BusinessIntelligence in der Finanzindustrie

Transkript

1 BusinessIntelligence in der Finanzindustrie - Ein Bottom Up Ansatz aus der Geschäftsfeldsteuerung - Sandra Holz, Tobias Schmitz-Harbauer Europäische TDWI Konferenz 2014

2 Agenda 1 Berliner Sparkasse 2 Herausforderungen 3 Flexibles Vorgehensmodell für einen Bottom-Up-Ansatz 4 Informationsqualitätsmanagement im BI-Prozess 5 Operational Datastore 6 Lessons Learned Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 2

3 Struktur der Berliner Sparkasse Private Kunden Firmenkunden Treasury Betrieb Customer Analytics für die Berliner Sparkasse

4 Fast jeder(r) Zweite ist unser Kunde Kein Kreditinstitut hat in Berlin mehr Standorte und so lange Öffnungszeiten Strukturierte Beratung nach dem Sparkassen-Finanzkonzept Zwei einfache und günstige Girokonten-Modelle mit persönlicher Beratung an keine Bedingungen geknüpft Fast 2 Mio. Privatkunden Mehr als 1,2 Mio. Privatgirokonten, im Jahr 2013 kamen netto Konten hinzu 1,4 Mio. SparkassenCards, Kreditkarten aktive Online-Banking-Nutzer Versorgung der Berliner Wirtschaft mit Finanzierungslösungen Mehr als Firmenkunden vom Gewerbekunden bis zum Großunternehmen Customer Analytics für die Berliner Sparkasse

5 Flächendeckendes Vertriebs- und Standortnetz 1 Mobile Beratung 1 BusinessLine 119 PrivatkundenCenter 69 FinanzCenter 12 FirmenCenter für Gewerbekunden 7 FirmenCenter für Firmenkunden 23 VermögensanlageCenter 571 Kontoserviceterminals 3 ImmobilienCenter 1 Private Banking 35 SB-Center 4 KompetenzCenter 630 Geldautomaten 90 Geldautomaten-Standorte Customer Analytics für die Berliner Sparkasse

6 Marktanteile und Marktreichweite Private Kunden (Marktanteil in Prozent) Firmenkunden (Marktreichweite Berlin in Prozent) * Quelle: TNS Infratest Privatkundenbefragung, Marktanteile ab 5 % Stand: 2013 Quelle: TNS Infratest, Regionalmarktstudie Firmenkunden Berlin und Umland 2013, Basis: 500 Unternehmen, *Markenauftritt 2013: Berliner Sparkasse/LBB Customer Analytics für die Berliner Sparkasse

7 Geprüfte und zertifizierte Qualität Customer Analytics für die Berliner Sparkasse

9 Die Herausforderung Unterschiedliche Ansprüche zwischen Vertrieb und Corporate Center vernetzen BI in Geschäftsfeld /Vertrieb Kapitalmarkt Firmenkunden Private Kunden Corporate Center BI Risikocontrolling Finanzen Compliance Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 9

10 Herausforderungen Grundlagen für zentrale BI-Initiativen Komplexität Silodenken dominiert Keine einheitliche Sprache Uneinheitliche Strukturen Dezentrale Einheiten Unterschiedliche Technologien Keine effiziente Auslastung Kopfmonopole Prozesse & Qualität Lokale Effizienz Keine Lerneffekte Lokales Qualitätsbewusstsein Verschiedene Methoden Datenqualitätschecks Datenkorrekturverfahren Request Management Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 10

11 Eckpunkte im Bottom-Up BI-Kontext Viele verschiedene Einflussgrößen sind zu berücksichtigen Regulatorische Unsicherheit Kompetenzen Unterschiedliche BI-Zielvorstellungen Eingriffsmechanismen Präzision der Anforderungen Technologie Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 11

13 Optimierung der BI-Architektur Komplexitätsreduktion durch Überführung in ein typisches Schichtenmodell Informationsplattform Informationsplattform Qualitätssicherung & Reports Tabellen Dashboards Simulations Analytics Reports Data Mining Pool Data Marts Data Marts (Universen / Meta-Datenschicht) DWH DWH Pool DQM Data Warehouse MDM ETL ETL ETL (Interface- & Staging Layer) Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 13

14 Optimierung der BI-Architektur und Datenkomplexität Bottom-Up-Beispiel zum Konsolidierungsvorgehen in kleinen Schritten Vertrieb/Geschäftsfelder Corporate Center Schematisches Vorgehensmodell Vertrieb/Geschäftsfelder Corporate Center Stabsabteilungen, Vertrieb, Marketing Finanzen, Controlling Region A, Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 14

16 Konsequenzen schlechter Informationsqualität Warum das Informationsqualitätsmanagement in BI-Initiativen integrieren? andere 5% Compliance-Probleme 38% verminderte Erträge/entgangenes Geschäft 54% Verzögerungen beim Einsatz neuer Systeme Kundenunzufriedenheit extra Kosten Vertrauensverlust in Systeme extra Zeit zur Datenabstimmung 64% 67% 72% 81% 87% Quelle: Nov-08 IWI-HSG, Robert Winter Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 16

