Datengetriebenes Finanzmanagement: Das Potenzial von Big Data für die Finanzbranche

Laut der Online-Plattform Statista betrug das Volumen der jährlich generierten digitalen Datenmenge im Jahr 2020 weltweit 64,2 Zettabyte. Zur Veranschaulichung: Ein Zettabyte entspricht einer Billion Gigabyte. Eine schwer vorstellbare Zahl, die durch die digitale Transformation noch exponentiell wächst: Prognosen zufolge soll die weltweite Datenmenge auf bis zu 181 Zettabyte im Jahr 2025 steigen.

Die Finanzbranche ist eine der am stärksten regulierten Wirtschaftszweige weltweit, die große Mengen an Daten verwaltet und analysiert, um Geschäftsentscheidungen zu treffen. Doch wie können Finanzinstitute Big Data-Technologien sinnvoll nutzen und welche Chancen und Risiken gehen mit der Auswertung, Speicherung und Analyse großer Datenmengen einher? In diesem Artikel liefern wir Antworten auf diese und weitere Fragen.

Der Begriff „Big Data“ beschreibt große Datenmengen, die durch die Nutzung digitaler Dienste und Tools entstehen. Zu den Quellen gehören Online Banking (und daraus hervorgehende Technologien wie Open Banking und Multibanking), Online-Shopping, Social-Media-Aktivitäten, Sensoren in Gebäuden, Fahrzeugen und der Industrie, um nur einige Bereiche zu nennen. Ein Beispiel für Big Data in der Finanzbranche ist die Überwachung von Transaktionen in Echtzeit, um Betrug – z.B. in Form von Smurfing (Geldwäsche) – oder andere illegale Aktivitäten zu erkennen und zu verhindern.

Der Nutzen von Big Data liegt in der sinnvollen Analyse und Auswertung von großen Datenmengen und unterstützt Unternehmen dabei, strategisch fundierte Geschäftsentscheidungen zu treffen, um ihre Wettbewerbsfähigkeit zu verbessern. Eng mit Big Data verbunden ist auch der Bereich Business Intelligence (BI). Anders als Big Data zielt BI auf die Verarbeitung von Daten aus strukturierten und einfach zu analysierenden Quellen wie Unternehmensanwendungen und Datenbanken ab.

Expert:innen unterscheiden zwischen drei Formen von Daten:

• Strukturierte Daten: Daten, die sich leicht organisieren lassen, da sie in standardisierter Form vorliegen oder einer logischen Reihenfolge entsprechen, werden als strukturierte Daten bezeichnet. Dazu gehören zum Beispiel Datumsangaben, Zahlen oder Zeitstempel.

• Unstrukturierte Daten: Bei Informationen wie Texten, Audiodateien oder Social Media Posts, die sich nur schwer kategorisieren und analysieren lassen, da sie keiner nachvollziehbaren Struktur folgen, handelt es sich um unstrukturierte Daten.

• Semistrukturierte Daten: Wie der Name bereits verrät, sind semistrukturierte Daten eine Mischung aus strukturierten und unstrukturierten Daten. Als Beispiel wird hierfür oft die E-Mail angeführt. Mit Betreff, Datumsangabe, Absender:in und Empfänger:in verfügt sie über eine wiedererkennbare Struktur, die Nachricht selbst ist jedoch ein Text, der zu den unstrukturierten Daten gehört.

Bei der Analyse, (auch als Advanced Analytics bekannt), Auswertung und der sicheren Speicherung von strukturierten, unstrukturierten oder semistrukturierten Daten unterstützen Big-Data-Systeme.

• Zu den bekanntesten Open-Source-Plattformen gehört Apache Hadoop von Google, eine Lösung, die rechenintensive Prozesse in kurzer Zeit erledigt. Eine weitere Software ist Apache Spark, eine Open-Source-Datenverarbeitungs-Engine für maschinelles Lernen und Künstliche Intelligenz. Mit Machine-Learning-Tools lassen sich die Datenmengen analysieren, um daraus Erkenntnisse zu gewinnen und Prognosen abzuleiten.

