Die fortschreitende Digitalisierung führt zu einer Vervielfachung der erzeugten Datenmenge - auch im Finanzsektor. Mithilfe der richtigen Analysemethoden wird die Datenflut zu barer Münze, daher wird im Zuge von Big Data auch oft von Daten als "Gold des digitalen Zeitalters" gesprochen. Denn vor dem Hintergrund der gesammelten Daten kann nicht nur die gegenwärtige Situation beleuchtet, sondern durch Predictive Analytics auch Vorhersagen und Prognosen getroffen werden. Finanzinstitute können dadurch den nötigen Überblick und die Prognosen an die Hand bekommen, um fundierte und intelligente Entscheidungen für die Zukunft zu treffen.
Foto: Peter Milto - shutterstock.com
Dabei spielt bisher vor allem die Customer Experience, in Form von maßgeschneiderten Kundenangeboten oder individualisierter Beratung sowie eines besseren und effizienteren Dienstes, eine vorrangige Rolle. Datenbasierte Analysen können jedoch noch weitaus mehr Potential freisetzen. Die bereits vorhandenen Daten bieten auch die Grundlage, die eigenen Prozesse und Geräte zu verbessern. Ein noch zu wenig im Finanzsektor eingesetztes Konzept ist hierbei die vorausschauende Wartung beziehungsweise Predictive Maintenance der Assets im internen Netzwerk.
Predictive Analytics und Predictive Maintenance
Die vorrausschauende Wartung und die prädiktive Analyse wenden beide Data Mining an, also die Analyse von großen Datenmengen, um neue Zusammenhänge und Querverbindungen zu erkennen. Dadurch können aus den strukturierten Datensätzen neue Rückschlüsse zu dem gegenwärtigen Zustand oder der Entwicklung bestimmter Sachverhalte gezogen werden. Darüber hinaus kommt auch in beiden Ansätzen Machine Learning zum Einsatz. Es werden Programme mithilfe von Datensätzen und der daraus gewonnenen Erkenntnisse darauf trainiert, festgelegte Muster oder Zusammenhänge zu erkennen. Predictive Analytics beschreibt den Vorgang, durch die Anwendung von Statistik, Big-Data-Analysen und Machine Learning die Wahrscheinlichkeit von zukünftigen Ereignissen vorherzusagen.
Predictive Maintenance gibt ebenfalls Prognosen ab, allerdings beschränkt sich dieser Ansatz hauptsächlich auf den Bereich der zu erwartenden Restlebensdauer von Geräten und Maschinen. Daher kann die prädiktive Wartung als Anwendungsgebiet von Predictive Analytics gesehen werden.
Die konkreten Nutzungsmöglichkeiten von datengestützten Vorhersagen sind breitgefächert. Machine-Learning-Algorithmen können zum Beispiel das Verhalten von Nutzern eines Onlineshops analysieren und aufgrund dessen prognostizieren, wie sich auch noch relativ unbekannte Besucher verhalten werden. Darauf abgestimmt werden dann personalisierte Angebote oder Aktionen eingeblendet.
Nach demselben Prinzip kann die Technologie Prognosen über die zukünftige Kundenbeziehung geben, beispielsweise, welche Kunden wahrscheinlich abwandern werden oder wann kritische Phasen bevorstehen, in denen der einzelne Kunde intensivere Beratung benötigt. Auch in der Logistik ist Predictive Analytics ein wertvolles Werkzeug. Lieferengpässe oder saisonale Zyklen können somit rechtzeitig berücksichtigt werden.
Potenzial im Bankensektor
Die Geräte in Bankfilialen kommunizirtrn fortlaufend mit den Servern des Finanzinstituts, um zum Beispiel die verschiedenen Selbstbedienungsfunktionen und Aufträge auszuführen oder die Bonität eines Kunden zu prüfen, der Geld abheben möchte. Banken sammeln daher bereits Unmengen an Daten. Die Analysemöglichkeiten schöpfen sie jedoch noch nicht vollends aus. So zeigt die Studie "Mit Daten Werte schaffen" von KPMG und Bitkom, dass bisher nur jedes fünfte Kreditinstitut Analysen von strukturierten, internen und externen Daten zur Bestimmung von Zusammenhängen nutzt.
