Geldinstitute > Strategie

10.07.2017 von Andreas Breil, Programm-­Manager der STRANGE Consult GmbH

Erfolgsfaktor Data Management

Die Bank der Zukunft positioniert sich im Zeitalter der Digitalisierung neu als ein Data Centric Enterprise. Ein durchdachtes und durchgängiges Data Management schafft die Grundlagen, den bestehenden Herausforderungen zu begegnen, Handlungsfreiheit zurück zu gewinnen und sich so von den Wettbewerbern abzusetzen.

Das Strange Framework im Überblick

Bei anhaltendem Rentabilitätsdruck ­müssen viele Geldinstitute ihre Geschäfts­modelle und Unternehmensstrukturen ­modernisieren. Sie stehen zunehmend mit FinTechs im Wettbewerb und drohen bei Produktinnovationen, Agilität und prozessualer Exzellenz ins Hintertreffen zu geraten. So erzwingt PSD2 ab 2018 – zunächst für Zahlungsdienstleistungen – den Zugang von außen auf den bisher gehüteten Schatz der Banken: ihre Konto- und Kundendaten. Neue Technologien wie Blockchain hinterfragen fundamental die Rolle von Finanzdienstleistern als Intermediäre. Darüber ­hinaus erfordert das dramatisch geänderte Kommunikationsverhalten der Kunden eine Forcierung der Digitalisierung und die durchgängige Verfügbarkeit aller Produkte von der Filiale bis zur App („Omni­channel“). Denn ohne genaue Kenntnis des Kunden und ihrer Erwartungen bleiben ein zielgerichteter Vertriebserfolg und ein ­Ausbau der Kundenbeziehung aus.

 

Nicht zuletzt steigen weiterhin die regulatorischen Anforderungen an Reporting und Risiko-Controlling. Trotz einiger anderslautender Signale der neuen amerikanischen Regierung setzt sich dieser Trend fort, zumindest auf dem alten Kontinent mit dem European Reporting Framework (ERF): hohe Granularität, zeitliche Verfügbarkeit und qualitative Verknüpfung immer weiterer Informationen stellen hohe Ansprüche an die bestehenden ­Systeme und Prozesse der Banken. 

 

Die Daten im Mittelpunkt

Diese beschriebenen Herausforderungen beweisen: Daten und deren Management sind der Nukleus jedes Geldinstituts. Das  Konsultationspapier MaRisk 2016 „übersetzte“ diese Erkenntnis folgendermaßen: Risikoberichte sollen „auf vollständigen, genauen und aktuellen Daten beruhen, die flexibel für die Erfordernisse des Risikomanagements aufbereitet und angepasst werden können.“ Da ersetze man nur Risikomanagement durch Digitalisierung, Produktmanagement, Controlling, Vertriebssteuerung ... 

 

Durch den Perspektivwechsel auf die ­Daten entsteht als Lösungsmodell für die digitale Bank das Data Centric Enterprise (DCE) mit seinen Elementen

 

  • einer alle Bereiche umfassenden front-to-end Betrachtung von Architekturen, Prozessen und Organisation,
  • einer Wertschöpfungskette, in deren Mittelpunkt das Einzelgeschäft steht und
  • einer übergreifenden, transparenten und produktorientierten Datendefinition.

Das DCE ergänzt den herkömmlichen funktionalen und prozessualen Blick auf ein Finanzinstitut und integriert es über die Datensicht.  Damit die Integration in der ganzen Bank funktioniert, werden Leitplanken benötigt, die das Framework „DCE Data Management“ mit seinen strategischen und operativen Elementen definiert und durchgängig sicherstellt.

 

Strategische Elemente des Data Management

 

