Commerzbank Tower: Zahlt sich für Banken die Kooperation mit Fintechs aus? (Foto: Flickr)
Die Zukunft im Finanzwesen bleibt vielversprechend und spannend. Haben uns kürzlich noch Innovationen in der Erschließung neuer Märkte und in der Vermögensverwaltung beschäftigt, so sind es heute mehr denn je die raffinierten datengetriebenen Technologien, die in den Vordergrund gerückt sind.
Anfang dieses Jahres startete Futura Analytics, ein Fintech, das enorme Datenmengen und maschinelle Lernmodelle nutzt, um Regeln zur Risikobewertung in Echtzeit umzuschreiben. Futura Analytics verwandelt Daten aus Twitter und anderen öffentlichen Quellen in nutzbare Signale und identifiziert die relevantesten Informationen in Echtzeit für Kunden im Finanzsektor (Beispiel: Bitcoin/Sentiment-Analyse).
Künstliche Intelligenz ist Teil der Zukunft
Banken und Fintechs nutzen die künstliche Intelligenz und die immer besser werdende Verarbeitung von natürlicher Sprache, um Kunden einen besseren Zugang zu Finanzdienstleistungen zu ermöglichen. Produktempfehlungen basierend auf Mustererkennung hilft die passende Dienstleistung anzubieten. Natürliche Sprache wird zu einer Vereinfachung von Zahlungsinteraktionen führen.
Allerdings müssen Zahlungsinteraktionen direkt von Gerät zu Gerät immer noch Barrieren überwinden, wie z.B. das Gewährleisten einer nahtlose Authentifizierung zwischen den Endgeräten. Bis solche M2M-Lösungen (Machine-to-Machine) mit nahtloser Authentifizierung herstellerübergreifend verfügbar ist, werden sich Geräte weiterhin über Services in der Cloud authentifizieren, bevor Transaktionen ausgeführt werden.
Gamification schafft Anreize für mobile Bezahlung
Mobiles Bezahlen am Point-of-Sale haben sich noch immer nicht flächendeckend durchgesetzt. Obwohl Unternehmen in Zahlungsterminals bereitstellen, fehlt es an Anreizen, um die Nutzer dazu zu ermutigen, mit ihren mobilen Geräten zu bezahlen. Banken haben schon damit begonnen die kostenlose Bargeldversorgung einzuschränken. Fintechs können dem Handel mit Gamification helfen das mobile Zahlen für Kunden attraktiver machen.
Die Rolle der Blockchain-Technologie bei der Bereitstellung einer verteilten Transaktionshistorie weckt großes Interesse im Zahlungs- und Handelsökosystem. Die Technologie macht Transaktionsgebühren, die Anbieter wie PayPal für das Sicherstellen von Transaktionen erhoben haben, hinfällig. Die Nutzung der Blockchain zur kostengünstigen Überprüfung von Transaktionen wird bei Banken oben auf der Agenda stehen.
Maschinelles Lernen verbessert die Zahlungssicherheit
Durch die Digitalisierung von Zahlungen muss die Zahlungssicherheit über eine breite Palette an Endgeräten gewährleistet werden. Geräte können ein erhöhtes Risiko gegenüber fortgeschrittenen Angriffen aufweisen. Bei der Gestaltung von sicheren Zahlungsmethoden erkennt maschinelles Lernen das Verhalten und greift ein, wenn ein solches Verhalten auf ungewöhnliche Verhaltensweisen oder Transaktionsaktivitäten hindeutet.
Abbildung 3: bei der Entscheidungsfindung gibt es keinen Schritt, der nicht von Analysen begleitet wird (Foto: Flickr)
Unternehmen transformieren die Art und Weise, wie sie ihre Kundenanalyse angehen in vielen verschiedenen Aspekten. Dieser Wandel ist jedoch weder branchenübergreifend, noch von Unternehmen zu Unternehmen innerhalb einer Branche konsistent. Ein Schlüssel zum Erfolg, bei dem die IT eine entscheidende Rolle spielen kann, ist es, den Faktor Kundenwissen möglichst gewinnbringend in die eigene Unternehmensstruktur zu integrieren.
