Vorteile von künstlicher Intelligenz im Datenmanagement: Zwei Anwendungen zur Effizienzmaximierung

Ein Beitrag im Rahmen der Jump Start Challenge von PwC.

Der gezielte Einsatz künstlicher Intelligenz zur Unterstützung von Unternehmensprozessen ist angesichts wachsender Datenmengen in Banken und Versicherungen wichtig für einen nachhaltigen Unternehmenserfolg. Durch einen unternehmensweiten Zugriff auf die richtigen Daten können fundiertere Entscheidungen getroffen und Prozesse optimiert werden. PwC bietet hierzu verschiedene Anwendungen, die den Umgang mit Daten in der Finanzindustrie erleichtern.

Datenmanagement für Unternehmen im Überblick

Daten sind die Treibstoffe der Finanzwelt – ein Thema an dem kein Unternehmen mehr vorbei kommt. Bis 2022 werden weltweit rund 100 Zettabyte (1 Zettabyte entspricht 660 Milliarden Standard-Blu-rays) an Daten produziert worden sein. Die Verarbeitung einer solchen Datenmenge kann nicht mehr manuell mit herkömmlichen Tools bewältigt werden. Damit Finanzinstitute Daten für Analytics Use Cases nutzen können, müssen sowohl Datenqualität als auch -verfügbarkeit sichergestellt werden. Dazu benötigen sie ein funktionierendes Datenmanagement, welches es ermöglicht, Daten automatisiert zu verarbeiten und zu analysieren. Grundsätzlich müssen Daten korrekt, konsistent, zugänglich, nutzbar und sicher sein, um die Nutzbarkeit für Geschäftsprozesse zu maximieren. Dies führt zu Herausforderungen, die aufgrund der zunehmenden Digitalisierung inzwischen nicht mehr nur die IT, sondern auch alle anderen Unternehmensbereiche betreffen. Um die erforderliche Datenqualität konsequent sicherstellen zu können, müssen sowohl Data Architecture als auch Data Governance strategisch in die Geschäftsziele integriert werden. Da die manuelle Säuberung und Aufbereitung von Daten viele Kapazitäten mit technischem Know-How binden, das an anderen Stellen fehlt, können skalierbare und automatisierte KI-Lösungen als neuer Standard etabliert werden. Zugleich muss die Kompatibilität mit den verschiedenen, existierenden Systemen gewährleistet sein.

Der DQ Cleaner als nützlicher Helfer in der Datenbereinigung

Fehlerhafte und inkonsistente Daten stellen ein unternehmerisches Risiko dar, das insbesondere mit finanziellen Einbußen und regulatorischen Verstößen einhergehen kann. Um Probleme dieser Art zu vermeiden, ist Datenbereinigung ein wichtiger Baustein des Datenmanagements. PwC hat diese Herausforderungen frühzeitig erkannt und mit dem DQ Cleaner Abhilfe geschaffen, um zum Beispiel Kundendaten automatisiert zu analysieren und gleichzeitig zu verbessern. Dieses Tool nutzt künstliche Intelligenz (KI) zur Verbesserung der Datenqualität, indem es Datensätze analysiert und fehlerhafte Daten erkennt. Die festgestellten Anomalien wie zum Beispiel Tippfehler, Abkürzungen, Formatfehler, vertauschte Zeichen und nicht-konsistente Daten werden entweder automatisiert korrigiert oder als Korrekturvorschlag an dafür zuständige Experten gesendet. Diese können die vorgeschlagenen Korrekturen wiederum annehmen (belohnen), ablehnen (bestrafen) oder modifizieren. Dieses Vorgehen wird als bestärkendes bzw. verstärkendes Lernen oder auch Reinforcement Learning bezeichnet.

Der DQ Cleaner basiert auf künstlicher Intelligenz und nutzt vorhandene fehlerfreie Daten als Input. Im Gegensatz zum überwachten Lernen erarbeitet sich die Anwendung Zusammenhänge und Beziehungen zwischen Datensätzen selbstständig und kann diese verarbeiten (unüberwachtes Lernen). Auf dieser Grundlage können schließlich Datenausreißer herausgefiltert werden.

Auch im operativen Betrieb lernt die KI selbstständig und entwickelt sich unter anderem durch den Input der zuständigen Experten kontinuierlich weiter. Durch diese Eigenschaften eignet sich KI vor allem für den Einsatz bei großen Datenmengen mit hoher Komplexität. Daraus resultieren zugleich eine höhere Datenqualität sowie eine Skalierung der Lerneffekte mit wachsender Einsatzzeit des DQ Cleaners. Diese Eigenschaften minimieren das Risiko, falsche Entscheidungen auf Basis fehlerhafter Daten zu treffen und beugen so finanziellen Verlusten vor. Gleichzeitig wird auf diese Weise die Basis für einen nachhaltigen Unternehmenserfolg in einer zunehmend digitalisierten Welt gelegt.

Der Data Bot als digitaler Experte für Datenmanagement

Die vorherrschende Komplexität im Datenmanagement beansprucht hohe IT-Kapazitäten im Unternehmen, wodurch das Potential datengetriebener Entscheidungen oftmals nicht effizient genutzt werden kann. Um dieses Problem zu lösen, findet das Konzept der Data Democratization Anwendung. Dieses ermöglicht allen Mitarbeitern die Verwendung von Daten, ohne selbst über tiefe Kenntnisse im Bereich Datenmanagement zu verfügen. Ziel ist es, Daten flächendeckend als Grundlage für Optimierungsprozesse zu nutzen. Auf diese Weise können Daten überall im Unternehmen effizient eingesetzt werden und fundierte Entscheidungen unterstützen. PwC hat mit dem Data Bot einen zusätzlichen ‘Mitarbeiter’ für das Data Office in Banken und Versicherungen entwickelt, der 24/7 erreichbar ist und in Sekundenschnelle antwortet. Er beantwortet beispielsweise Fragen zu internen Regularien der Datenverarbeitung oder kann auf jeweils passende Datensätze verweisen. Dem Data Bot liegt der KI-Prozess des Natural Language Understanding (NLU) zugrunde, der dabei hilft, Absicht und Kontext von Benutzerinteraktionen zu verstehen. Während herkömmliche Chatbots nur auf vordefinierte Schlüsselwörter reagieren, werden die Antworten hier im Zeitverlauf durch eine lernende Komponente zunehmend genauer. Durch überwachtes und halb-überwachtes maschinelles Lernen können die Reaktionen auf unternehmensspezifische Anforderungen angepasst werden. Dadurch fördert der Data Bot die Einhaltung von internen Regularien und entlastet gleichzeitig die zentrale Datenmanagement-Abteilung sowie den Chief Data/Digital Officer (CDO). Mit der automatisierten Beantwortung von ca. 80% der “Standard-Fragen” durch den Data Bot steht dem CDO mehr Zeit für nutzenstiftende Tätigkeiten zur Verfügung. Neben dem Abbau der Nutzungshemmnisse für Nicht-IT-Mitarbeiter soll so gleichzeitig auch die Datenkompetenz dieser Mitarbeiter gefördert werden. Somit ist der Data Bot ein wichtiger Teil des Data Enabling-Prozesses in Banken und Versicherungen und markiert einen weiteren Schritt in Richtung eines datengetriebenen Unternehmens.

Data Culture als Schlüssel zum nachhaltigen Unternehmenserfolg

Unternehmen müssen Daten effizient einsetzen, um langfristig auf dem Markt bestehen zu können. Eine gelebte Data Culture sorgt dabei dafür, dass die Mitarbeiter den Wert von Daten verstehen und diese als Entscheidungsgrundlage verwenden. Durch die Verankerung in Abläufen und Denkweisen sowie der Identität eines Unternehmens wird die datengetriebene Entscheidungsfindung aktiv gefördert und als Standard praktiziert. Mit diesem Ansatz können Finanzunternehmen frühzeitig auf die Herausforderungen des Datenmanagements (zum Beispiel im Kontext ESG) reagieren und dadurch einen nachhaltigen Unternehmenserfolg sichern.

Weiterführende Informationen zu den vorgestellten Anwendungen können Sie unseren Veröffentlichungen zum Data Bot* und der Data Quality Management Suite* entnehmen.

Informieren Sie sich auf unserer Website oder sprechen Sie uns an!

Dieser Artikel entstand im Rahmen der Jump Start Challenge von PwC. Vielen Dank für die wertvollen Beiträge an Tizian Fußer, Peter Derheim, Christina Heiß, Diana Heuss, Saskia Jung, Stefan Kohler, Shan Zhou, Tianyu Zhou.

Zu weiteren PwC Blogs


Hinweis zur Nutzung von LinkedIn

* Bei Aktivierung dieses Hyperlinks werden Sie von unserer Webseite direkt auf die Webseite des Anbieters LinkedIn weitergeleitet. Sie erkennen dies u. a. am Wechsel der URL. Wir können keine Verantwortung für den vertraulichen Umgang Ihrer Daten auf diesen Webseiten Dritter übernehmen, da wir weder Einfluss auf die erhobenen Daten und Datenverarbeitungsvorgänge haben, noch sind uns der volle Umfang der Datenerhebung, die Zwecke der Verarbeitung, die Speicherfristen bekannt. Über den Umgang mit Ihren personenbezogenen Daten durch LinkedIn informieren Sie sich bitte direkt auf diesen Webseiten.

Kontakt

Zum Anfang