Anforderungen von Solvency II an das Datenmanagement. Dr. Christian Thun Senior Director

Größe: px
Ab Seite anzeigen:

Download "Anforderungen von Solvency II an das Datenmanagement. Dr. Christian Thun Senior Director"

Transkript

1 Anforderungen von Solvency II an das Datenmanagement Dr. Christian Thun Senior Director

2 Agenda 1. Vorstellung von Moody s Analytics 2. Anforderungen an das Datenmanagement 3. Management analytischer Daten 4. Zusammenfassung

3 1 Vorstellung von Moody s Analytics

4 1. Vorstellung von Moody s Analytics 4 Struktur der Moody s Corporation Weltweit führend bei Bonitätseinstufungen, Research und Tools für die Ermittlung und das Management finanzieller Risiken Seit über 100 Jahren unabhängiger Anbieter von Bonitätseinstufungen und zugehörigen Informationen Research, Daten, Software und dazugehörige Dienstleistungen für das Management finanzieller Risiken 4

5 1. Vorstellung von Moody s Analytics Moody s globale Präsenz 5

6 2 Anforderungen an das Datenmanagement

7 2. Anforderungen an das Datenmanagement Moody s Analytics Insurance Regulatory Radar Quelle: Moody's Analytics 7

8 2. Anforderungen an das Datenmanagement Daten sind das Hauptproblem in vielen SII Projekten Wesentliche Probleme analytischer Daten 1. Zunehmende Regulierung (SII, IFRS etc.) und die Notwendigkeit das Verhältnis von Risiken und Kapital besser zu verstehen, treibt Versicherer an, große Mengen analytischer Daten zu erzeugen 2. Analytische Daten unterscheiden sich von operationellen Daten. Es handelt sich um aktuarielle, finanzielle und Investment Daten, die abweichende Merkmale und Anforderungen haben (z.b. Berechnungen und Aggregationen werden mit den Daten durchgeführt) und für die Abnahme interner Modelle relevant sind 3. Viele analytische Daten sind neu und komplex (z.b. die QRT Templates welche mehrere tausend Zellen haben). Dementsprechend müssen neue Quellsysteme angebunden werden und neue Instrumente werden benötigt, um die Daten zu erzeugen. 4. Große Datenmengen kommen weiterhin aus bestehenden Quellsystemen, wie z.b. Vertragsverwaltungen oder Schadens- und Buchungssystemen. Datenqualität, Konsistenz und Abgleich sind fundamentale Probleme. 5. Zahlreiche Versicherer haben bereits Datawarehouses / Datamarts im Einsatz, aber oft sind diese nicht auf analytische Daten ausgerichtet. Dementsprechend werden bestehende Lösungen angepasst oder neu entwickelt 6. Datenherkunft, Nachvollziehbarkeit, Prüfungen und Kontrollen sowie Daten Qualität sind problematisch und zeitgleich notwendig für SII Compliance. 7 Anwender dazu zu bewegen, zu definieren, welche Daten sie benötigen, in welcher Granularität und wofür diese letztlich verwendet werden ist das größte Hindernis. 8

9 2. Anforderungen an das Datenmanagement Beispiele für analytische Daten Aktuarielle Daten (Actuarial Engines Input / Ergebnisse) Product/Policy Data Risiko / SII Daten (Risk, Capital, Actuarial systems) Input Data Policy Data Claim Data ESG files Assumption files Run parameters Mortality Tables Morbidity Tables Model/Results Data Model ID Model Type Cash Flow Type Cash Flow ID Period Currency Cash Flow Amount Group Capital Capital Allocation Diversification Economic Capital RAROC RBC Own Funds Gross SCR Net SCR Projected SCR MCR Market Risk Insurance Risk Operational Risk Counter Party Risk Concentration Risk Actuarial Engines Spread Sheets Actuarial Engines Capital Engines Asset/Investment Daten (Asset Manger) Finanzdaten (Finanz / Hauptbuch Systeme) Portfolio Equities Bonds Deposits FIS Debtors Other Assets CIC Codes Fund Type Fund Summary Fund Details Reserve Details IFRS 9 & 4 GAAP SII Balance Sheet Adjustments Organisational Structure Supervisory Details Economic Zone Country of Operation Solo add-ons Fund Managers Investment Systems Hauptbuch Financial Consolidation 9

10 2. Anforderungen an das Datenmanagement Analytische Daten vs. operationelle Daten Analytische Daten Vornehmlich aktuarielle, finanzielle, Investment- und Risikodaten Muss auf sehr granularer Ebene gespeichert werden z.b. Transaktionendaten Daten werden oftmals aggregiert & konsolidiert Wucherung von Spread Sheets Vorrangig verwendet für das aufsichtsrechtliche und bilanzielle Berichtswesen sowie strategische Entscheidungen Finanzsysteme Anlagenverwaltung Aktuarielle Systeme Risiko Systeme Operationelle Daten Vorrangig Daten über Policen, Kunden, CRM, Neugeschäft & Schäden Typischerweise große Volumina Speicherung in Mainstream Businessystemen Hauptsächliche Verwendung für operationelles und Management Reporting Auszüge der Daten aus Policen, Schäden & Neugeschäft werden oft von aktuariellen Systemen verwendet. Vertragsdaten Schadendaten CRM Systeme Neugeschäft 10

11 2. Anforderungen an das Datenmanagement Anforderungen seitens EIOPA EIOPA Datenanforderungen Fehlerfrei Vollständig Angemessen Frei von wesentlichen Fehlern und fehlenden Daten Informationen sind angemessen, zeitnah und konsistent Hoher Grad an Zuverlässigkeit Glaubwürdigkeit / Zuverlässigkeit der Daten zeigt sich durch die Nutzung bei der Entscheidungsfindung Ermöglicht den Abgleich homogener Risikogruppen Ausreichende Granularität um Trends zu identifizieren und zugrunde liegende Risiken zu verstehen Ausreichende historische Informationen sind verfügbar Fit for purpose Keine Voreingenommenheit (Bias) Relevant für das Portfolio des Versicherers Die Daten gelten als von hoher Qualität, wenn sie für die Geschäftsplanung und Entscheidungsfindung genutzt werden können und sie die realen Bedürfnisse richtig wiederspiegeln. 11