Allerdings kann nur derjenige fundierte Hard- und Softwareentscheidungen treffen, der sowohl die Beziehungen zwischen den Maschinen und Terminals sowie deren Zustand kennt.
- Die Begriffe rund um Big Data
Big Data - was ist das eigentlich? Jeder spricht drüber, jeder versteht etwas anderes darunter. Klicken Sie sich durch unser Glossar mit den wichtigsten und meistgenutzten Begriffen (manche sagen auch "Buzzwords") und verstehen Sie, was damit genau gemeint ist. <br /><br /> <em>zusammengestellt von <a href="http://www.kommunikation-in-sendling.com/" target="_blank">Kriemhilde Klippstätter</a>, freie Autorin und Coach (SE) in München</em> - Ad Targeting
Der Versuch, die Aufmerksamkeit des potenziellen Kunden zu gewinnen, meist durch "passgenaue" Werbung. - Algorithmus
Eine in Software gegossene mathematische Formel mit der ein Datensatz analysiert wird. - Analytics
Mit Hilfe von Software-basierenden Algorithmen und statistischen Methoden werden Daten interpretiert. Dazu benötigt man eine analytische Plattform, die aus Software oder Software plus Hardware besteht und die die Werkzeuge und Rechenpower bereitstellt, um unterschiedliche analytische Abfragen durchführen zu können. Es gibt eine Reihe unterschiedlicher Formen und Einsatzzwecke, die in diesem Glossar näher beschrieben sind. - Automatic Identification and Capture (AIDC)
Jede Methode der automatischen Identifizierung und Datensammlung über eine Gegebenheit und die nachfolgende Speicherung in ein Computersystem. Etwa die Informationen aus einem RFID-Chip, die ein Scanner ausliest. - Behavioral Analytics
Behavioral Analytics nutzt Informationen über das menschliche Verhalten, um die Absichten zu verstehen und zukünftiges Verhalten vorhersehen zu können. - Business Intelligence (BI)
Der generelle Ausdruck für die Identifizierung, Herkunft und Analyse der Daten. - Call Detail Record (CDR) Analyse
Diese enthält Daten, die die Telekommunikationsunternehmen über die Nutzung von Mobilfunkgesprächen – etwa Zeitpunkt und Dauer der Gespräche – sammeln. - Cassandra
Ein verteiltes Datenbank-Verwaltungssystem für sehr große strukturierte Datenbanken („NoSQL“-Datenbanksystem) auf Open-Source-Basis (Apache). - Clickstream Analytics
Bezeichnet die Analyse der Web-Aktivitäten eines Benutzers per Auswertung seiner Klicks auf einer Website. - Competitive Monitoring
Tabellen, in denen die Aktivitäten der Konkurrenz im Web automatisch gespeichert werden. - Complex Event Processing (CEP)
Ein Prozess, bei dem alle Aktivitäten in den Systemen einer Organisation überwacht und analysiert werden. Bei Bedarf kann sofort in Echtzeit reagiert werden. - Data Aggregation
Das Sammeln von Daten aus unterschiedlichen Quellen für die Erstellung eines Berichts oder für eine Analyse. - Data Analytics
Ein Stück Software, mit dem Informationen aus einem Datensatz gezogen werden. Das Ergebnis kann ein Report, ein Status oder eine Aktion sein, die automatisch gestartet wird. - Data Architecture and Design
Legt dar, wie Unternehmensdaten strukturiert sind. Meist erfolgt das in drei Prozessschritten: Begriffliche Abbildung der Geschäftseinheiten, logische Abbildung der Beziehungen innerhalb der Geschäftseinheit sowie die physikalische Konstruktion eines Systems, das die Tätigkeiten unterstützt. - Data Exhaust
Die Daten, die eine Person bei ihrer Internet-Aktivität "nebenbei" erzeugt. - Data Virtualization
Der Prozess der Abstraktion verschiedener Datenquellen durch eine einzige Zugriffsschicht auf die Daten. - Distributed Object
Ein Stück Software, das es erlaubt, mit verteilten Objekten auf einem anderen Computer zusammenzuarbeiten. - De-Identification
Das Entfernen aller Daten, die eine Person mit einer bestimmten Information verbindet. - Distributed Processing
Die Ausführung eines Prozesses über verschiedene per Netzwerk verbundene Computer hinweg. - Drill
