Fraud Detection, Blockchain und Co.: Die Digitalisierungswelle hat auch die Finanzbranche längst erreicht. Einige Unternehmen sind im Zuge des FinTech-Booms schon aufgesprungen, andere bringen sich noch in Position, um ihn nicht endgültig zu verpassen. Das Interesse an neuen Technologien und Wegen, um das eigene Geschäftsmodell an die Vielzahl neuer Herausforderungen anzupassen, ist groß. Noch größer ist mitunter nur noch die bis in die Finanzvorstände reichende Unsicherheit. Die Unsicherheit, die eigentlichen Kernbereiche zu verlassen, hin zu neuen Aufgaben und Themen. Diese gewinnen in der Finanzbranche zunehmend an Bedeutung und gehen dabei deutlich über die reine Automatisierung von Front-End-Prozessen hinaus.
Der Weg von datengetrieben zu datengestützt
Im Unterschied zu anderen Branchen speist sich diese Unsicherheit im Finance-Bereich auch weniger aus dem Mangel an dem, was der Treibstoff einer jeden Digitalisierungsstrategie ist – den Daten. Vielmehr ist es die schiere Masse an gesammelten Daten, die es schwer macht, optimale Anknüpfungspunkte zu finden, um sie in belastbare Informationen umzuwandeln. Es gilt, eine Veränderung einzuleiten: Von einer passiven, auf Reaktion ausgelegten Datengetriebenheit hin zu der Fähigkeit, Daten aktiv als Entscheidungsgrundlage nutzen zu können.
Analytik als Schlüsselfaktor
Um diesen Schritt zu schaffen, braucht es ein Bindeglied zwischen der womöglich so vielversprechenden Datenbasis und der vorhandenen Fachexpertise: Data Science. Die Fähigkeit, auch aus unstrukturierten Daten, wie beispielsweise dem Kundenverhalten, Wissen zu extrahieren, wird für den Finanzsektor zur Schlüsselkompetenz. Das proaktive Erkennen von Kreditkartenbetrug, das optimale Steuern des Treasury Managements, das verlässliche Ermitteln von Preissensibilitäten oder die Entwicklung eines Scoring-Algorithmus im Hinblick auf das Cross-Selling-Potenzial von bestimmten Finanzprodukten im digitalen Vertrieb: Anwendungsfälle, in denen mit Data-Science-Know-how neue Wege erschlossen oder bestehende ausgebaut werden können, gibt es viele.
Hürden ab- und Akzeptanz aufbauen
Allen Use Cases ist gemein, dass auch die ausgereifteste Künstliche Intelligenz ihre Grenzen hat. Finanzunternehmen, die Algorithmen erfolgreich für sich nutzen wollen, benötigen die Kombination aus Analytik, Daten und dem Kontext-Wissen – eine Fähigkeit also, die den Business-Experten vorbehalten bleibt.
Die zentrale Aufgabe von Datenanalysten ist es daher, für das Vorgehen und die eingesetzten Analysemethoden Akzeptanz zu schaffen. Der Türöffner ist Transparenz. Externe Blackbox-Lösungen können entweder Miss- oder blindes Vertrauen verursachen. Beides ist für Finanzunternehmen gefährlich, denn es erhöht das Risiko entweder den Anschluss an moderne Entwicklungen aufgrund einer einsetzenden Reaktanz der Mitarbeiter zu verlieren, oder Entscheidungen auf Informationen zu stützen, die bei genauerer Betrachtung anzuzweifeln sind. Ohnehin ist die grundsätzliche Frage, ob die Einbindung eines FinTechs reicht, um die Digitalisierung in ausreichendem Maße voranzutreiben oder ob ein externer Dienstleister nicht eher ein Wegbereiter für eine unternehmensweite digitale Transformation sein muss.
Eine hohe Kommunikationskompetenz und der stetige Wissenstransfer gehören daher genauso zum Leistungsspektrum von Datenanalysten wie ihre ausgeprägten Statistik- und Programmierkenntnisse.
Das Zusammenspiel aus klaren Anforderungen der Finanzexperten und der verständlichen Vermittlung des Vorgehens durch die Analyseexperten macht aus möglichen Fallstricken ein starkes Seil, mit dem der Datenschatz der Finanzbranche gehoben werden kann. Das Verlassen der eigentlichen Kernbereiche – es kann sich also lohnen.
Hier entlang.