12 2. Anforderungen an das Datenmanagement Datenprobleme aus der Sicht eines Kunden Datenintegrität / Prozesse Quellsysteme Aktuelle Situation Niedrige Datenqualität (vor allem nonfinancial Daten) Fehler in der Vergangenheit Business-Logik ist nicht transparent Kein gemeinsames / Meta-Datenmodell Multiple Systeme (potenziell hunderte!) Multiple Technologien Multiple Lokationen Altsysteme Manuelle / Desktop aktuarielle Systeme Herausforderungen Datenqualität verbessern Kritische Datensätze auswählen Datenbereinigung Gesamte Struktur der Prozesse Definition eines Daten-Wörterbuches und eines Meta-Datenmodells Identifikation systematischer Probleme ( Null Felder und Duplikate) Kontrollen / Konsistenz Automatische Validierungen Reduktion des manuellen Datentransfers Überlegungen Gruppen / Solo / Akquisitionen Granularität der Daten verbessern Third Party Interaktionen z.b. Asset Manager Governance Schlecht definierte Prozesse und künftige Roadmap Fehlende Dokumentation Probleme bei Sicherheit, Nachvollziehbarkeit und Herkunft Data Governance Policy Datendefinitionen Konsistenter Kontrollrahmen für automatisierte Schnittstellen 12

13 2. Anforderungen an das Datenmanagement Datenqualitätsprozess Datenabzug Data Profiling / Qualität Reinigung & Deduping Daten Standardisierung Qualitätsüberwachung Anreicherung Abzug der Daten aus verschiedenen Quellsystemen Verwendung von Data-Profiling Techniken Dualer Prozess Reinigung & Entfernen von Dubletten Anwendung von Datenqualitäts- Checks und -- Regeln Nachverfolgung von Änderungen im Zeitablauf Anreicherung der internen Daten Policen Schäden Kundendaten Anlagen Finanzen Modelling Risiko ETL Tools Anwendung logischer Algorithmen & Regeln (allgemeine und spezielle für die Versicherungsbranche) um ein Bild der allgemeinen Datenqualität zu erhalten 1. Identifikation und Änderung beschädigter oder falscher Daten & Entfernen und Änderung von unvollständigen, fehlerhaften und ungenauen Daten 2. Es verbleibt nur eine Version der Daten Es gibt eine Reihe von Instrumenten, die bereits tausende von eingebauten Datenchecks enthalten und die um user-defined Regeln erweitert werden können. Laufendes Datenqualitätsprogramm im Rahmen der Unternehmens- Governance Anwendung von Software, die automatische Korrekturen anhand vordefinierter Regeln vornimmt. Anreicherung der internen Daten durch Hinzunahme von Informationen aus externen Quellen (z.b. demografische Informationen oder mikrogeographische Daten) Import in Profiling Tools Identifikation von Fehlern Datenbereinigung Qualitätsverbesserung Laufendes Monitoring Weitere Anreicherung 13

14 2. Anforderungen an das Datenmanagement Zentralisierung von Daten aus vielen Systemen/Silos Lokale Anwender Lokale Anwender Lokale Anwender Lokale Anwender Aktuariat Actuarial Engines Finanzen Anlagen Solo 1 EC Engines Solo 2 Solo 3 Risk Engines Gruppe Risiko Finance Engines Single Domain Solo 1- Quellsysteme Solo 2- Quellsysteme Solo 3- Quellsysteme 14

15 2. Anforderungen an das Datenmanagement Aktuarielle Modelle Datenanforderungen Unter Solvency II gibt es mehrere Anforderungen mit Blick auf die Daten, die für die versicherungsmathematischen Modelle benötigt werden: Alle Daten für SII Zwecke muss fehlerfrei, vollständig und angemessen sein. Modelle müssen in der Lage sein auch zu einem späteren Zeitpunkte erneut die gleichen Ergebnisse zu erzeugen. Dies bedeutet, dass die Modelle, sämtliche Daten und Parameter gespeichert werden müssen. Dementsprechend muss die Fähigkeit vorhanden sein, die Modelle, Daten und Spread Sheets zu speichern, um den Aufsichtsbehörden deren Fehlerfreiheit, Vollständigkeit und Angemessenheit nachzuweisen. Darüber hinaus müssen auch die Anforderungen der internen Revision erfüllt werden. 15

16 2. Anforderungen an das Datenmanagement Aktuarielle Umgebungen können komplex sein! Actuarial System 1 Actuarial System 2 16

17 3 Management analytischer Daten

18 3. Management analytischer Daten Aktuelle Technologielandschaft mit Blick auf Solvency II Traditionelle aktuarielle und Risikosysteme sind Desktopanwendungen und bedürfen umfassender manueller Kontrollen Oft verwenden Versicherer mehrere Risikosysteme als Ergebnis multinationaler Strukturen oder M&A Aktivitäten Solche Systeme sind häufig nicht für den unternehmensweiten Einsatz geeignet und erschweren die Sicherheit, Nachvollziehbarkeit und Kontrollen Risikodaten werden aus verschiedenen Quellen erhoben. Somit mangelt es an Konsistenz, Qualität und Kontrollen Das Berichtswesen ist über mehrere Systeme verteilt, so dass die Aggregation von Informationen erschwert wird Die Rechenleistung von Desktopanwendungen begrenzt die Möglichkeiten häufig und zunehmend komplexe Modellberechnungen zu erstellen 18