  • Data Governance legt die Richtlinien und Verantwortlichkeiten für die Daten fest. Sie beschreibt die Regeln und Richtlinien sowie Stellenbeschreibungen, Rollen und Verantwortlichkeiten für die Daten (zum Beispiel Daten­eigentümer). Eine durchsetzungsfähige Data Governance stellt die integrativen Effekte des Data Management sicher.
  • Data Strategy verlinkt zur Geschäftsstrategie und ist die übergeordnete Komponente mit Auswirkungen auf Datenqualität, Datenmodellierung, Datenarchitektur, Datenschutz sowie auf betriebswirtschaftliche Aspekte. Die Data Strategy umfasst die Elemente der Data Governance, der Zielarchitektur für Datenmanagement und Datenqualität sowie die Aspekte für die Messung und Definition der Datenqualität mit konkreten Kennzahlen. Die Einordnung von Innovationen wie Blockchain/Distributed Ledger Technologie oder Semantische Data Links wird vorgegeben. 
  • Data Architecture definiert, welche fachlichen und technischen Funktionen es für die Bewirtschaftung der Daten benötigt und wie die fachlichen und technischen Prozesse aus Produktsicht sind. Sie beschreibt das Zielbild, in dem die Organisation eine datenzentrierte Finanz- und Risiko-IT-Architektur hat und eine flexible Datenverarbeitung und Datenbereitstellung (Data Logistics und Data Gateway Services) ermöglicht. Dazu gehört der mögliche Einsatz von In-Core Architekturen wie SAP-Hana, etwa für ein Real-Time Risiko-Reporting oder Data Analytics im Risiko Scoring. Die Architektur berücksichtigt dabei auch die Anforderungen für zentrale Bereiche der Data History, Data Recovery & Archiving. Dies ist besonders im Hinblick auf neue Datenanforderungen der Regulierungsbehörden wichtig. Die Vorgänge innerhalb der Data Architecture sind stark automatisiert, der Anteil an IDV ist vernachlässigbar. Zugriffsschichten wie OpenBank-API für institutsübergreifende Apps und zur Erfüllung PSD2 sind definiert. 
  • Data Model beschreibt, welche Daten das Institut wann, wie und warum hat und welche Produkte es gibt. In einem Data Model werden die zu verarbeitenden Daten und die Beziehung zwischen ihnen definiert und konsistent für die gesamte Organisation in einem Data Dictionary dokumentiert. Die Datenspeicher und -quellen (Data Lineage) sind definiert und dokumentiert – und somit auch die Gründe für ihre Erhebung und Verarbeitung. Datenaggre­gationen können jetzt auf die Einzel­komponenten zurückgeführt werden. 

Operative Elemente des Data Management

 

  • Data Quality Management befasst sich mit den Anforderungen der Datenqualität, die sie in der gesamten Organisation (Front-to-Back) definiert und dokumentiert. Das Data Quality Management wird auf der Grundlage von Kriterien und Methoden gemessen und einem kontinuierlichen Datenqualitätsverbesserungs­prozess unterworfen.
  • Data Security erfordert, dass das Unternehmen über alle IT-Systeme eine Schutzbedarfsanalyse unter Berücksichtigung der Aspekte Data Governance und Verantwortlichkeiten durchführt. Für das Unternehmen ist ein Datensicherheitskonzept einzurichten. Für alle Datenlieferungen ist entsprechend des Grads der Vertraulichkeit der Datenschutz definiert.
  • Data Reporting Management fokussiert auf die Reporting-Prozesse und -Funktionen einer Organisation. Es sorgt dafür, dass eine Organisation definiert ist und standardisierte Prozesse für reguläres und ad-hoc-Reporting sowie für das Data Quality Reporting implementiert sind. Die erforderlichen Daten können innerhalb eines angemessenen Zeitraums erzeugt werden und Berichte berücksichtigen die neuesten Datenanforderungen.
  • Data Utilization befasst sich mit den Schnittstellen aus der DCE von und zu den operativen Funktionen, Systemen und Prozessen des Finanzdienstleisters. Wesentliche Aufgabenstellungen sind hierbei die Umsetzung der Produktsicht und die digitalen Schnittstellen Kunden und Partner. Aus den in der Data Centric Enterprise harmonisiert vorliegenden Daten lassen sich nutzbare Informationen generieren, die je nach Bedarfslevel in aggregierter oder detaillierter Form für Realtime-Analysen der Markt- und Kundenpotenziale ausgewählt werden können.

 

Herr über die Daten – Herr über den Wettbewerb

 

Setzt die Bank die Elemente des Data Managements konsequent um, gewinnt sie die umfassende Verfügbarkeit und Herrschaft über ihre Daten zurück. Sie vergrößert ihre Handlungsfreiheit und legt so den Grundstein für eine Differenzierung gegenüber ihren Wettbewerbern. Auf dieser Grundlage werden auch die Kostenexplosionen im Hinblick auf die sich fortsetzenden regulatorischen Reportingveränderungen (u. a. AnaCredit, ERF, Bird ...) beherrschbar und geben Investitionspotenziale für Digitalisierungsthemen frei.