Um eine Daten-zentrische Strategie zu entwickeln, müssen wir zunächst verstehen, wie unser Unternehmen Analysen durchführt und mit den Erkenntnissen umgeht:
Welche Daten werden gesammelt, was passiert mit ihnen und wie wirken sie sich auf unsere Entscheidungen aus?
Betrachten wir unsere Kunden aus einer taktischen oder strategischen Perspektive?
Sehen wir alle wichtigen Details?
Wie können wir effizienter aggregieren?
Sind unsere Analysen multidimensional oder sitzen wir in Silos fest?
Egal, wo sich ein Unternehmen im Spannungsfeld zwischen Berichtswesen und Data Discovery befindet, heutzutage müssen sich Analysetechniken nicht nur mit dem Business entwickeln, sie sollten dessen Evolution maßgeblich mitbestimmen. So gibt es beispielsweise Bereiche, in denen riesiges Potenzial zur Effizienzsteigerung durch Algorithmen und Maschinenlernen schlummert. Gleichzeitig werden manch andere Dinge immer das menschliche Auge erfordern.
Wie viele Mitarbeiter im Unternehmen analysieren Daten? Und wie viele konsumieren die Ergebnisse? Es ist wichtig zu wissen, inwiefern die eingesetzte Analyse-Plattform die analytische Arbeitslast und den Informationsfluss innerhalb des Unternehmens beeinflusst. Erst mit einem klaren Bild der Ausgangssituation lässt sich eine Strategie für den Wandel formulieren.
In einer modernen Datenstrategie gibt es bei der Entscheidungsfindung keinen Schritt, der nicht von Analysen begleitet wird (siehe auch Abbildung 3):
Awareness: Erkennen, dass eine Entscheidung gefällt werden muss. Benachrichtigungen, komplexe Ereignisverarbeitung und gut designte Dash- und Storyboards bieten sich für diesen Zweck an.
Scoping: Verstehen, welche Rahmenbedingungen wichtig und welche Bereiche indirekt betroffen sind. Statistik, Datenvisualisierung, Ad-hoc-Abfragen und bestimmte Data-Mining-Techniken eignen sich hierfür.
Predicting: Identifizieren, wie sich unterschiedliche Handlungen auswirken. Simulation, Forecasting und Predictive Analytics sind in diesem Schritt der Entscheidungsfindung gefragt.
Selecting: Die bestmögliche Handlung ausfindig machen. Hierbei können Optimierung und Regel-Engines helfen.
Reporting: Überwachen der Auswirkungen einer Entscheidung. Hierbei ist selbstverständlich das Berichtswesen die relevante analytische Komponente.
Tableau-Webinar zu den Top 10 der Business Intelligence Trends für das Jahr 2017
Noch vor einigen Jahren analysierte ich am CERN Daten im Petabyte-Bereich, die wir an den Experimenten des Large Hadron Collider einsammelten. Dazu war vor allem viel Arbeit in der Kommandozeile notwenig. R, Python, Gnuplot und SQL gehörten zu meinem Alltag. Dann habe ich Tableau kennengelernt und habe auf den Großteil meiner Skripte verzichten können. Meine Analysen waren fortan interaktiv, und die Datenstrategie hat sich grundlegend geändert.
Nicht nur in der Forschung hat sich hier viel getan. Auch Business Intelligence hat in den vergangenen Jahren tiefgreifende Änderungen erfahren. Standen 2015 noch Cloud Analytics, Data Science und die Anbindung von Big Data im Vordergrund, so sind 2016 eindeutig Self-Service-Analysen in den Fokus gerückt. Mehr Unternehmen gewähren ihren Mitarbeitern Zugriff auf ihre Daten. Mehr Menschen verstehen Daten als wichtiges Hilfsmittel zur Erfüllung ihrer Aufgaben.
Welche BI & Analytics Trends dürfen 2017 in keiner Datenstrategie fehlen?
1. Jeder kann die “moderne BI” nutzen
Moderne BI ist ein Modell der Business Intelligence, das Daten für mehr Mitarbeiter in den verschiedensten Rollen zugänglich macht. Dieser Aspekt wird auch im 2016 BI Magic Quadrant von Gartner erwähnt. Dort steht, dass wir „die entscheidende Wende eines mehr als 10 bis 11 Jahre währenden Übergangs von IT-zentrierten Berichtsplattformen zu modernen BI- und Analyseplattformen überschritten“ haben. Dies ist besonders wichtig für Unternehmen die möglicherweise Terabytes oder mehr Daten haben und sicherstellen müssen, dass die Anwender ihre Analysen mit bereinigten und von der IT genehmigten Datenbeständen durchführen.
2. Analysen werden kollaborativer
Bei der Zusammenarbeit werden wir 2017 eine Veränderung beobachten. Anstatt statische Berichte weiterzuleiten werden die Anwender interaktive Arbeitsmappen und Datenquellen gemeinsam nutzen, die als Grundlage für ihre Geschäftsentscheidungen dienen. Stellen Sie sich beispielsweise vor, dass Sie in einer wöchentlichen Geschäftsbesprechung ein interaktives Dashboard aufrufen, um KPIs zu prüfen. Es wird auch durchaus üblich sein, in diesen Dashboards direkt vom Browser oder dem iPad aus Analysen durchzuführen.
3. Alle Daten werden gleichberechtigt
2017 wird der Wert der Daten nicht mehr an Rangordnung oder Größe gebunden sein. Das Laden einer Datenbank mit Milliarden Zeilen sollte genauso vonstatten gehen wie das Laden einer Excel-Tabelle mit 150 Zeilen von Ihrem Desktop. Von Bedeutung wird sein, dass die Mitarbeiter schnell und einfach auf Daten zugreifen können und sie zusammen mit anderen Datentypen untersuchen können.
4. Selfservice wird auf die Datenvorbereitung ausgeweitet
Der Trend zu Benutzerfreundlichkeit und Agilität, der die Märkte für BI und Analysen umgewälzt hat, erreicht nun die Datenvorbereitung. Das bedeutet, dass gängige Aufgaben wie syntaktische Analyse, JSON- und HTML-Importe und die Durcharbeitung der Daten nicht mehr an Spezialisten delegiert wird. Stattdessen werden Nicht-Analysten in der Lage sein, diese Aufgaben als Teil ihres Analyse-Flows zu übernehmen.
5. Arbeiten mit Daten, ohne es zu wissen
Es ist nicht überraschend, dass Analytics am besten funktioniert, wenn es ein natürlicher Teil des Workflows ist. 2017 werden Analysen allgegenwärtig sein werden und sämtliche Geschäftsprozesse bereichern. Embedded BI wird die Reichweite der Analysen derart vergrößern, dass diese Entwicklung möglicherweise gar nicht bewusst wahrgenommen wird. Ähnlich ist es bereits bei der prädiktiven Analyse, die auf Netflix einen Film empfiehlt. Das sind die Ergebnisse von Analysen. Die meisten Menschen sind sich dessen gar nicht bewusst.
6. Die IT wird zum Datenhelden
Seit Jahrzehnten haben IT-Abteilungen damit zu kämpfen, endlos Berichte zu erstellen, um Anfragen vom Geschäftsbetrieb zu beantworten. Dieser Zyklus wird jetzt unterbrochen. IT-Abteilungen produzieren nicht mehr, sondern unterstützen und sorgen für Governance, Datensicherheit und Compliance. Die IT befähigt das Unternehmen, datenorientierte Entscheidungen mit der vom Markt geforderten Schnelligkeit zu treffen. So wird die IT gewissermaßen zum Datenhelden.
7. Die Mitarbeiter arbeiten auf natürlichere Weise mit Daten
SQL zu schreiben ist kein sehr natürlicher Weg, um mit Daten zu arbeiten. 2017 wird die Benutzeroberfläche für die Arbeit mit Daten noch natürlicher wird, und zwar durch natürliche Sprache. Analyse mit natürlicher Sprache bedeutet, dass Datenfragen mit gängigen Wörtern formuliert werden. So können Daten, Grafiken und Dashboards noch leichter zugänglich gemacht werden, indem Sie den Mitarbeitern die Möglichkeit geben, auf neue Art und Weise mit Daten zu interagieren.
8. Der Übergang zur Cloud beschleunigt sich
Datenschwerkraft ist die Idee, dass wir die Analysen dort ausführen wollen, wo sich die Daten befinden. Wenn Ihre Daten also in der Cloud gespeichert sind, wollen wir auch die Analysen dort ausführen. 2017 werden Daten in der Cloud genug „Schwerkraft“ entwickeln, um Unternehmen dazu zu bewegen, ihre Analysen dort bereitzustellen, wo sich die Daten befinden. Cloud-Data-Warehouses wie Amazon Redshift werden sehr beliebte Datenstandorte bleiben und in der Folge werden Cloud-Analysen allgegenwärtig sein.
9. Advanced Analytics wird leichter zugänglich
Nicht jeder Anwender kann R oder Python programmieren. Insbesondere Geschäftsanwender werden sich diese Kenntnisse auch nicht aneignen wollen und vermeiden Analysefunktionen, die solche Skriptsprachen erfordern. 2017 werden Advanced Analytics (ausgefeilte, leistungsstarke Analysefunktionen) zugänglicher und für Geschäftsanwender für den täglichen Einsatz verfügbar sein.
10. Daten- und Analysekompetenz steht im Mittelpunkt
Es gibt keinen Beruf, der heute ohne Daten auskommt. Das bedeutet, dass Daten- und Analysekompetenz immer wichtiger werden wird – unabhängig von der Rolle und der Position im Unternehmen. Seit zwei aufeinanderfolgenden Jahren wurde diese Kompetenz als die wichtigste Einstellungsvoraussetzung bei LinkedIn aufgeführt. Am Arbeitsplatz werden intuitive Analytics-Plattformen eingeführt, die auf allen Ebenen Entscheidungsgrundlagen bereitstellen. Aber die Fähigkeiten der Mitarbeiter bilden das Fundament diese zu nutzen.
Möchten Sie mehr zu den neuesten Trends im Bereich Business Intelligence und Business Analytics erfahren? Dann freue ich mich Sie auf unserem Live-Webinar am 21. Februar 2017 begrüßen zu dürfen.
Bitcoin Price and Sentiment Analysis with variable Moving Average: click to open interactive Tableau dashboard with annotations
Bitcoin has become one of the trendy investment assets in the recent years. Whenever bitcoin prices approach historical highs, every investor should watch the currency closely. Bitcoin rallied by more than 20% in the first days of 2017, crossing the $1000 mark for the first time since November 2013.
As many experienced bitcoin traders will remember, the first $1000 peak was a case of obvious over exuberance. Bitcoin was hot, plenty of money was pouring into it. Bitcoin investors got too excited, causing a price surge. Prices then rebounded and suffered a long-term collapse shortly after.
Moving Average Convergence/Divergence Indicator
Many traders rely on a Moving Average Convergence/Divergence (MACD) indicator. The MACD is a measure of the convergence and divergence between two EMAs (usually 12 and 26 days) and is calculated by subtracting the two of them. The signal line is constructed by creating an EMA (usually 10 days) of the signal line.
The signal line crossing the MACD from above is a buy signal. The signal line crossing the MACD from below is a sell signal. Relying only on momentum-based indicators (such as the MACD) and optimization-based models, however, will most certainly fail to indicate heavy price drops, as the drop in late 2016.
Predicting Fear with Sentiment Analysis
In late 2016 a lot of people began to pour money into bitcoin again. This time because they were worried that stock markets and other assets were due for a drop. For investors, it is essential to figure out whether or not these fears are actually founded. However, such “safe assets” are prone to suffering from bubbles. People get scared, get invested into gold, or bitcoin, then realize that their fears were unfounded. As a result bitcoin prices could plummet.
So how to catch emotions such as fear in advance? Twitter is a valuable source of information and emotion. It certainly influences the stock market and can help to predict the market. Sentiment analysis can lead price movements by up to two days. Negative sentiment, however, is reflected in the market much more than positive sentiment. This is probably because most people tweet positive things about bitcoins most of the time. Even more positive news occurred after breaking the $1000 barrier.
This content is part of the session “Price and Sentiment Analysis: Why is Bitcoin Going Down?” that I deliver at the Frankfurt Bitcoin Colloquium. Have a look on my upcoming sessions!
[Update 14 Jun 2017]: Axis for Moving Average adjusted. Relative Date selector added with last 6 month as default. Screenshot updated.
Feel free to share the Bitcoin Price and Sentiment Analysis dashboard, which is also featured as Viz of the Day on Tableau Public:
Abbilding 2: Loth-Modell des Reifegrads von Advanced Analytics
Die voranschreitende digitale Transformation liefert Daten über nahezu jede Facette unseres Tuns. Jeder Besuch eine Webseite, jeder Klick, jede Suchanfrage und jeder Einkauf wird protokolliert und entweder mit unserer virtuellen Identität (wenn wir angemeldet sind) verknüpft, oder in einem System gespeichert, dass unsere Sitzung per Cookie oder digitalem Fingerabdruck verarbeitet.
Sind diese Daten erst einmal erhoben, werden sie für gewöhnlich in Silos der einzelnen Funktionen (vertikales Silo), Abteilungen (horizontales Silo), oder sogar in individuellen Projektsilos abgelegt. Um aus diesen Daten eine wertvolle und nützliche Ressource zu machen, müssen wir diese Silos aufbrechen. Dem stehen allerdings oft Fragen zur Inhaberschaft, Regularien und Governance im Weg.
Das Sammeln von Daten allein generiert aber keinen Mehrwert. Der tatsächliche Business Impact hängt davon ab, wie “smart” die gewonnen Erkenntnisse sind. Und das wiederum wird von der Vollständigkeit der Advanced-Analytics-Lösung (siehe Abbildung 2) und der Komplexität der eingesetzten Modelle bestimmt. Präskriptive und Semantische Analysen sind unter Umständen nur sehr schwer umzusetzen, insbesondere wenn es zunächst gilt, semi-strukturierte Daten – wie etwa Social Media-Streams – zu klassifizieren.
Vergessen Sie also über die Umsetzung komplexer Modelle nicht, die leichte Beute einzusacken: lassen Sie all Ihre quantitativen Informationen einfließen (beispielsweise Umsatzdaten), um Ihre diagnostischen Möglichkeiten zu skalieren.
Für die meisten Entscheidungsträger besteht die Herausforderung nicht in einem Mangel an Daten oder Datenquellen, sondern dass die zur Verfügung stehenden Datenquellen oftmals unterschiedliche Ergebnisse liefern oder schlichtweg nicht geeignet sind, die jeweils anstehende Entscheidung sinnvoll zu informieren.
Leider wird die Rolle der IT dabei oft unterschätzt. Die größte Herausforderung für Entscheidungsträger im Analytics-Zeitalter ist die eingefahrene Sichtweise, dass Unternehmen ihrer eigenen Datenbasis bestehend aus Interaktionen mit potentiellen Kunden, Kunden, Lieferanten und Partnern weniger vertrauen können, als externen Erkenntnisquellen.
By continuing to use the site, you agree to the use of cookies. more information
The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.