19 3. Management analytischer Daten Daten Architektur for Solvency II Data Management RiskFoundation Quellsysteme Data Storage RiskFoundation Reporting - Solvara Policen Systeme Marktdaten Investment Systeme /Managers Finance/HB Systeme ETL Tool Data Load Datenqualität Validierungen Abgleich Schadensysteme Genehmigungen Prüfung / Datenherkunft Analytical Repository Aktuarielle Daten Analytical Repository Finanzdaten Risikodaten Investment Daten Aggregation SCR Berechnungsmodul Management Berichte KPIs, Dashboards Solvency II QRTs SFCR RSR ORSA Use Test Business Decision Making XBRL BAFIN Operationelle Datenspeicher Analytisches Datenmodell Actuarial Engines Proxy Functions MoSes Igloo Prophet ReMetri ca Ökonomisches Kap. Bilanz Kreditrisiken Ausfallrisiken ESG Files Internes Model l 19

20 3. Management analytischer Daten Komponenten der Datentechnologie Komponenten 1.ETL Tools 2. Data Profiling Tools 3. Data Quality Tools 4. Relational Data Models Tools, welche Daten automatisch aus Quellsystemen extrahieren und in anderen Instrumente oder eine Datenbank laden Automatisieren die Identifikation problematischer Daten bevor diese in die Datenbank geladen werden und erstellen Statistiken über die Datenqualität. Tools, welche die Datenqualität anhand von vorgegebenen Regeln und Algorithmen verbessern. Häufig ergänzt um Expertenanalysen. Letztlich eine Landkarte mit den Daten, die eine Organisation benötigt und erstellt aus relationalen verknüpften Tabellen. 5. Data Management Tools Für Daten-Workflows, -Abgleich, -Aggregation und Genehmigungen 6. Repository 7. Reporting Engine Eine relationale Datenbank, die die Daten einem strukturierten und leicht zugänglichen Format ablegt und für Abfragen und Reports vorhält. Technologie, die die Datenbank strukturiert abfragt unter Verwendung von OLAP cubes für die Erstellung von Reports, Dashboards etc. 20

21 3. Management analytischer Daten Datenbank ist der Schlüssel zum Erfolg Wesentliche Features ETL Datenqualität Process Flow Audit Security & Kontrollen Logische & physische Datenmodelle für alle Arten von Kunden und analytische Daten, die auf die jeweiligen Bedürfnisses angepasst werden können. Bereiche für die Darstellung der Daten und von Ergebnissen für das Management, Genehmigung und Sperren von Daten Modulares Design für die leichte Anbindung an bestehende Systeme aus den Bereichen Risiko, ALM & Buchhaltung und Capital Planning Systeme Data Mart-Struktur innerhalb der Datenbank, um einzelne Geschäftsbereiche und Anwender zu unterstützen. Daten-Wörterbuch (mind. für SII & IFRS Daten) um aufsichtsrechtlichen Anforderungen zu genügen. Solvency II Reporting Business Reporting 6 7 Integrierte Datenimport- und Datenqualitäts-Tools, um den Daten Process Flow zu automatisieren und manuelle Interventionen zu reduzieren Datenprozess und Reporting Workflows mit Genehmigungs- und Sperrmöglichkeiten. Eingebaute Features wie Datenherkunft, Look through und Prüfungsmöglichkeiten 8 Anpassungsfähig an die Größe des Unternehmens und/oder Ausrollen auf mehrere Einheiten 21

22 4 Zusammenfassung

23 4. Zusammenfassung Daten bestimmen Business, Meldewesen und Entscheidungen Risiko / Kapital-Größen und ein solides Datenmodell ist notwendig Slice and Dice Fähigkeiten nach Gruppen, Einheiten, LOB, Produkten etc. Erstellung von Dashboards und KPIs Berechnung und Zuweisung von ökonomischem Kapital Granulare Modellierung von Kreditrisiken Unterstützung beim Use Test / ORSA 1. Geschäftsanforderungen 2. Daten- granularität 3. Daten- modell 4. OLAP Cubes Es ist unerlässlich, die notwendigen Informationen exakt zu definieren, die für das Meldewesen und die Entscheidungsfindung benötigt werden Anwender müssen den Level der Datengranularität und notwendige Drill-down Möglichkeiten (z.b. nach Land, LOB) definieren Sobald Nr. 1. und 2. abgeschlossen sind, kann die IT ein flexibles und leistungsfähiges Datenmodellerstellen, welches wiederum in einer relationalen Datenbank abgelegt wird Um die Rohdaten in Informationen zu verwandeln, muss IT OLAP Cubes entwickeln, die multidimensionale Ansichten der Daten für Berichte oder Dashboards erstellen 5. Daten in Echtzeit In einem zunehmenden Wettbewerb sind Daten in Echtzeit ein Muss für ein erfolgreiches Marketing 6. Automation Automation ist kritisch, um Termine und Compliance- Vorgaben einzuhalten sowie die Kosten zu reduzieren 23

