verfügung. Dieser Ansatz kann zukünftig als integrativer Bestandteil in Innovations- und Cloud-Strategien einbezogen werden. Die Einbindung zusätzlicher Daten in bestehende Berechnungs- und Analyseverfahren führt zu neuen Erkenntnissen oder präzisiert die Modellergebnisse, die auf Parametern und Annahmen basieren. Hierzu gehören beispielsweise Prognose-, Risikobewertungs-, Trendermittlungs- und Schätzungsverfahren unterschiedlichster Segmente, Branchen und Geschäftsfunktionen.

Im Bankenumfeld kommen diese Technologien und Verfahren, z.B. bei der Ermittlung von Ausfallwahrscheinlichkeiten (PD) im Rahmen der Errechnung des Kreditrisikos zum Einsatz. Dieses gängige Verfahren bindet zuvor ungenutzte makroökonomische Daten in den Prozess der Modellierung für Ausfallwahrscheinlichkeiten ein.

Projektskizze: Point-in-Time-Ansatz (P-i-T) für die Modellierungen von Ausfallwahrscheinlichkeiten

Ein Pilotprojekt von Syncwork aus dem Banking-Umfeld befasste sich mit der Darstellung von Risikoparametern, wie der Ausfallwahrscheinlichkeit (Probability of Default), unter Einbeziehung und Abbildung konjunktureller Schwankungen. Das Projekt zielte darauf ab, Prognosemodelle zu entwickeln, die frühzeitig Risiken anhand quantitativer und qualitativer Frühwarnindikatoren identifizieren, um kurzfristig risikomindernde Gegenmaßnahmen einzuleiten. Dafür wird die PD-Modellierung um segmentspezifisch identifizierte Ergebnisvariablen angereichert. Dies ermöglicht im Ergebnis die Erklärung der zyklisch realen Ausfallrate sowie die Durchführung realitätsnäherer Ausfallwahrscheinlichkeitsberechnungen, Prognoseverfahren und Stresstests. Zum Einsatz kommen dabei P-i-T-Modelle, bei denen konjunkturelle Aspekte durch gesamtwirtschaftliche Kennzahlen innerhalb der Modellierung berücksichtigt werden. Eine angereicherte Analysebasis unterstützt entsprechend die nachgelagerte Risikosteuerung. Das Risikomanagement verfügt wiederum über neue Muster und Informationen, die ohne Einbindung der externen Quellen nicht feststellbar sind.

Branchen festigen – Technologien zulassen!

Dieses Beispiel dient der Verdeutlichung der enormen Potenziale von Cloud- und KI-Systemen in hochkomplexen Modellannahmen, die die Basis vieler elementarer Geschäftsprozesse bilden. Skalierbare Cloud-Umgebungen und vergleichsweise günstige Datenkataloge bilden ideale Voraussetzungen zur Erprobung der Potenziale für Berechnungs- und Prognoseverfahren jeglicher Branchen. Syncwork unterstützt als herstellerunabhängiger Partner auf Augenhöhe bei der Konsolidierung und Integration externer Datenquellen sowie der Auswertung und Extraktion von Informationen. Durch unser eigenes KI-Labor sind wir in der Lage, innerhalb kürzester Zeit Ihren individuellen Schaffensraum aufzubauen und innovative Technologien zugänglich zu machen.

Weitere Informationen zu unseren Tätigkeiten und Veröffentlichungen im Themenspektrum KI finden Sie unter https://ai.syncwork.de/#AI-Lab.