Veranstaltungen | 17. Juni 2021
Digital...Keynote Data Science
Maschinelle Datenanalyse kann auch in der Bankenbranche von Nutzen sein
Mit neuen Themen in Kontakt kommen und sich mit Mitgliedern dazu austauschen ist ja einer der Vorzüge unseres Bank...Verbindungs-Netzwerks. Eines der aktuellen Schlagwörter ist Data Science. Matthias Lehneis und Fabian Zelesinski von zeb, einer der führenden Strategie- und Managementberatungen für Finanzdienstleister, haben für uns die Aspekte um die Felder Big Data, Analytics und Anwendungsbeispiele greifbar gemacht.
Ein Einstieg zu den Grundlagen hat geholfen, um eine Diskussionsbasis zu schaffen. Data Science wurde zuletzt überhaupt eine derart relevante Thematik, weil erst seit einiger Zeit die technischen Möglichkeiten zur Verfügung stehen, um mit „Big Data" umzugehen. D.h. dass große Datenmengen (größer als der Arbeitsspeicher eines Standardrechners) mit unstrukturierten Datenformaten in Echtzeit verarbeitet werden können. Solche Daten liegen also zunächst nicht geordnet (also z.B. in Form von relationalen Datenbanken) vor. Es müssen somit Daten aufbereitet, auswertbar gemacht werden und zentral gespeichert sein. Dann kommt die Komponente „Analytics" ins Spiel. Hierbei steht die Auswertung der Daten über Business Intelligence (Daten aggregieren und analysieren) und Machine Learning (Mustererkennung über Trainingsdaten) im Vordergrund.
Letzteres ist im Endeffekt ein selbstlernender Algorithmus, der anhand von erklärenden Variablen die Zielvariablen findet. Die Muster werden hierbei durch ‚Trial and Error' oder kumulierte Belohnungen durch den Rechner gefunden. Wenngleich dies sehr vorteilhaft klingt, werden auch die traditionellen regelbasierten Ansätze ihre Berechtigung behalten. Gerade, wenn es um im Voraus erfassbare und darstellbare Problemstellungen geht. Auch das maschinelle Lernen an und für sich (z.B. sog. künstliche neuronale Netze) ist schon über Jahrzehnte bekannt. Jedoch ist erst seit gut einem Jahrzehnt eine ausreichende Rechenleistung vorhanden, um ausreichend viele Regressionen mit einer großen Datenmenge auszuführen.
Dieser Theoriehintergrund wurde von Matthias und Fabian schnell handfest gemacht, indem wir Praxisbeispiele durchgegangen sind. Dafür war wichtig zu verstehen, dass eine Bank faktisch „nur" Informationsverarbeitung betreibt und somit nahezu alles automatisiert werden könnte. So z.B. um die individuelle Wahrscheinlichkeit bei Kunden für Sondertilgungen vorherzusagen. Zuvor wurde das Sondertilgungsvolumen einer beratenen Bank nur ungenau auf Basis des gesamten Kundenportfolios modelliert. Durch den Einsatz von künstlicher Intelligenz (kNN-Algorithmus = k-nearest neighbor) wird die Vorhersage verbessert. Die geringeren Schätzfehler erlauben dann einen niedrigeren Kapital-/Risikopuffer.
Ein sehr aktueller Anwendungsfall für Data Science ist die Erstellung eines Real Time ESG-Scorings (Environmental Social Governance). Auch hier waren wir schnell im lebhaften Austausch. Hatten wir zuvor noch technische Ansätze und regulatorische Herausforderungen im Fokus, diskutierten wir nun z.B. über das Risiko von Datenmanipulationen. Könnte man ein ESG Scoring durch gefilterte Nachrichten oder greenwashing beeinflussen? Das Thema Datenqualität oder Manipulationsanfälligkeit ist jedoch nicht spezifisch für ESG-Anwendungen, sondern für Data Science grundsätzlich immer zu beachten. Ebenso wurde gefragt, wie denn eigentlich die Beauftragung und Abrechnung von zeb für solche Projekte funktioniert. Hier wird in gewisser Weise ein agiler Ansatz verfolgt: alle zwei Wochen prüfen Beratung und Kundenbank gemeinsam, ob weitere zwei Wochen Zeitinvestment einen ausreichenden Mehrwert bringen können.
Wir blieben dann nicht bei ausschließlichen Data Science-Themen, sondern tasteten uns bis zum Beispiel Cloud Computing vor. Eine solche Cloud basierte Infrastruktur hat insbesondere den Vorteil der passenden Skalierbarkeit, wenn sie gebraucht wird. Quasi auf Abruf kann dann kurzzeitig benötigte zusätzliche Rechenkapazität angefordert und eingesetzt werden. Fortschritte wie Explainable Artificial Intelligence (aus dem Black Box-Algorithmus wird eine „Glass Box") konnten wir dann jedoch nur noch anreißen.
Somit hatten alle Teilnehmer einen Wissenssprung zu einem aktuellen Thema aus der Finanzbranche, einen belebenden Austausch untereinander und einen Ausblick, wie / was sich in unserer Branche künftig an weiteren Entwicklungen ergeben kann.
Präsentation herunterladen