24 moodysanalytics.com 2014 Moody s Analytics, Inc. und/oder zugehörige Lizenznehmer und verbundene Unternehmen (zusammenfassend MOODY S ). Alle Rechte vorbehalten. ALLE HIERIN ENTHALTENEN INFORMATIONEN SIND DURCH URHEBERRECHTSGESETZE GESCHÜTZT. ES IST OHNE VORHERIGE SCHRIFTLICHE GENEHMIGUNG VON MOODY S NICHT GESTATTET, DIE INFORMATIONEN IN JEGLICHER FORM ODER WEISE UND UNABHÄNGIG VON DEN VERWENDETEN MITTELN IN TEILEN ODER ALS GANZES ZU KOPIEREN ODER ANDERWEITIG ZU REPRODUZIEREN, NEU ZUSAMMENZUFASSEN, ZU ÜBERTRAGEN, ZU VERBREITEN, WEITERZUVERTREIBEN ODER WEITERZUVERKAUFEN ODER FÜR EINEN SOLCHEN ZWECK AUFZUBEWAHREN. Alle hierin enthaltenen Informationen stammen aus Quellen, die nach Dafürhalten von MOODY'S wahrheitsgemäß und zuverlässig sind. Da menschliche und mechanische Fehler sowie andere Faktoren nicht ausgeschlossen werden können, werden alle hierin enthaltenen Informationen WIE GESEHEN ohne jegliche Gewährleistung bereitgestellt. MOODY S ist unter keinen Umständen gegenüber Personen oder Rechtssubjekten haftbar für (a) Verluste oder Schäden, die in vollem Umfang oder teilweise durch Fehler (Nachlässigkeit oder Sonstiges), Umstände oder Eventualitäten verursacht werden, daraus resultieren oder damit in Zusammenhang stehen und außerhalb der Kontrolle von MOODY's oder dessen Direktoren, leitenden Angestellten, Mitarbeitern oder Vertretern stehen und mit der Beschaffung, Erfassung, Zusammenführung, Analyse, Interpretation, Kommunikation, Veröffentlichung oder Bereitstellung dieser Informationen zusammenhängen; (b) direkte, indirekte, besondere Schäden, Folgeschäden, Entschädigungen, Nebenkosten jeglicher Art (einschließlich, jedoch nicht beschränkt auf entgangene Gewinne), die in Folge der Verwendung oder der Unmöglichkeit der Verwendung solcher Informationen entstehen, selbst wenn MOODY S zuvor auf die Möglichkeit solcher Schäden hingewiesen wird. Eventuell in diesen Informationen enthaltene Ratings, Finanzberichtanalysen, Vorhersagen und sonstige Beobachtungen sind Meinungsaussagen und dürfen nur als solche ausgelegt werden. Es handelt sich dabei nicht um Tatsachenaussagen oder Empfehlungen zum Kauf, Verkauf oder Halten von Wertpapieren. ES WIRD WEDER AUSDRÜCKLICH NOCH STILLSCHWEIGEND GARANTIERT, DASS DIE RATINGS, SONSTIGEN MEINUNGEN ODER INFORMATIONEN, DIE VON MOODY'S IN JEGLICHER FORM ODER WEISE HERAUSGEGEBEN ODER PRODUZIERT WERDEN, GENAU, PÜNKTLICH, VOLLSTÄNDIG, MARKTGÄNGIG ODER FÜR EINEN BESTIMMTEN ZWECK GEEIGNET SIND. Jedes Rating und jede sonstige Meinung darf als nur 1 Faktor einer Anlageentscheidung gewichtet werden, die von einem Nutzer der Informationen oder in dessen Namen getroffen wird. Der Nutzer ist verpflichtet, im Hinblick auf jedes Wertpapier und jeden Emittenten, Bürgen und Kreditgaranten eines Wertpapiers, das gekauft, gehalten oder verkauft werden soll, eigene Untersuchungen und Bewertungen anzustellen.

Aktuelle Lösungen zum Umgang mit regulatorischen Anforderungen. ifb group 27. November 2013

Aktuelle Lösungen zum Umgang mit regulatorischen Anforderungen. ifb group 27. November 2013 Aktuelle Lösungen zum Umgang mit regulatorischen Anforderungen ifb group 27. November 2013 Vorstellung Johannes Balling Johannes.Balling@ifb-group.com Tel +41 44 318 70 00 Fax +41 44 318 70 10 Mobile +41

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Der BearingPoint Analyzer und Transformer als Accelerator für die Implementierung des SAP Insurance Analyzer

Der BearingPoint Analyzer und Transformer als Accelerator für die Implementierung des SAP Insurance Analyzer Der BearingPoint Analyzer und Transformer als Accelerator für die Implementierung des SAP Insurance Analyzer Vortrag im Rahmen des SAP Forums für Versicherer 2015 Andrea Schmidt, Senior Managerin FS Versicherungen

Mehr

Datenmanagement für Solvency II

Datenmanagement für Solvency II make connections share ideas be inspired Wie sich durch effizientes Datenmanagement regulatorische Anforderungen erfüllen und Kosten senken lassen Datenmanagement für Solvency II Gabriele Smith SAS Center

Mehr

Berichterstattung nach Solvency II

Berichterstattung nach Solvency II Berichterstattung nach Solvency II Herausforderungen für die Datenhaltung Solvency II Berichterstattung nach Solvency II Datum: 24012013 Herausforderungen für die Datenhaltung Team: Andreas Penzel (Leiter

Mehr

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10.

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10. Titel1 Business Analytics als Werkzeug zur Titel2 Unternehmenssteuerung Business Excellence Day 2015 Michael Shabanzadeh, 10. Juni 2015 World Communication GmbH 2015 Seite 1 Definition Business Analytics

Mehr

Bessere Daten durch Stammdatenmanagement

Bessere Daten durch Stammdatenmanagement make connections share ideas be inspired Bessere Daten durch Stammdatenmanagement Mit SAS MDM, bessere Stammdaten für operativen Systeme make connections share ideas be inspired Overview Mit SAS MDM bessere

Mehr

SAP Finanz- und Risikolösungen. Volker Mohr, SAP SE 20. Mai 2015 Public

SAP Finanz- und Risikolösungen. Volker Mohr, SAP SE 20. Mai 2015 Public SAP Finanz- und Risikolösungen Volker Mohr, SAP SE 20. Mai 2015 Public Agenda Überblick Integrierte Finanz- und Risikoarchitektur Relevanz eines integrierten Ansatzes Innovationen und Roadmap Zusammenfassung

Mehr

Lösungsoptionen IFRS 4 Phase II. Vaike Metzger KPMG - Partner Consulting Insurance Eva Dewor Accenture - Managing Director

Lösungsoptionen IFRS 4 Phase II. Vaike Metzger KPMG - Partner Consulting Insurance Eva Dewor Accenture - Managing Director Lösungsoptionen IFRS 4 Phase II Vaike Metzger KPMG - Partner Consulting Insurance Eva Dewor Accenture - Managing Director Projekt Regulatorik Eine Herausforderung besteht darin, die internen Projektpläne

Mehr

Strategische Ausrichtung des Data Warehouses der VPV. Thomas Feil, Projektleiter IT HMS Analytics Day Heidelberg, 25.09.2014

Strategische Ausrichtung des Data Warehouses der VPV. Thomas Feil, Projektleiter IT HMS Analytics Day Heidelberg, 25.09.2014 Strategische Ausrichtung des Data Warehouses der VPV Thomas Feil, Projektleiter IT HMS Analytics Day Heidelberg, 25.09.2014 Agenda 1. VPV Versicherung Historie und Kennzahlen 2. Ausgangssituation und Zielbild

Mehr

Bernd von Staa, msg global solutions AG, Oktober 2015

Bernd von Staa, msg global solutions AG, Oktober 2015 .consulting.solutions.partnership SAP-Forum für Banken 7./8. Oktober 2015, Mainz Performance Management for Financial Industry am Beispiel Cost and Revenue Allocation Bernd von Staa, msg global solutions

Mehr

Der Weg zu einem ganzheitlichen GRC Management

Der Weg zu einem ganzheitlichen GRC Management Der Weg zu einem ganzheitlichen GRC Management Die Bedeutung von GRC Programmen für die Informationsicherheit Dr. Michael Teschner, RSA Deutschland Oktober 2013 1 Transformationen im Markt Mobilität Cloud

Mehr

ABACUS/Solvency II. Standardsoftware für das aufsichtsrechtliche Meldewesen nach Solvency II Säule 3. Service Overview ABACUS/Solvency II

ABACUS/Solvency II. Standardsoftware für das aufsichtsrechtliche Meldewesen nach Solvency II Säule 3. Service Overview ABACUS/Solvency II ABACUS/Solvency II Standardsoftware für das aufsichtsrechtliche Meldewesen nach Solvency II Säule 3 Service Overview ABACUS/Solvency II Meldewesen nach Solvency II stellt die Versicherungsbranche sowohl

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Business Intelligence & professionelles Datenmanagement als Erfolgsfaktor

Business Intelligence & professionelles Datenmanagement als Erfolgsfaktor Yves-Deniz Obermeier Sales Manager Financial Services Ing. Thomas Heinzmann Division Management BI Mag. Martin Feith Senior Expert Business Intelligence & professionelles Datenmanagement als Erfolgsfaktor

Mehr

Modernes Design einer agilen und integrierten Finanz- und Risikoarchitektur

Modernes Design einer agilen und integrierten Finanz- und Risikoarchitektur Modernes Design einer agilen und integrierten Finanz- und Risikoarchitektur ifb group, 07.07.2014 Neue regulatorische Anforderungen für Finanzdienstleister Zusätzliche Einflüsse durch das Basel Committee

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt

Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Ian Perry Marco Lehmann Stefan Sander Darmstadt, 6.11.2012 Einmal Pie-Chart und zurück Ian Perry Sales Engineer - IP&S Client Technical

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

OLVENCY II. Standard Reporting für Versicherungsunternehmen SOLVENCY II. ConVista Consulting 2012 1

OLVENCY II. Standard Reporting für Versicherungsunternehmen SOLVENCY II. ConVista Consulting 2012 1 SOLVENCY II Standard Reporting für Versicherungsunternehmen OLVENCY II ConVista Consulting 2012 1 SOLVENCY II Standard Reporting für versicherungsunternehmen Inhalt 1. EINLEITUNG 2. HERAUSFORDERUNGEN FÜR

Mehr

Basel Committee on Banking Supervision: Principles for effective risk data aggregation and risk reporting (BCBS 239)

Basel Committee on Banking Supervision: Principles for effective risk data aggregation and risk reporting (BCBS 239) Basel Committee on Banking Supervision: Principles for effective risk data aggregation and risk reporting (BCBS 239) Neue Anforderungen an IT Architektur und Data Governance im Risikobereich von Banken

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Copyright 2007 Infor. Alle Rechte vorbehalten. Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Hubertus Thoma Presales Consultant PM Schalten Sie bitte während

Mehr

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM Datenreorganisation > Effiziente und performante Stammdatenreorganisation mit SAP Data Services < Simon Hartstein / T-Systems Data Migration Consulting AG / Harmonization & Consolidation Mai 21, 2014 Agenda

Mehr

Risk Management for Banking Herausforderungen für einen integrierten Approach

Risk Management for Banking Herausforderungen für einen integrierten Approach Risk Management for Banking Herausforderungen für einen integrierten Approach Frank Hansen Risk Practice Leader, SAS Deutschland Agenda Situation und Herausforderungen - Integrierte Risikosteuerung Stresstests

Mehr

ETL in den Zeiten von Big Data

ETL in den Zeiten von Big Data ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

Master Data Management

Master Data Management Master Data Management Warum Stammdatenmanagement Komplexität reduzieren Stammdatenmanagement bringt Ordnung in ihre Stammdaten. Doubletten werden erkannt und gesperrt. Stammdaten verschiedener Quellsysteme

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

vinsight BIG DATA Solution

vinsight BIG DATA Solution vinsight BIG DATA Solution München, November 2014 BIG DATA LÖSUNG VINSIGHT Datensilos erschweren eine einheitliche Sicht auf die Daten...... und machen diese teilweise unmöglich einzelne individuelle Konnektoren,

Mehr

ÜBERSICHT ÜBER DIE MELDEFORMULARE DER SÄULE III. Innovate. Solve. Succeed.

ÜBERSICHT ÜBER DIE MELDEFORMULARE DER SÄULE III. Innovate. Solve. Succeed. ÜBERSICHT ÜBER DIE MELDEFORMULARE DER SÄULE III Innovate. Solve. Succeed. AGENDA Solvency II QRT/Rahmen und Meldung Meldeformulare XBRL Rechtlicher Rahmen BaFin Themenblöcke Legal Entity Identifier Meldeprozess

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Banken tun sich mit der Umsetzung von BCBS 239 schwer

Banken tun sich mit der Umsetzung von BCBS 239 schwer Banken tun sich mit der Umsetzung von BCBS 239 schwer Andreas Bruckner Das Baseler Komitee für Bankenaufsicht (BCBS) hat am 23. Januar 2015 den Bericht über den Umsetzungsstand der Grundsätze für die effektive

Mehr

Technische Anforderungen von Solvency II Update 2011

Technische Anforderungen von Solvency II Update 2011 Technische Anforderungen von Update 2011 Von der Standardformel bis zur Meldung Technische Anforderungen von Technische Anforderungen von Datum: Von der Standardformel bis zur Meldung Team: Andreas Penzel

