Banken

Perspektivenverzerrung

Viele Finanzinstitute glauben, dass sie mit einem Big Data-Einsatz ihre Arbeit besser machen können. Bank-Experte Mathias Walter von Trivadis warnt vor überzogenen Erwartungen und Fehlinvestitionen.

* Von Mathias Walter

Die Verarbeitung riesiger Mengen teil- und unstrukturierter Daten (Big Data) soll Banken großen Nutzen bringen. Dies behaupten zumindest die Lösungsanbieter. Im Fokus stehen zentrale, klassische Anwendungsfelder Kreditvergabe (vor allem Scoring), Betrugserkennung und -vermeidung, Geldwäsche, Customer Relationship Management (CRM) sowie der Zahlungsverkehr.

Doch können die Finanzinstitute diese Hausaufgaben mithilfe von Big Data-Technologien wirklich besser bewältigen? Ich bin skeptisch. Big Data könnte sich im Bankenumfeld vielmehr als vermeintliche Lösung für ein künstlich konstruiertes  Problem entpuppen: Viele Big Data-Anbieter stürzen sich – in Ermangelung neuer Ideen und von Sachkenntnis – auf Felder, die seit Jahr und Tag von etablierten, gut funktionierenden Systemen besetzt sind.


Kreditvergabe.
Die Kreditvergabe ist unmittelbares Kerngeschäft nahezu jeder Bank. Um Eigenkapital zu sparen, ist traditionell der sogenannte «Interne Ratingbasierte Ansatz» (IRB) das Mittel der Wahl. Hier müssen die Finanzinstitute gegenüber den Aufsichtsbehörden allerdings klar darstellen, weshalb interne Risikomodelle besser sind als die normale Standardmethode. Dabei hat vor allem die Risikoeinschätzung über die Kunden große Bedeutung.

Agiert die jeweilige Bank als das allein kontoführende Institut, macht dies vieles einfacher – abgesehen von den Sicherheiten. Ist dies nicht der Fall, sind externe, verlässliche und rechtlich konforme Bonitätsdaten erforderlich, deren Rahmen etwa in Deutschland gesetzlich klar definiert ist: unter Scores, Scoring, § 28a und b Bundesdatenschutzgesetz (BDSG). Bekannte Anbieter sind zum Beispiel die Schufa oder Creditreform. Das BDSG regelt auch, wer solche Daten erheben und verwenden darf.

Fazit: Für Big Data gibt es in diesem engmaschigen Netz von Gesetzen und Vorschriften schlicht keinen Raum.


Betrugserkennung und Geldwäsche.
Als entscheidenden Vorteil gegenüber bestehenden Systemen beim Aufspüren und Vermeiden von Betrugsvergehen und Geldwäsche nennen die Big Data-Jünger immer wieder: «Real Time».

Leider läuft dies gleich doppelt ins Leere: Zum einen gibt es bereits Echtzeitelemente in entsprechenden Systemen, zum anderen muss diesen Fällen dann ja auch nachgegangen werden – von Menschen: Zwar kann ein System eine Transaktion in «Real Time» erst einmal blockieren; die Prüfung erfolgt jedoch immer im Nachgang. Hier besteht dann die Herausforderung, die «False Positives» im Rahmen zu halten und möglichst zügig die wirklich relevanten Dinge zu klären.

Dies scheitert in erster Linie nicht an der Technik, sondern immer noch an der knappen Ressource Mensch. Hinsichtlich der bekannten «Predictive Analysis»-Ansätze bremsen das Arbeitsrecht, der Betriebsrat sowie das BDSG.
Fazit: Auch hier macht Big Data nichts wirklich besser – eher im Gegenteil.


Customer Relationship Management.
Die Möglichkeiten, Kunden und ihre vermeintlichen Bedürfnisse mittels Big Data sauber durchzukanalisieren, scheinen unbegrenzt. Doch sind sie im Bankenumfeld auch realisierbar? Mitnichten! Finanzinstitute haben schlicht schärfere AGBs als etwa die Betreiber von Webmail-Diensten oder Internetshops.

Deshalb legt sich – zusätzlich getrübt durch internationale Regularien wie vor allem MiFID 2 – auch immer mehr die Freude an der Beratung für Finanzdienste. Häufig sind die tatsächlichen Bedarfe eines Privatkunden seit langem bekannt. Und auch der Einsatz modernster Technik verführt niemanden dazu, mehr Geldgeschäfte mit der Bank zu tätigen.

Fazit: Es fehlt schlichtweg der Bedarf - und den kann auch Big Data nicht wecken. Bleibt also der Zahlungsverkehr.
Zahlungsverkehr.

Die Analyse riesiger Mengen von Transaktionsdaten ist längst Bestandteil des Bankenalltags. Aber ihre  Ergebnisse bleiben meist weit hinter den Erwartungen der Anwender zurück. Gegenwärtig kann nicht beantwortet werden, ob und inwiefern hier neuere Technologien einen Mehrwert schaffen. Die Versuche mit Prototypen laufen noch.


Fazit: Der Beweis für den Mehrwert durch Big Data steht noch aus.
Das grundsätzliche Problem in allen Anwendungsfällen ist die große Kluft zwischen Versprechen und Realisierung: Big Data hat noch nicht wirklich überzeugt. Ein klarer Nutzennachweis für das  Bankenumfeld fehlt auf breiter Front. Womöglich ist das Thema einfach mit viel zu höhen Erwartungen belegt.

In vielen Finanzhäusern sprechen die Experten daher längst nicht mehr von Big Data, sondern eher von «Advanced Analytics». Wenn Bankmanager diese Methoden als praktisches Mittel zum Zweck verstehen (und nicht erst krampfhaft eigene Anwendungsfälle konstruieren müssen), öffnen sich ungeahnte Türen. Dort liegt die Zukunft für Big Data bei Banken.

 

* Mathias Walter ist seit vielen Jahren ein führender Experte für das Thema «Banken und IT» im deutschsprachigen Raum. Er leitet das Competence Center Financial Services (CCFS) von Trivadis mit Sitz in Frankfurt am Main. Dieses verbindet bankfachliche Schwerpunkte mit technologischer Exzellenz. Der Fokus liegt unter anderem auf Bereichen wie FATCA, MiFID II oder Compliance Data Warehouses.

  

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net
© ProfilePublishing Germany GmbH 2014_2015. Alle Rechte vorbehalten.
Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite