Data Warehousing im Risikomanagement: Bestimmung des Datenhaushaltes am Beispiel eines Finanzdienstleisters

1894 Data Warehousing im Risikomanagement: Bestimmung des Datenhaushaltes am Beispiel eines Finanzdienstleisters Ruhollah Abolhassani Risk Advisory Services / Global Financial Services 2006 1

Agenda Überblick 1. Chronologie: Von RM zur IT 2. Aktuelle Problematik 3. Anspruch und Aufgabe der IT 4. Ernst & Young 4-Phasen Modell 5. Definition Data Warehouse 6. Praxis: Motivation des Projekts 7. Durchführung einer Vorstudie 8. Methodische Vorgehensweise 9. Erstellung des Blueprints 10. Fazit 2

Chronologie: Von RM zur IT Die Geschichte des Risikomanagements begann schon in Mittelalter Früher: RM = Vertrauen / Hoffnung / Vermutungen 1783: Daniel Bernoulli legte Grundstein für RM Wenn die Wahrscheinlichkeit eines Ergebnisses bekannt ist, wie hoch ist der Wetteinsatz. M.19 Jh. Carl Friedrich Gauß entdeckte Glockenkurve Bei seinen Studien zur Astronomie entdeckte Gauß die Glockenkurve der Normalverteilung 3

Chronologie: Von RM zur IT und wurde im 20.Jahrhundert durch die Informationstechnologie unterstützt 1886: Francis Galton entwickelte die Regressionsanalyse Ein statistischer Zusammenhang zwischen Daten wurde erstmals entdeckt 1970: John D.C. Little (MIT Professor) entwickelte die theoretischen Grundlagen für verbesserte Systeme zur Entscheidungsunterstützung 1989: Howard Dresner (Gartner Group) führt den Begriff BI ein Methoden für analytische Entscheidungsverfahren, die die Unternehmensleistung verbessern sollen Heute??? 4

Aktuelle Problematik Der Informationsmanagement-Prozess wird durch folgende Defizite gekennzeichnet Quellsysteme Q2 Q1? fehlende Übersicht über die Fülle an Daten. fehlende Kostentransparenz über die Datenhaltung. Q 4 Q3 fehlende Methodik, um aus den Daten entscheidungskritische Muster zu erkennen. Q 5 Q 6? Excel fehlende Flexibilität, um den ständig wechselnden und wachsenden geschäftlichen und regulatorischen Anforderungen (Basel II, MaRisk, Solvency V, IFRS, Sarbanes Oxley Act usw.) gerecht zu werden. Grundsätzlich gilt: Informationen, die zur Geschäftssteuerung dienen, müssen zeitnah und vollständig vorliegen. 6

Anspruch und Aufgabe der IT Financial Information Management (FIM) steuert die ganzheitliche Erfassung des finanzrelevanten Informationsbedarfs Der Anspruch an das Informationsmanagment liegt darin, dass die inhaltlich richtigen und geschäftlich relevanten Informationen zum Zeitpunkt des Bedarfs, an dem Ort, wo sie gerade benötigt werden vorliegen. Konventionelle Quellen Banken / Internet Online Daten- Anwendungssysteme Quellsysteme Sammeln Filtern Bewerten Bereinigen Strukturieren Ergänzen Validierung / Bereitstellung Markvolumen Marktanteile Verbrauchskennzahlen Auftragseingang Umsatz Kosten Deckungsbeitrag Produktivität quantitativ Datenart Pressemeldungen Patente Gutachten Kundenverhalten Projektberichte qualitativ 8 Datenquelle intern extern Analysesysteme/Frontend

Anspruch und Aufgabe der IT FIM muss dabei gewährleisten, dass die geschäftlichen und regulatorischen Anforderungen konsistent und kohärent abgebildet werden Unternehmensstrategie Geschäfts- Bereiche / Prozesse (exemplarisch) Regulatorische Anforderungen und Standards (exemplarisch) HGB / IFRS / USGAAP Controlling Personalwesen Risikomanagement Verwaltung Vertrieb Marketing BASEL II / SolvV / MaRisk Sarbanes Oxley Act IDW BDSG CobiT/ ITIL Financial Information Management 9