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221 Oracle 10g und SQL Server 2005 ein Vergleich Thomas Wächtler 39221 Inhalt 1. Einführung 2. Architektur SQL Server 2005 1. SQLOS 2. Relational Engine 3. Protocol Layer 3. Services 1. Replication 2. Reporting

Mehr

Load Strategy Datenmodell DQ-Check-Methoden DWH-Probleme? Datenqualität aus der Sicht des One-DWH s Franz Hopfenwieser AGENDA 26 PT AGENDA

Load Strategy Datenmodell DQ-Check-Methoden DWH-Probleme? Datenqualität aus der Sicht des One-DWH s Franz Hopfenwieser AGENDA 26 PT AGENDA Datenqualität aus der Sicht des One- s Franz Hopfenwieser 18. Juni 2007 ONE, Franz HOPFENWIESER, 18.6.2007 SEITE 1 AGENDA 26 PT AGENDA DQ wird konstruiert One /MIS Aufgabenteilung OA/ Load Strategy Datenmodell

Mehr

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI Hannover, 10. März 2014 Patrick Keller, Senior Analyst Business Application Research Center BARC Historie BARC ist der führende

Mehr

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011 Roundtable Dashboards und Management Information Rüdiger Felke / Christian Baumgarten 29.11.2011 Agenda Behind the Dashboards Was ist ein Dashboard und was ist es nicht? SAP BusinessObjects Dashboards

Mehr

BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center

BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center BICC, Organisation und Kompetenz Das Raiffeisen Solution SAS Competence Center Ing. Polzer Markus öffentlich Inhaltsverzeichnis 1 2 3 4 5 6 7 Kurzvorstellung Raiffeisen Solution Business Intelligence Strategie

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

Solvency II Berichtserstattungspflichten der HUK-Coburg mit Hilfe von TM1

Solvency II Berichtserstattungspflichten der HUK-Coburg mit Hilfe von TM1 Solvency II Berichtserstattungspflichten der HUK-Coburg mit Hilfe von TM1 Solvency II - Berichtserstattungspflichten der HUK-Coburg mit Hilfe von TM1 Agenda 1. Herausforderung 2. Über uns 3. Rahmenbedingungen

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA

BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA Agenda VORSTELLUNG B.TELLIGENT WIE ENTSTEHT EINE KENNZAHL? WAS SIND METADATEN? AUFBAU UND FUNKTIONSWEISE DES BI WIKI LIVE DEMO ZUSAMMENFASSUNG

Mehr

Open Source BI. für ein effizientes Controlling mit PALO und SAP. OSBI-Workshop 2011, Karlsruhe, 24. Februar 2011 Ingo.Weishaupt@StandardLife.

Open Source BI. für ein effizientes Controlling mit PALO und SAP. OSBI-Workshop 2011, Karlsruhe, 24. Februar 2011 Ingo.Weishaupt@StandardLife. Open Source BI für ein effizientes Controlling mit PALO und SAP OSBI-Workshop 2011, Karlsruhe, 24. Februar 2011 Ingo.Weishaupt@StandardLife.de Über den Referenten: Ingo Weishaupt, Standard Life www.ingo-weishaupt.de

Mehr

Konzeption eines Master-Data-Management-Systems. Sven Schilling

Konzeption eines Master-Data-Management-Systems. Sven Schilling Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung

Mehr

CatNet Services: Naturgefahreninformationen in der Versicherungsindustrie. Tina Schlenther, GEOCOM User Conference, 2015

CatNet Services: Naturgefahreninformationen in der Versicherungsindustrie. Tina Schlenther, GEOCOM User Conference, 2015 CatNet Services: Naturgefahreninformationen in der Versicherungsindustrie Tina Schlenther, GEOCOM User Conference, 2015 Agenda Swiss Re Was ist Rückversicherung? Naturgefahren & Schäden Lokation Schlüssel

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information SPoT Agenda Begrüßung und Vorstellung CAS AG Markttrends aus Analystensicht Big Data Trusted Information Lars Iffert, BARC GmbH Dr. Oliver Adamczak, IBM Deutschland GmbH Factory Ansatz für ETL-Prozesse

Mehr

Oracle 10g revolutioniert Business Intelligence & Warehouse

Oracle 10g revolutioniert Business Intelligence & Warehouse 10g revolutioniert Business Intelligence & Warehouse Marcus Bender Strategisch Technische Unterstützung (STU) Hamburg 1-1 BI&W Market Trends DWH werden zu VLDW Weniger Systeme, mehr Daten DWH werden konsolidiert

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Social Media trifft Business

Social Media trifft Business Social Media trifft Business Intelligence Social Media Analysis als Teil der Unternehmenssteuerung Tiemo Winterkamp, VP Global Marketing Agenda Social Media trifft Business Intelligence Business Intelligence

Mehr

EIOPA Stress Test 2014, QIS 6 Übersicht, Szenarien und Templates

EIOPA Stress Test 2014, QIS 6 Übersicht, Szenarien und Templates EIOPA Stress Test 2014, QIS 6 Übersicht, Szenarien und Templates Paul Sengmüller IV/1 Finanzmarktaufsicht Wien, Juni 2014 EIOPA Stress Test 2014 Stand der Dinge Gemeinsame Arbeit von EIOPA (FSC, Finreq)

Mehr

Data Governance als Teil von IT Governance. Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007

Data Governance als Teil von IT Governance. Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007 1 Data Governance als Teil von IT Governance Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007 2 Agenda Informatica - Allgemeiner Überblick Die Informatica Data Quality Lösungen im Überblick

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

Solvency II Komplexität bewältigen

Solvency II Komplexität bewältigen Solvency II Komplexität bewältigen Der Service Solvency II schafft die Voraussetzung für wertorientiertes Risikomanagement Motivation Die regulatorischen Anforderungen im Bereich Risikomanagement provozieren