17 Vielfältige Ursachen schlechter Informationsqualität Mangelndes Bewusstsein über diverse Wirkungszusammenhänge spaltet BI-Initiativen mangelnde Anpassbarkeit Architektur geringe Benutzerfreundlichkeit mangelhafte/nicht vorhandene Werkzeuge mangelnde Software- Qualität ungenügende Abdeckung der Geschäftsprozesse fehlende Prozessautomatisierung, Qualitätskontrollen/Prüfungen überladene Eingabemasken Modellierungsdefizite Schnittstellen zu Systemen zu viele Medienbrüche komplexes Datenmodell Standard-Software nur funktionsorientiert Datenrollen/-verantwortlichkeiten nicht klar definiert Probleme aus Datenmigration Replikation weiterhin nötig Datenfehler propagiert Datenbasis manuelle Dateneingabe mangelndes Prozessverständnis unzureichendes Problembewusstsein Diskrepanzen zwischen Daten in verschiedenen Systemen Inkonsistenzen, Fehler, Informationsdefizite, Redundanzen in Daten Missbrauch von Datenfeldern mangelnde Informationsqualität Eingabefehler zu viele Daten zu pflegen ungenügende Dokumentation Org. muss sich an Standard-Software anpassen Trennung von Datensammlung und -analyse nicht beherrschte Integration Prozesse/Organisation Leistungsdruck sozialer Druck Datenanforderungen unbekannt Personal ungenügende Schulungen Dateninterpretation und -verständnis Datenpflege kein anerkannter Arbeitsinhalt Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 17

18 Informationsqualitätsmanagement (IQM) Rahmenbedingungen Top-Down vorgegeben ein wichtiges Zeichen des Managements Die Mitwirkungspflicht zur dauerhaften Etablierung und Sicherung der Informationsqualität wird durch die Geschäftsbereiche des Konzerns in vollem Umfang mitgetragen. Alle anfallenden Kosten zur Informationsqualitätskorrektur und -sicherung sind durch die Geschäftsbereiche des Konzerns zu planen und zu budgetieren. Als sachbezogene Prüfmarke zur Bewertung der Informationsqualität je Themenbereich und der Gesamtqualität werden mindestens 95% festgelegt. Ein regelmäßiges Reporting über den Fortschritt zur Informationsqualitätssicherung wird vom Vorstand gewünscht und webbasiert allen Beteiligten zur Verfügung gestellt. Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 18

19 Regelkreis des Informationsqualitätsmanagements Betroffene zu Beteiligten machen und dadurch den BI-Kreis schließen Informationsqualitätsplanung Analyse, IST-Aufnahme, Strategie, Qualitätsziele/-anspruch und Kapazitätsplanung IQM erkennt Problem Informationsqualitätsverbesserung Fehler Ermittlung über stat. Prüfverfahren, z.b.: Data-Mining, -Screening, -Profiling Prüfläufe Fehler inkl. Eskalation Informationsqualitätssicherung Data-Owner / Dritter erkennt Problem Maßnahmen entwickeln Umsetzung/ Steuerung Vorhandene Prüfroutinen sichten / weiterentwickeln Ergebnisse Prüfung Reporting Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 19

21 Umsetzung Operational Datastore Berliner Sparkasse Historische Ausgangslage und Motivation zum Aufbau eines DWH Extern getrieben: - Aufbau eines DWH (DDH - Dispositiver Datenhaushalt) aufgrund Konsolidierungen der Verbundanwendungen zwischen mit wesentlichen Funktionen für die Banksteuerung - Abgrenzung: Keine Ablösung sämtlicher DWH der Berliner Sparkasse (z.b. Vertrieb ) Intern getrieben: Zusammenführung mehrerer DWH für Abnehmer im Risikobereich mit erhöhten fachlich-funktionalen Anforderungen im Ergebnis mit konsequenter Optimierung technischer DWH- Verfahren - Laufzeiten/Performance, - Flexibilität/Nachverarbeitungen, Fehlertoleranz Operational Datastore im Ergebnis mit konsequentem Ausbau fachlicher Funktionen zentrale Abbildung übergreifender methodischer Funktionen (Stammdaten, Rahmenlinienverrechnungen ) Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 21

23 Lessons learned Bottom up Kooperationsmodell BICC-Initiativen bieten entscheidende Unterstützung für den Vertrieb und die Corporate Center Governance Einheitliches Toolset = Integration Datenlandkarte als Nebenprodukt Datenkorrekturverfahren BI und IQM aus einer Hand Technologie Richtige Technologie an der richtigen Stelle Effiziente Auslastung Nutzbarkeit Prozesse Prozessoptimierung Wiederverwendbarkeit Best Practice Meta-Informationen Einheitliche Methoden Daten- /Informationsqualitätschecks Einheitliches IQM Request Management (z.b. SCRUM) Sandra Holz/Tobias Schmitz-Harbauer Europäische TDWI Konferenz Juni 2014 Seite 23

24 Information -Governance Aktueller Change-Auftrag Inhouse Konsolidierung der BI-Architektur und Erweiterung der Funktionen der Analytik Analytisches Ökosystem Daten- Dreh- Scheiben- Funktion BI-Nutzungsschicht BI-Funktionen Datenvirtualisierung Traditionelle DWH-Komponenten Komplexe Event- Steuerung Analytisches Labor Datenquellen Vgl. Analytical Ecosystem of the Future, Steria Mummert Consulting Seite 24

25 Sandra Holz Tel.: Tobias Schmitz-Harbauer Tel.: Seite 25