Anspruch und Aufgabe der IT Bei konsistenter Umsetzung von Financial Information Management-Lösungen ergeben sich folgende Vorteile Financial Information Management Verbesserung der Funktionalität Einsparung von IT-Kosten Allgemeiner Nutzen Konsistente vergleichbare Informationen Bereichübergreifende Analysen Mehr Möglichkeiten für Ad-hoc- Analysen Ein Zugang zur FIM-Lösung für alle Anwender Hardware (Server, Plattenspeicher) Softwarelizenzen Betrieb Wartung und Weiterentwicklung der Anwendung Identifikation von Potential zur Kosteneinsparung Verbesserung der Business Performance Zielgerechtes Marketing Erhöhung der Wettbewerbsfähigkeit des Unternehmens 10

Anspruch und Aufgabe der IT Aus unserer Erfahrung profitieren Finanzdienstleister in den folgenden Bereichen von der Einführung von FIM-Lösungen Financial Information Management Konsolidierung analytischer Inseln Analytische Inseln entstehen meistens historisch durch: nicht ausgereiftes Projektvorgehen, zahlreiche Unternehmensfusionen, schnelles Wachstum von Unternehmen Kosteneinsparungen in der IT. Diese analytischen Inseln erfahren durch integrierter FIM-Lösungen ihre Konsolidierung hin zu unternehmensweiten Informationssystemen. Analytical Customer Relationship Management Banken stehen in einem zunehmend härteren Wettbewerb, in welchem auch die Aspekte der Kundenbindung und Neukundenakquise immer stärkere Bedeutung gewinnen. Die Kundenbeziehungen sollten daher immer gezielter analysiert und gepflegt werden. Darüber hinaus sollten in die Analyse auch Ergebnisse von CRM- Maßnahmen (z. B. Werbekampagnen) einfließen. Diese helfen dabei, zukünftige Strategien für das Kundenbeziehungsmanagement abzuleiten. Vertriebsorientiertes Kreditrisikomanagement Individueller Kundenservice erfordert flexible Strategien für eine schnelle Kreditentscheidung. Geeignete FIM- Lösungen können einer Bank dabei helfen, diverse Kreditentscheidungsvarianten zu simulieren, um schnell die optimale Strategie zu finden. FIM ermöglicht die Sammlung und Bereitstellung von Bewertungshistorien, Verhaltens-, Vertrags- und weitere Kundendaten, um schneller auf die individuellen Bedürfnisse der Kunden eingehen zu können. 11

Ernst & Young 4-Phasen Modell Der Top-Down-Ansatz zur Integration des FIM in die Unternehmensabläufe Ist-Analyse Content Clustering Prozessintegration Regulatorische Anforderungen GP 1 GP 2 GP 3 GP n IT-Systeme / Datenquellen Betriebswirtsch. Anforderungen Quelldaten Reportingobjekte Reportingobjekt 1 Reportingobjekt 2 Reportingobjekt 3 Reportingobjekt n GP 1 GP 2 GP 3 GP n Strategische Ziele Planung Überwachung Steuerung Road Map Content Cluster IT-Clustering Intelligente Prozessmatrix Financial Information Management Strategie 13

Ernst & Young 4-Phasen Modell Phase 1 Phase 2 Phase 3 Phase 4 Ist- Analyse Content Clustering Machbarkeitsstudie Prozessintegration IT- Clustering Machbarkeitsstudie: Erwartungen, Ziele und Aufwandstreiber Machbarkeitsstudie: Projektanforderungen werden spezifiziert und Systemvoraussetzungen in Bezug auf das zu erwartende Datenvolumen und die Reportingstrategie dokumentiert: Abstimmung von Projektumfang und -zielen AnforderungsgerechteRessourcenplanung: Zeit-und Aufwandsschätzung Detaillierung des Projektvorhabens sowie Abgrenzung und Definition von Teilprojekten Überprüfung der Ausgangssituation und Zielsetzung Scoping der Geschäftsprozesse Scoping der Quellsysteme und Schnittstellen Ausarbeitung und Abstimmung eines Projektplanes Abstimmung und Festlegung der Projektorganisation und Projektstandards Aufnahme der Anforderungen und Wünsche der Fachbereiche im Rahmen von Workshops 14

Ernst & Young 4-Phasen Modell Ist-Analyse: Basis des Vorgehens Phase 1 Phase 2 Phase 3 Phase 4 Ist- Analyse Content Clustering Machbarkeitsstudie Prozessintegration IT- Clustering Ist-Analyse Aufnahme der Projektanforderungen und Systemvoraussetzungen Regulatorische Anforderungen GP 1 GP 2 GP 3 GP n IT-Systeme / Datenquellen Betriebswirtsch. Anforderungen Aufnahme der Informations- und Wertschöpfungsprozesse Beurteilung der festgelegten Prozessbereiche (Ist-Zustand) Erhebung eines Anforderungsprofils: Festlegung der betriebswirtschaftlichen und regulatorischen Anforderungen Aufnahme und Analyse der vorhandenen IT-Systemarchitektur Aufnahme und Analyse der relevanten Prozesse in den IT-Systemen Aufnahme des vorhandenen Sicherheitskonzeptes und der Sicherheitsrichtlinien Quantitative und qualitative Datenanalyse Road Map Erstellung des Road Map für das Financial Information Management Grobkonzept, das die sachlogische Realisierung der einzuführenden Lösung beschreibt. 15

Ernst & Young 4-Phasen Modell Phase 1 Phase 2 Phase 3 Phase 4 Ist- Analyse Content Clustering Machbarkeitsstudie Prozessintegration IT- Clustering Content Clustering: die Strukturierung Content Clustering Quelldaten Reportingobjekte Content Cluster Reportingobjekt 1 Reportingobjekt 2 Reportingobjekt 3 Reportingobjekt n Bündelung der geschäftsspezifischen Inhalte auf Basis der erstellten Road Map / Zuordnung der Quelldaten zu den Reporting-Objekten Erstellung des Fach-/ DV-Konzeptes (Content Cluster), dass die Realisierung der FIM-Lösung beschreibt: Definition der künftigen Organisationsstruktur in der FIM-Lösung Definition der Datenbestände aus den Quellsystemen Definition des Datenmodells und der Datentypen Definition von Cubes und möglicher Data Marts Definition der ETL-Prozesse Konzeption der Auswertungsfunktionalitäten anhand geeigneter OLAP-Front-Ends Definition des Kreises der Berichtsempfänger und des Berechtigungskonzeptes 16

Ernst & Young 4-Phasen Modell Phase 1 Phase 2 Phase 3 Phase 4 Ist- Analyse Content Clustering Machbarkeitsstudie Prozessintegration IT- Clustering Prozessintegration: Grundlage für die Optimierung und kontinuierlichen Überwachung der Geschäfts- und IT-Prozesse GP 1 GP 2 GP 3 GP n Prozessintegration Strategische Ziele Planung Überwachung Steuerung Intelligente Prozessmatrix Integration der Geschäftsprozesse in die Analytik sowie die Integration der Analytik in die Geschäftsprozesse. Die Analytik schafft Ereignisse und verarbeitet dieses mit Hilfe der Prozessüberwachung und -steuerung Definition von Verbesserungs- und Steuerungszielen bei den Geschäfts- und IT-Prozessen Definition von Prozessmetriken/-kennzahlen zur operativen Überwachung und Steuerung der Geschäftsprozesse, die im Rahmen des FIM abgebildet und zur Verfügung gestellt werden sollen Definition der damit verbundenen Voraussetzungen: zu integrierende Daten, Geschwindigkeit der Informationslieferung, Integrationsdrehscheibe zur Einbettung der Analytik in den Geschäftsprozessen, etc Erstellung der Prozessmatrix unter Berücksichtigung des Anforderungsprofiles. 17

Ernst & Young 4-Phasen Modell Phase 1 Phase 2 Phase 3 Phase 4 Ist- Analyse Content Clustering Machbarkeitsstudie Prozessintegration IT- Clustering Über das IT-Clustering zur FIM-Strategie IT-Clustering: Road Map Content Cluster Intelligente Prozessmatrize IT-Clustering Financial Information Management Strategie Programm-technische Realisierung der FIM-Lösung gemäß Fach- und DV- Konzeption aus den vorgelagerten Phasen. Produktionsvorbereitung Go-Live und Support Anhand des IT-Konzeptes lässt sich eine einheitliche und skalierbare mehrstufige IT- Architektur definieren und umsetzen, deren Grundpfeiler die Komponenten Operative Systeme, Data Staging, Meta Data Management und Data Warehouse bilden. 18

Definition Data Warehouse Welche Rolle spielt ein Data Warehouse bei einem Finanzdienstleister inbesondere im Risikomanagement Unternehmensstrategie Regulatorische Geschäfts- Anforderungen und Standards (exemplarisch) Bereiche / Prozesse (exemplarisch) HGB / IFRS / USGAAP Controlling Personalwesen Risikomanagement ETL - Prozess Verwaltung Vertrieb Marketing BASEL II / SolvV / MaRisk Sarbanes Oxley Act IDW BDSG CobiT/ ITIL Data Warehouse Informationstechnologie 20

Definition Data Warehouse Was ist ein Data Warehouse und warum benötigt man es? A data warehouse is a subject oriented, (Themenorientierung an Sachverhalte des Unternehmens) integrated, (Integration von Unternehmensweiten / externen operativen Quellen) non-volatile, (Dauerhafte Sammlung von nicht mehr änderbarer Daten) and time variant (Zeitraumbezug als Bestandteil der Daten) collection of data in support of management s decisions. [William H. "Bill" Inmon] Management Risk Management Financial Controlling Sales & Personalwesen weitere Marketing 21

Praxis: Motivation des Projekts Anstoß zu Projekten Beauftragung zu einer Vorstudie Kunde Ergebnis 23

Durchführung einer Vorstudie Im ersten Schritt wurde eine Vorstudie durchgeführt Wunsch eines Kunden: - Ist das bestehende DataWarehouse aus technischer und fachlicher Sicht in der Lage, die Anforderungen des Managements zu erfüllen? Aufgabe Ernst & Young: - Untersuchung des technischen Aufbaus des bestehenden Data Warehouse. - Grobanalyse der fachlichen Funktionalität des bestehenden Data Warehouse. 24

Durchführung einer Vorstudie Anstoß zu Projekten Beauftragung zu einer Vorstudie Kunde Ergebnis Momentaner Stand erfüllt nicht die Anforderungen an ein Data Warehouse Beauftragung zur Bestimmung des Datenhaushaltes Kunde Ergebnis Blueprint 25

Methodische Vorgehensweise Vorgehensweise bei der Bestimmung des Datenhaushaltes im Risikomanagement Welche Daten werden benötigt? Daten aus dem Aktivitätenbereich Risiko Management & Controlling Wer benötigt die Daten? Wo kommen die Daten her? Kreditrisiko und Liquiditätsrisikomanagement Instandhaltung eines Rating und Scoring Systems Wie kommen die Daten? Asset & Liability Management Überwachung der Kreditportfolio bzgl. Qualität und Grenzen Gewährleistung einer angemessenen Liquidität 27

Methodische Vorgehensweise Vorgehensweise bei der Bestimmung des Datenhaushaltes im Risikomanagement Welche Daten werden benötigt? Anforderungen kommen von den folgenden Gruppen Wer benötigt die Daten? WER? WOHER? Wo kommen die Daten her? Abteilungsleiter Risikomanagement Bank Wie kommen die Daten? Geschäftsleitung Bank Data Warehouse Entwickler Extern Weitere Weitere 28

Methodische Vorgehensweise Vorgehensweise bei der Bestimmung des Datenhaushaltes im Risikomanagement Welche Daten werden benötigt? Aufnahme der Prozesse und Quellsysteme Wer benötigt die Daten? Kreditrisikosteuerung Kundenaktivgeschäft weitere Wo kommen die Daten her? Wie kommen die Daten? 29

Methodische Vorgehensweise Vorgehensweise bei der Bestimmung des Datenhaushaltes im Risikomanagement Welche Daten werden benötigt? Analyse der Daten auf technischer Ebene Wer benötigt die Daten? Data Warehouse - Entwickler Wo kommen die Daten her? Wie kommen die Daten? 30

Erstellung des Blueprints Exemplarischer Ablauf eines Einzelhandelsgeschäft (I) Werbemaßnahmen Produktangebot Kreditangebot Produkt wird gekauft Adressaten Vertrieb & Marketing Vertrieb & Marketing Vertrieb & Marketing Einzelhandelsgeschäft Risikomanagement / -controlling Vertrieb & Marketing Großkundengeschäft Datenhaushalt Advertising efforts Leads Credit offer Product Leads Product Credit Product offer Product offer Partner data Partner data Rating/Scoring Collaterals 31

Erstellung des Blueprints Exemplarischer Ablauf eines Einzelhandelsgeschäft (II) Kredit wird aufgenommen Wholesale Retention Regulärer Kreditverlauf Zahlungsprobleme beim KN Adressaten Vertrieb & Marketing Retail business Einzelhandelsgeschäft Vertrieb & Marketing Einzelhandelsgeschäft Großkundengeschäft Financial controlling Einzelhandelsgeschäft Financial controlling Financial controlling Financial controlling Risikomanagement / -controlling Risikomanagement / -controlling Risikomanagement / -controlling Datenhaushalt Produkt offer Credit Credit Arrear management Credit offer Advanced payment Positions Credit Credit Positions Partner data Positions Transactions Partner data Partner data Positions Collaterals Collaterals Partner data Rating / Scoring Collaterals 32

Erstellung des Blueprints Exemplarischer Ablauf eines Einzelhandelsgeschäft (III) Rückkehr zum regulären Kreditverlauf Kunde schliesst Kredit Zeit verstreicht... Gezielte Wiederansprache (Werbemaßnahme) Adressaten Einzelhandelsgeschäft Vertrieb & Marketing Vertrieb & Marketing Financial controlling Einzelhandelsgeschäft Financial controlling Risikomanagement / -controlling Datenhaushalt Credit Credit Advertising efforts Positions Customer retention Partner data Partner data Positions Partner data Collaterals 33

Erstellung des Blueprints Datenhaushalt am Beispiel der Tabelle Partner Data Item Description HBG_RATING_NEXTDATE Date of next rating PARTNER_ID Unique identifier of partner PARTNER_KNE PARENT_ID PARTNER_TYPE Single borrower unit Unique identifier of (hierarchical) parent Issuer Counterparty Wholesale Retail-private Retail-freelance Retail-commercial Regional manager PARTNER_RATING_ARRAY PARTNER_SPREAD_ARRAY PARTNER_PD_ARRAY PARTNER_EAD_ARRAY Timestamp Rating Rating methodology Timestamp Spread Timestamp Estimated PD Timestamp Estimated EAD PERSON_TYPE ARRAY_OF_BANK_CONS PARTNER_ROLE Physical person Juridical person List of Partner s Accounts Borrower Warrantor Others PARTNER_LGD_ARRAY EARLY_WARNING_ARRAY PARTNER_LGD_ACTUAL_COV Timestamp Estimated covered LGD Estimated uncovered LGD Timestamp Early warning indicators Actual covered LGD of partner BANK_RETAIL CUSTOMER_EXISTING MARKETING_ACTION_MAILING Yes No Existing customer: Yes No Yes No PARTNER_LGD_ACTUAL_UNCOV PARTNER_LGD_RECOVERY COMMENT DATE_BEGIN_INSOLVENCY DATE_END_INSOLVENCY Actual uncovered LGD of partner Recovery from uncoverd LGD Comment Starting date of insolvency Ending date of insolvency COUNTRY_CODE INDUSTRY_ID Country of residence Unique identifier of industry DEFAULTSTATUS PD Insolvency PD B II PARTNER_CLASSIFICATION privat public ORGA_ID Unique identifier of responsible credit officer RATING_LASTDATE Date of last rating OTHERS Others RATING_INTERVAL Rating interval 34

Erstellung des Blueprints Das Ergebnis könnte dann so aussehen Blueprint für ein Data Warehouse 36

Fazit Die Herausforderungen und Probleme im Projekt sind unterschiedlicher Natur Projektabschluss mit Zufriedenheit des Kunden in der vorgegeben Zeit soziale Kompetenz (mit verschiedenen Charakteren arbeiten) Lernbereitschaft (Speziell: Bankenfachwissen und IT-Wissen) Problemlösungskompetenz (analytisches & strukturierte Vorgehensweise) Teamwork (gegenseitiges Unterstützen) 38

Vielen Dank für Ihre Aufmerksamkeit. Für Fragen und Anregungen stehen wir Ihnen gerne jederzeit zur Verfügung. Ruhollah Abolhassani Risk Advisory Services Global Financial Services Tel.: +49 (6196) 996 10025 Ruhollah.Abolhassani@de.ey.com 39