Mehr

Master Data Management - Wege aus der Datenkrise

Master Data Management - Wege aus der Datenkrise Master Data Management - Wege aus der Datenkrise Conect 2008-04-03 Dr. Siegmund Priglinger Business Application Research Center (BARC) Steinbachtal 2b D-97082 Würzburg +49-931-8806510 www.barc.de Agenda

Mehr

Experten für CRM und BI seit über 10 Jahren. Analytische CRM Lösungen im Vergleich

Experten für CRM und BI seit über 10 Jahren. Analytische CRM Lösungen im Vergleich Experten für CRM und BI seit über 10 Jahren Analytische CRM Lösungen im Vergleich Kernaussagen Analytische CRM Lösungen Analyse- und Reportmöglichkeiten bestehender CRM- Systeme können den Managementanforderungen

Mehr

Data Warehouse Grundlagen

Data Warehouse Grundlagen Seminarunterlage Version: 2.10 Version 2.10 vom 24. Juli 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen

Mehr

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT DIE DATEN IM ZENTRUM: SAS DATA RAINER STERNECKER SOLUTIONS ARCHITECT SAS INSTITUTE SOFTWARE GMBH Copyr i g ht 2013, SAS Ins titut e Inc. All rights res er ve d. NEUE WEGE GEHEN SAS DATA GOVERNANCE & QUALITY

Mehr

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014 SQL PASS Treffen RG KA Überblick Microsoft Power BI Tools Stefan Kirner Karlsruhe, 27.05.2014 Agenda Die wichtigsten Neuerungen in SQL 2012 und Power BI http://office.microsoft.com/en-us/office365-sharepoint-online-enterprise-help/power-bi-for-office-365-overview-andlearning-ha104103581.aspx

Mehr

ibpm - intelligent Business Process Management: WWW.AXONIVY.COM

ibpm - intelligent Business Process Management: WWW.AXONIVY.COM ibpm - intelligent Business Process Management: ein neues Zeitalter bricht an. Peter Wiedmann 14.11.2014 WWW.AXONIVY.COM AGENDA 2 Vorstellung und Einführung Produktvorstellung ibpm die neue Dimension Anwendungsszenario

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

Mehr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche

Mehr

AuDiT-Credit Dynamix. Von der Einzelfallbetrachtung zur Portfoliosteuerung. Wien 2014

AuDiT-Credit Dynamix. Von der Einzelfallbetrachtung zur Portfoliosteuerung. Wien 2014 AuDiT-Credit Dynamix Von der Einzelfallbetrachtung zur Portfoliosteuerung Wien 2014 Zielsetzung des Tools AuDiT Credit Dynamix Bestimmung von inhärenten Kreditrisiken im Portefeuille für Unternehmen und

Mehr

Best Practice: Dezentraler Datenanlieferungsprozess im Enterprise Data Warehouse

Best Practice: Dezentraler Datenanlieferungsprozess im Enterprise Data Warehouse Best Practice: Dezentraler Datenanlieferungsprozess im Enterprise Data Warehouse 07. Juli 2011 DSAG AG Enterprise-BW Klaus Schneider, Celesio AG Marcel Salein, FIVE1 GmbH & Co. KG 1 March 2011, CCEA Agenda

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

Mehr

QUICK-START EVALUIERUNG

QUICK-START EVALUIERUNG Pentaho 30 für 30 Webinar QUICK-START EVALUIERUNG Ressourcen & Tipps Leo Cardinaals Sales Engineer 1 Mit Pentaho Business Analytics haben Sie eine moderne und umfassende Plattform für Datenintegration

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

vfabric-daten Big Data Schnell und flexibel

vfabric-daten Big Data Schnell und flexibel vfabric-daten Big Data Schnell und flexibel September 2012 2012 VMware Inc. All rights reserved Im Mittelpunkt: Daten Jeden Morgen wache ich auf und frage mich: Wie kann ich den Datenfluss optimieren,

Mehr

Wo sind meine Daten? Ein Gesundheitscheck Ihrer Datenhaltung. KRM/Wildhaber Consulting, Zürich 2014

Wo sind meine Daten? Ein Gesundheitscheck Ihrer Datenhaltung. KRM/Wildhaber Consulting, Zürich 2014 Wo sind meine Daten? Ein Gesundheitscheck Ihrer Datenhaltung 1 KRM/Wildhaber Consulting, Zürich 2014 Kreditkartendaten gestohlen u Die Geheimdienste zapfen systematisch Rechner an u Cloud Lösungen sind

Mehr

eevolution Business Intelligence

eevolution Business Intelligence eevolution Business Intelligence Haben Sie sich schon häufig gefragt, warum Ihr Berichtswesen so kompliziert sein muss? Warum Sie nicht einfach mit wenigen Handgriffen Ihr Berichtswesen einrichten und

Mehr

ISO & IKS Gemeinsamkeiten. SAQ Swiss Association for Quality. Martin Andenmatten

ISO & IKS Gemeinsamkeiten. SAQ Swiss Association for Quality. Martin Andenmatten ISO & IKS Gemeinsamkeiten SAQ Swiss Association for Quality Martin Andenmatten 13. Inhaltsübersicht IT als strategischer Produktionsfaktor Was ist IT Service Management ISO 20000 im Überblick ISO 27001

Mehr

Forum Kommune 21, DiKOM Nord Hannover, 17. Februar 2011

Forum Kommune 21, DiKOM Nord Hannover, 17. Februar 2011 Forum Kommune 21, DiKOM Nord Hannover, 17. Februar 2011 Trends, Muster und Korrelationen erkennen und die richtigen Schlüsse daraus ziehen: MACH BI der für öffentliche Einrichtungen passende Zugang zur

Mehr

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI

In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI In-Memory Datenbanken im Kontext komplexer Analytics Pojekte am Beispiel der Otto Group BI Hanau, 25.02.2015 1 Titel der Präsentation, Name, Abteilung, Ort, xx. Monat 2014 Der Aufbau der Group BI Plattform