Apache Drill ist eine Open-Source-SQL-Suchmaschine für Hadoop- und NoSQL-Datenmanagement-Systeme. - Hadoop
Ein freies, in Java geschriebenes Framework der Apache Foundation für skalierbare, verteilt arbeitende Software in einem Cluster. Es basiert auf dem bekannten MapReduce-Algorithmus der Google Inc. sowie auf Vorschlägen des Google-Dateisystems. - HANA
SAPs Software-und Hardware-Plattform mit In-Memory-Computing für Echtzeitanalysen und große Transaktionsvolumen. - In-Database Analytics
In-Database Analytics bezeichnet die Integration der Analysemethoden in die Datenbank. Der Vorteil ist, dass die Daten für die Auswertung nicht bewegt werden müssen. - In-Memory Database
Jedes Datenbanksystem, das den Hauptspeicher für die Datenspeicherung benutzt. - In-Memory Data Grid (IMDG)
Die verteilte Datenspeicherung im Hauptspeicher vieler Server für schnellen Zugriff und bessere Skalierbarkeit. - Machine-generated Data
Alle Daten, die automatisch von einem Rechenprozess, einer Applikation oder einer nicht-menschlichen Quelle erzeugt werden. - Map/reduce
Ein Verfahren, bei dem ein großes Problem in kleinere aufgeteilt und an verschiedene Rechner im Netz oder Cluster oder an ein Grid aus unterschiedlichen Computern an verschiedenen Standorten ("map") zur Bearbeitung verteilt wird. Die Ergebnisse werden dann gesammelt und in einem (reduzierten) Report dargestellt. Google hat sein Verfahren unter der Marke "MapReduce" schützen lassen. - Mashup
Dabei werden unterschiedliche Datensätze innerhalb einer Applikation so kombiniert, dass das Ergebnis verbessert wird. - NoSQL
Datenbanken, die nicht relational aufgebaut sind und mit denen sich große Datenvolumina handhaben lassen. Sie benötigen keine festgelegten Tabellenschemata und skalieren horizontal. Beispielsweise ist Apache Cassandra eine NoSQL. - Operational Data Store (ODS)
Darin werden Daten aus unterschiedlichen Quellen gesammelt damit noch weitere Operationen ausgeführt werden können, bevor die Daten in ein Data Warehouse exportiert werden. - Pattern Recognition
Die Klassifizierung von automatisch erkannten Mustern. - Predictive Analytics
Diese Form der Analytics nutzt statistische Funktionen in einem oder mehreren Datensätzen, um Trends oder zukünftige Ereignisse vorherzusagen. - Recommendation Engine
Per Algorithmus werden die Kundenbestellungen einer Website analysiert und sofort passende Zusatzprodukte ausgesucht und angeboten. - Risk Analysis
Die Anwendung statistischer Methoden auf einen oder mehrere Datensätze, um das Risiko eines Projekts, einer Handlung oder Entscheidung abschätzen zu können. - Sentiment Analysis
Dabei werden Einträge von Leuten in sozialen Netzwerken über ein Produkt oder ein Unternehmen statisch ausgewertet. - Variable Pricing
Dabei folgt der Kaufpreis eines Produkts dem Angebot und der Nachfrage. Das erfordert die Echtzeit-Überwachung von Konsum und Lagerbestand. - Parallel Data Analysis
Ein analytisches Problem wird in Teilaufgaben aufgebrochen und die Algorithmen werden auf jede Problemkomponente zeitgleich und parallel angewendet. - Query Anal
In diesem Prozess wird eine Suchanfrage optimiert, um das bestmögliche Ergebnis zu erhalten. - Reference Data
Daten, die ein physikalisch oder virtuell vorhandenes Objekt und seine Eigenschaften beschreiben.
Nach demselben Verfahren kann auch die kostenintensive, meist vorsorgliche Befüllung der Geldautomaten mit Bargeld bedarfsgerechter gehandhabt werden. Denn die Banken haben dank Predictive-Maintenance-Software die Möglichkeit, tiefere Einblicke in die Prozesse ihrer Geräte zu bekommen. Die Algorithmen geben zuverlässige Prognosen darüber, wann es in welchen Filialen zu Bargeldengpässen kommen wird und wann die Scheine in der Geldkassette länger reichen als ursprünglich angenommen.
Predictive Maintenance in der Industrie
Die Anwendungsgebiete von Predictive Maintenance finden sich bisher hauptsächlich in der Industrie. Laut einer PAC Umfrage sind 83 Prozent der europäischen Fertigungsunternehmen und Verkehrsbetriebe bereit in den nächsten zwei Jahren ihre Ausgaben für Predictive Maintenance zu erhöhen. Sie beabsichtigen, dadurch ihre Instandhaltungsprozesse neu zu definieren und die Betriebsleistung effizienter zu gestalten.
Die derzeitigen Kernbranchen der vorausschauenden Wartung sind Industrien mit teuren Maschinen, hohen Ausfallkosten und schwierigen Instandhaltungsmaßnahmen. Dazu zählen unter anderem die Öl- und Gasförderung, Energieversorger, Maschinen- und Anlagenbau sowie Fertigungs- und Transportunternehmen. Im Zuge von Industrie 4.0, die auch mit einer zunehmenden Vernetzung und Ausstattung der Maschinen mit Sensoren einhergeht, haben sich bereits 8 von 10 Unternehmen im Maschinenbau mit Predictive Maintenance auseinandergesetzt. Eine andere Studie von Roland Berger prognostiziert dem Markt für prädiktive Wartung außerdem bis 2022 ein Wachstum zwischen 27 und 39 Prozent weltweit auf insgesamt bis zu 11 Milliarden US-Dollar.
Predictive Maintenance im Bankensektor
In der Finanzbranche sind die Bedürfnisse an die vorausschauende Wartung natürlich anders als in der Industrie. Dennoch spielt auch hier die Senkung von Kosten eine bedeutende Rolle.
Um Predictive Maintenance zu nutzen, bedarf es zunächst eines großen, strukturierten Datenbestandes. Die Daten müssen mindestens ein Jahr zurückreichen, damit sie aussagekräftig sind. Mithilfe dieser Bestände kann ein System, das auf maschinellem Lernen basiert, trainiert werden. Für die Entwicklung geeigneter Algorithmen werden, je nach der Komplexität der zu treffenden Entscheidung,Millionen von Datensätzen in guter Qualitätbenöigt, um das Programm zu trainieren.
Wenn beispielsweise abgeschätzt werden kann, wann eine Wartung des einzelnen Geldausgabeautomaten dringend erforderlich ist, kann ein vorheriger, redundanter Wartungstermin gestrichen werden. Denn Predictive Maintenance bietet nicht nur die Möglichkeit den derzeitigen Zustand zu bestimmen, sondern schätzt auch die zu erwartende Restlebensdauer der einzelnen Geräte und Komponenten, aber auch der Software ein. So wird das Risiko von spontanen, ungewollten Totalausfällen minimiert und Finanzinstitute können neben der Vermeidung von unnötigen Wartungskosten einen gleichbleibend guten Kundenservice sicherstellen, da sie den Zustand jedes einzelnen Geräts und dessen fehlerfreien Betrieb zentral überwachen können.
Eine Filiale ist das Aushängeschild einer Bank, daher ist eine funktionierende Hardware von zentraler Bedeutung. Findet der Kunde die Automaten oder Selbstbedienungsterminals "außer Betrieb" vor, so prägt es sein Bild des Kreditinstituts nachhaltig. Kommt ein solcher Serviceausfall mehrfach vor, riskiert der Finanzdienstleister, dass der Kunde nach und nach das Vertrauen in seine Servicekompetenzen verliert. Dabei sollen gerade Filialen die Nähe zum Kunden aufbauen und stärken. Predictive Maintenance muss ein wichtiger Baustein im Digitalisierungsplan der Banken sein, sowohl für einen reibungslosen Kundenservice als auch für die kosteneffiziente Erhaltung von Bankfilialen.
