5 Trends, die Banken mit einem dezentralen Datenmanagement-Ansatz realisieren können

Banken stehen heute riesige Datenmengen zur Verfügung. Diese können ihnen nicht nur wichtige Informationen über den Markt und (potenzielle) Kunden verraten, sondern dadurch auch helfen, neue Geschäftsmodelle und Services zu entwickeln. Die Herausforderung ist dabei jedoch, nicht nur massenhaft Daten zu sammeln, sondern effizient und effektiv mit diesen zu arbeiten.

Gerade dabei haben zentrale Repositories wie Data Warehouses und Data Lakes aber Schwächen. Deshalb setzten sich zunehmend neue, dezentrale Konzepte durch: wie etwa Data Mesh. Hier verbleiben Daten an ihrem Speicherort, können aber mithilfe von Datenvirtualisierung in einer semantischen Schicht in Echtzeit in Form von Data Products nutzbar gemacht werden. Dieses dezentrale Modell ermöglicht ihnen, fünf aktuell Markttrends umzusetzen:

1. Wandel zum Technologiedienstleister

Sind Banken noch Banken oder Technologieunternehmen, die Finanzdienstleistungen anbieten? Die Grenzen verschwimmen zunehmend, was von traditionellen Banken eine neue Ausrichtung erfordert, einschließlich neuer Produkte und Services. Die Suche nach neuen Möglichkeiten, (potenziellen) Kunden einen Mehrwert zu bieten, sollte bei den eigenen Daten beginnen. Gleichzeitig müssen Banken dabei ein hohes Tempo vorlegen, um nicht von der Konkurrenz – alt oder neu – überholt zu werden. Dies können sie erreichen, wenn sie durch moderne Architektur-Konzepte und performante Technologien wie Datenvirtualisierung die Datensätze schnell und flexibel für Analysen, Anwendungen und via API zur Verfügung stellen können.

2. Eine datengesteuerte Unternehmenskultur

Initiativen, welche die Demokratisierung von Daten fördern sollen, helfen nicht nur Datenanalysten. Auch andere Mitarbeiter profitieren davon, wenn sie sicherer darin werden, große Datenmengen zu finden, auf sie zuzugreifen, sie zu verwenden und zu interpretieren. Datenzentrierte Kulturen sind jedoch nur so gut, wie Unternehmen in der Lage sind, all ihren Mitarbeitern zuverlässige und relevante Daten zeitnah zur Verfügung zu stellen. Engpässe in der Bereitstellung – etwa, weil Data Owner ihre Datenprodukte nicht wie notwendig aufbereiten – verhindern dies jedoch. Auch hier werden die Vorteile des Data-Mesh-Konzepts sichtbar: Daten müssen nicht mehr verschoben und bereitgestellt werden, wodurch auch die Integrität der Data Governance erhalten bleibt.

3. Digitale Zwilling der Kunden

Anhand der Erwartungen, Gewohnheiten und Präferenzen ihrer Kunden können Finanzdienstleister Services automatisieren, den Bedarf an neuen Produkten und Dienstleistungen abschätzen sowie Risiken wie Abwanderungen analysieren. Einfacher wird dies, wenn sie dafür einen digitalen Zwilling ihres Kunden schaffen, ein digitales Abbild, in dem alle Interaktionen und verfügbaren Daten und Informationen zusammenfließen. Je mehr Daten vorhanden sind, desto „näher“ ist der digitale Zwilling am tatsächlichen Kunden. Doch mit herkömmlichen ETL-basierten (Extract, Transform, Load) Ansätzen stoßen viele Banken an ihre Grenzen, da große Datenmengen aufwändig repliziert und redundant gehalten werden müssten. Datenvirtualisierung beschleunigt hingegen die Erstellung eines digitalen Zwillings, da die Daten nicht physisch bewegt, sondern unmittelbar genutzt werden können.

4. Finanzdienstleistungen „as a Service“

Die Umwandlung von Backoffice-Funktionen in marktfähige Dienstleistungen ist einer der neuesten und am schnellsten wachsenden Bereiche für traditionelle Finanzunternehmen. Denn auch wenn FinTechs eher neue und innovative Funktionalitäten – ob „Bill Split“ (traditionelle Banken: 10 Prozent vs. Challenger-Banken: 38 Prozent) oder Überweisungen an Menschen in der direkten Umgebung (14 vs. 41 Prozent) – anbieten, basieren diese dennoch auf den Transaktionsgrundlagen, die von herkömmlichen Banken perfektioniert wurden. Daher sollten Letztere überlegen, ihnen den Zugang zu diesen Diensten zu ermöglichen, um ihre eigene Wertschöpfungskette durch Open-Banking-Standards, Finanzdienstleistungen „in a box“, Schnittstellen und andere Initiativen dieser Art zu diversifizieren. Dafür müssen sie jedoch die für offene APIs erforderlichen Daten bereitstellen können – genau das ermöglichen moderne Datenarchitekturen basierend auf Datenvirtualisierung ohne großen Kosten- und Zeitaufwand.

5. Die Monetarisierung von Daten

Gute Daten haben auch einen kommerziellen Wert, den Finanzdienstleister zunehmend durch die Analyse ihrer Datenbestände für sich erschließen. Sie tauschen beispielsweise Daten – in anonymisiert und aggregiert oder in Form von Trends – mit Geschäftspartnern aus. Darüber hinaus können Banken ihre bestehenden Daten durch neue aus anderen Quellen ergänzen, etwa geografische, Wetter-, Geräte- oder andere aktuelle Daten, um sie aus wirtschaftlicher Sicht noch wertvoller zu machen. Wollen sie weitere Datenquellen anbinden, müssen sie allerdings sowohl in die Tiefe als auch in die Breite gehen, was angesichts von Hunderten potenziellen Datenquellen zur Herausforderung wird. Traditionelle Ansätze zur Datenintegration wie ETL helfen hier nicht weiter, weil sie zu zeit- und kostenintensiv sind – Datenvirtualisierung stellt hier hingegen einen flexiblen und äußerst effizienten Lösungsansatz dar.