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

Mehr

ITSM Roundtable. Linz, den 25.09.2014

ITSM Roundtable. Linz, den 25.09.2014 ITSM Roundtable Linz, den 25.09.2014 USU auf einen Blick Gründung 2014 Fokus Branche Know-how Rechtsform Mitarbeiter Standorte Unabhängiger Software- und Lösungsanbieter IT Service Management & Knowledge

Mehr

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014 Datenintegration, -qualität und Data Governance Hannover, 14.03.2014 Business Application Research Center Führendes europäisches Analystenhaus für Business Software mit Le CXP (F) objektiv und unabhängig

Mehr

Lobster_data. Integriertes Datenmanagement

Lobster_data. Integriertes Datenmanagement Lobster_data Integriertes Datenmanagement 25. 2015Juni 2014 Datenmanagement Lobster_data Die Datenmanagement-Software für EDI (elektronische Datenintegration externer Systeme) EAI (Enterprise Application

Mehr

Michael Bauer Niederlassungsleiter Köln

Michael Bauer Niederlassungsleiter Köln Click to edit Master title style 1 Michael Bauer Niederlassungsleiter Köln Hamburg, 18. Juni 2009 2009 IBM Corporation Agenda Click to edit Master title style 2 zur Person Wo, Warum.., Was - CPM liefert

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

Mehr

Direktmarketing im Zentrum digitaler Vertriebsstrategien

Direktmarketing im Zentrum digitaler Vertriebsstrategien Direktmarketing im Zentrum digitaler Vertriebsstrategien Standortbestimmung und Key Learnings für Verlage Hamburg, September 2014 Im Zentrum digitaler Vertriebsstrategien steht zunehmend die Analyse komplexer

Mehr

SAM-Projekte in 3 Phasen und 5 Ebenen

SAM-Projekte in 3 Phasen und 5 Ebenen SAM-Projekte in 3 Phasen und 5 Ebenen S&L SAR SAM AND RESCUE powered by: Agenda (60 Minuten) Microsoft Lizenzen Warum Asset Management? Das Microsoft SAM Programm Die S&L Vorgehensweise / Tools F-A-Q 2

Mehr

European Market Infrastructure Regulation (EMIR) Derivatives Management Center

European Market Infrastructure Regulation (EMIR) Derivatives Management Center European Market Infrastructure Regulation (EMIR) Derivatives Management Center DIE SITUATION 2009 haben die G20 Staaten den Weg für eine verbindliche Clearing- und Reportingpflicht für standardisierte

Mehr

TFS als ALM Software. Erfahrungsbericht aus der MedTec Ecke. Lukas Müller

TFS als ALM Software. Erfahrungsbericht aus der MedTec Ecke. Lukas Müller TFS als ALM Software Erfahrungsbericht aus der MedTec Ecke Lukas Müller Agenda Tecan Umfeld und Prozesse Einsatzgebiet TFS Tecan Erweiterungen von TFS Erfahrungsaustausch Head Office in der Schweiz, >1100

Mehr

Das Risikomanagement gewinnt verstärkt an Bedeutung

Das Risikomanagement gewinnt verstärkt an Bedeutung Das Risikomanagement gewinnt verstärkt an Bedeutung 3/9/2009 Durch die internationale, wirtschaftliche Verpflechtung gewinnt das Risikomanagement verstärkt an Bedeutung 2 3/9/2009 Das IBM-Cognos RiskCockpit:

Mehr

Die intelligente Sicht auf Ihre Kundendaten

Die intelligente Sicht auf Ihre Kundendaten Die intelligente Sicht auf Ihre Kundendaten Business Case Ein tiefgehendes Verständnis der Kunden, ihrer Bedürfnisse und Kaufgewohnheiten ist im heutigen wirtschaftlichen Umfeld - das durch intensive Anbieter-Konkurrenz,

Mehr

Netz Asset-Management zwischen Theorie und Umsetzbarkeit

Netz Asset-Management zwischen Theorie und Umsetzbarkeit Netz Asset- zwischen Theorie und Umsetzbarkeit EVU Lunch 2012 Au Premier Zürich, 2. November 2012 Dominique Hartmann, Senior Consultant Agenda Entwicklung der Branche im Netz Asset- Prozesse des Netz Asset-s

Mehr

DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting

DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting DATA WAREHOUSE Optimiertes und flexibles Datenmanagement für das Investment Reporting 1 Lange bewährt immer noch gelitten Das Data Warehouse ist vielen ein Dorn im Auge IT-Manager messen der zentralen

Mehr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr Infor PM 10 auf SAP 9.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche zu vermeiden. Sie können

Mehr

Die Finanzfunktion als Treiber des Wandels am Beispiel SAP

Die Finanzfunktion als Treiber des Wandels am Beispiel SAP Die Finanzfunktion als Treiber des Wandels am Beispiel SAP Luka Mucic, CFO, COO und Mitglied des Vorstands, SAP SE SAP-Forum für Finanzmanagement und GRC, 13. 14. April 2015 Public SAP s Line of Business

Mehr

Die Datenhoheit kehrt ins Controlling zurück

Die Datenhoheit kehrt ins Controlling zurück Die Datenhoheit kehrt ins Controlling zurück Dennis Giese, Forensis Finance & Controlling AG Das webbasierte Oracle Hyperion Financial Data Quality Management Enterprise Edition (FDM EE) orientiert sich

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

Agile BI mit Agile BI Modeler & Agile Scorecard

Agile BI mit Agile BI Modeler & Agile Scorecard Agile BI mit Agile BI Modeler & Agile Scorecard Business Intelligence - so einfach wie möglich - so komplex wie nö7g Jon Nedelmann Darmstadt, 26.10.2012 Agile BI Tools Agile BI Modeler Ist eine Web- Anwendung

Mehr

Geschäftsprozesse in mittelständischen Unternehmen

Geschäftsprozesse in mittelständischen Unternehmen 22. März 2012 MODERNES GESCHÄFTSPROZESSMANAGEMENT Geschäftsprozesse in mittelständischen Unternehmen WWW.METASONIC.DE 2004: Gründung der Metasonic AG mit Fokus auf innovative Lösungen für das Geschäftsprozessmanagement,

Mehr