- Lars Schwabe (Associate Director bei Lufthansa Industry Solutions
„Die Erfolgsquote von Predictive-Analytics-Projekten ist gestiegen, da die Firmen endlich die notwendigen Vorarbeiten geleistet haben, beispielsweise die Schaffung von modernen Datenarchitekturen. Außerdem sind inzwischen sowohl das Personal fachkundiger und die Tools besser geworden." - Daniel Eiduzzis (Solution Architect Analytics bei Datavard)
„Technisch müssen sich die Unternehmen öffnen und sollten sich nicht sklavisch einem Hersteller verpflichten. Heute geht es vielmehr darum, in Abhängigkeit vom jeweiligen Use Case das ideale Instrument zu identifizieren, mit dem die Fragestellungen bestmöglich bedient werden. Daher kann ein Best-of-Breed Ansatz hier sinnvoll sein.“ - Jan Henrik Fischer (Bereichsleiter Business Intelligence & Big Data bei Seven Principles)
„Mit Methoden der Predictive Analytics und der parallel weiter steigenden Digitalisierung werden wir Prozesse besser verstehen. Dies wird ausnahmslos alle Bereiche eines Unternehmens betreffen. Das größte Potenzial liegt dabei sicherlich in der Optimierung der Kundenprozesse. Durch ein tieferes Verständnis für seine Bedürfnisse werden wir in der Lage sein, den Kunden effizienter und besser zu bedienen sowie seine Loyalität zu steigern.“ - Vladislav Malicevic (Vice President Development & Support bei Jedox)
„Viele Unternehmen experimentieren bereits seit längerem mit Predictive Analytics. Bislang mangelte es oft an konkreten Anwendungsfällen mit einem klaren Mehrwert, dem sogenannten Business Case. Aber die nächste Phase im Technologie-Lebenszyklus hat bereits begonnen, und Firmen führen nicht mehr nur rein innovationsgetriebene Experimente durch. Sie verknüpfen Predictive-Analytics- und KI-Projekte zunehmend mit einem bereits im Vorfeld klar definierten Mehrwert für bestimmte Fachbereiche oder Geschäftsprozesse, inklusive der erwarteten Ergebnisse und den möglichen Auswirkungen auf bisherige Prozesse.“
Lesetipp: Big-Data-Trends im Überblick: Was ist was bei Predictive Analytics?
Vorteile prädiktiver Wartung
Die Bereitschaft vieler Unternehmen auf Predictive Maintenance zu setzen, gründet sich vor allem auf dessen Vorteile gegenüber bisherigen Wartungsmaßnahmen. Denn wen bei Ausfallzeiten Schäden in Millionenhöhe treffen können, der möchte bestmöglich vorsorgen. Bislang sind vor allem reaktive oder präventive Instandhaltungsmaßnahmen üblich.
Bei reaktiver Wartung werden nötige Schritte erst eingeleitet, wenn die Störung oder der Ausfall bereits eingetreten sind. Die Lösung des Problems, die Behebung und der eventuelle Austausch von Teilen wird dann oft kosten- und zeitintensiv. Es kann zu weiteren Verzögerungen kommen, wenn es Lieferschwierigkeiten für Komponenten gibt oder das zuständige Personal gerade nicht verfügbar ist. Daher birgt dieser Ansatz, der auch oft schadensabhängige Instandhaltung genannt wird, das größte Risiko.
Prädiktive vs. Präventive Wartung
Im Gegensatz dazu ist die präventive oder auch vorbeugende Instandhaltung weniger risikobehaftet. Es werden hier zwei Vorgehensweisen unterschieden: Entweder wird ein Zeitplan für Wartungsarbeiten erstellt und angewandt oder der Zustand der Maschinen wird in regelmäßigen Abständen überprüft und eine Wartung findet erst statt, wenn es notwendig ist. Dadurch kommt es zu weniger ungeplanten Ausfällen. Trotzdem sind die Kosten für die Wartung noch deutlich höher im Vergleich zu prädiktiver Wartung, da die vorbeugenden Maßnahmen oft redundant sind. Studien zufolge lassen sich mit Predictive Maintenance 30 Prozent der Wartungskosten einsparen. Zusätzlich wird nur noch 12 Prozent der Zeit mit Instandhaltung verbracht. Im Vergleich sind es bei schadensabhängiger Instandhaltung 40 Prozent.