• Data-as-a-Service Anbieter stellen Cloud-basierte Big-Data-Lösungen bereit, um die Speicherung und Analyse von großen Datenmengen zu ermöglichen. Der Vorteil an der Auslagerung liegt in der Flexibilität und Skalierbarkeit.

• Datenvisualsierungstools helfen dabei, große Datenmengen anschaulich in Diagrammen und Tabellen aufzubereiten.

Fintechs und Banken können Big Data auf vielfältige Weise nutzen, um ihre Geschäftsprozesse zu optimieren. Zu den zentralen Anwendungsbereichen gehören:

Das Interpretieren von Kaufmustern und die Analyse von Transaktionsdaten kann dabei helfen, Betrug wie Geldwäsche oder Kreditkartenmissbrauch schneller zu erkennen. In Kombination mit weiteren Sicherheitsmechanismen könnte Big Data also ein vielversprechender Baustein in der Betrugsprävention innerhalb der Finanzbranche sein.

Ein weiterer Einsatzbereich für Big Data in der Finanzbranche ist die Auswertung und Analyse von Risiken für Unternehmen bei Investitionen und der Kreditvergabe. Technologien wie Machine-Learning-Algorithmen stellen aus Datenmengen wie Bilanzen, Cashflow- und Gewinn- und Verlustrechnungen Zusammenhänge her und erstellen Prognosen, um Chancen und Risiken abzuwägen.

Durch Datenanalysen können Fintechs und Banken auf die finanzielle Situation ihrer Kundinnen und Kunden besser reagieren und die Beratung und Produkte individuell auf ihre Bedürfnisse abstimmen.

Dank der Automatisierung von Prozessen mit Hilfe von Big Data-Tools lassen sich Routineaufgaben effizienter erledigen. Die Software verarbeitet große Datenmengen schnell und stellt relevante Informationen in Echtzeit bereit. Das hilft der Finanzbranche dabei, fundierte Entscheidungen in kürzerer Zeit zu treffen.

Analyse von Marktentwicklungen:  Das Auswerten von Social Media-Daten, Suchanfragen und öffentlich zugänglichen Informationen unterstützt Unternehmen dabei, Trends zu erkennen und zeitnah auf Marktveränderungen zu reagieren.

Neben den zahlreichen Vorteilen, die Big Data bereithält, ist es auch wichtig, auf die Herausforderungen einzugehen, die mit der Speicherung und Auswertung von Finanzdaten entstehen. Dazu gehören:

• Datenschutz und -sicherheit: Finanzdaten sind hochsensibel. Der verantwortungsvolle Umgang und Schutz gemäß der gesetzlichen Datenschutzbestimmungen und den Auflagen der Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) ist für Fintechs und Banken essentiell und erfordert besondere Investitionen in die Cybersicherheit.

• Kosten: Um große Datenmengen zu analysieren und zu speichern, brauchen Finanzinstitute die passenden Big-Data-Tools und Technologien, die sich vor allem durch ihre Softwarequalität und Sicherheit auszeichnen sollten. Das ist ein Kostenfaktor. Auch das Know-how von IT-Fachkräften und Finanzanalyst:innen muss kontinuierlich auf dem neuesten Stand sein, um korrekte und aussagekräftige Analysen zu erstellen.

• Statistische Diskriminierung: Es besteht die Gefahr, dass Algorithmen aus Mangel an Informationen über eine bestimmte Personengruppe zu generalisierten Entscheidungen neigen, da individuelle Aspekte anhand von Durchschnittswerten nicht berücksichtigt werden.

Obwohl die Nutzung von Big Data auch Herausforderungen mit sich bringt, birgt es großes Potenzial, um das Kundenerlebnis zu verbessern, die Effizienz zu steigern und Betrug zu verhindern. Voraussetzung ist ein verantwortungsvoller Umgang mit sensiblen Daten und hohe Sicherheitsstandards, um das Vertrauen der Kundinnen und Kunden nicht zu verspielen.