Digitale Banken: Die Chancen von Blockchain, K√ľnstlicher Intelligenz und Machine Learning

Commerzbank Tower
Commerzbank Tower: Zahlt sich f√ľr Banken die Kooperation mit Fintechs aus? (Foto: Flickr)

Die Zukunft im Finanzwesen bleibt vielversprechend und spannend. Haben uns k√ľrzlich noch Innovationen in der Erschlie√üung neuer M√§rkte und in der Verm√∂gensverwaltung besch√§ftigt, so sind es heute mehr denn je die raffinierten datengetriebenen Technologien, die in den Vordergrund ger√ľckt 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 √∂ffentlichen Quellen in nutzbare Signale und identifiziert die relevantesten Informationen in Echtzeit f√ľr Kunden im Finanzsektor (Beispiel: Bitcoin/Sentiment-Analyse).

K√ľnstliche Intelligenz ist Teil der Zukunft

Banken und Fintechs nutzen die k√ľnstliche Intelligenz und die immer besser werdende Verarbeitung von nat√ľrlicher Sprache, um Kunden einen besseren Zugang zu Finanzdienstleistungen zu erm√∂glichen. Produktempfehlungen basierend auf Mustererkennung hilft die passende Dienstleistung anzubieten. Nat√ľrliche Sprache wird zu einer Vereinfachung von Zahlungsinteraktionen f√ľhren.

M2M-Lösungen rationalisieren Cloud-basierte Authentifizierung

Zwillingst√ľrme der Deutschen Bank
Deutsche Bank (Foto: Flickr)

Allerdings m√ľssen Zahlungsinteraktionen direkt von Ger√§t zu Ger√§t immer noch Barrieren √ľberwinden, wie z.B. das Gew√§hrleisten einer nahtlose Authentifizierung zwischen den Endger√§ten. Bis solche M2M-L√∂sungen (Machine-to-Machine) mit nahtloser Authentifizierung hersteller√ľbergreifend verf√ľgbar ist, werden sich Ger√§te weiterhin √ľber Services in der Cloud authentifizieren, bevor Transaktionen ausgef√ľhrt werden.

Gamification schafft Anreize f√ľr mobile Bezahlung

Mobiles Bezahlen am Point-of-Sale haben sich noch immer nicht fl√§chendeckend durchgesetzt. Obwohl Unternehmen in Zahlungsterminals bereitstellen, fehlt es an Anreizen, um die Nutzer dazu zu ermutigen, mit ihren mobilen Ger√§ten zu bezahlen. Banken haben schon damit begonnen die kostenlose Bargeldversorgung einzuschr√§nken. Fintechs k√∂nnen dem Handel mit Gamification helfen das mobile Zahlen f√ľr Kunden attraktiver machen.

Blockchain erm√∂glicht kosteng√ľnstige Transaktions√ľberpr√ľfung

Die Rolle der Blockchain-Technologie bei der Bereitstellung einer verteilten Transaktionshistorie weckt gro√ües Interesse im Zahlungs- und Handels√∂kosystem. Die Technologie macht Transaktionsgeb√ľhren, die Anbieter wie PayPal f√ľr das Sicherstellen von Transaktionen erhoben haben, hinf√§llig. Die Nutzung der Blockchain zur kosteng√ľnstigen √úberpr√ľfung von Transaktionen wird bei Banken oben auf der Agenda stehen.

Maschinelles Lernen verbessert die Zahlungssicherheit

Durch die Digitalisierung von Zahlungen muss die Zahlungssicherheit √ľber eine breite Palette an Endger√§ten gew√§hrleistet werden. Ger√§te k√∂nnen ein erh√∂htes Risiko gegen√ľber fortgeschrittenen Angriffen aufweisen. Bei der Gestaltung von sicheren Zahlungsmethoden erkennt maschinelles Lernen das Verhalten und greift ein, wenn ein solches Verhalten auf ungew√∂hnliche Verhaltensweisen oder Transaktionsaktivit√§ten hindeutet.

Data Strategy: Wie unterst√ľtzen Analysen Ihre Entscheidungsfindung?

Abbildung 3: bei der Entscheidungsfindung gibt es keinen Schritt, der nicht von Analysen begleitet wird
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 branchen√ľbergreifend, noch von Unternehmen zu Unternehmen innerhalb einer Branche konsistent. Ein Schl√ľssel zum Erfolg, bei dem die IT eine entscheidende Rolle spielen kann, ist es, den Faktor Kundenwissen m√∂glichst gewinnbringend in die eigene Unternehmensstruktur zu integrieren.

Um eine Daten-zentrische Strategie zu entwickeln, m√ľssen wir zun√§chst verstehen, wie unser Unternehmen Analysen durchf√ľhrt und mit den Erkenntnissen umgeht:

  1. Welche Daten werden gesammelt, was passiert mit ihnen und wie wirken sie sich auf unsere Entscheidungen aus?
  2. Betrachten wir unsere Kunden aus einer taktischen oder strategischen Perspektive?
  3. Sehen wir alle wichtigen Details?
  4. Wie können wir effizienter aggregieren?
  5. Sind unsere Analysen multidimensional oder sitzen wir in Silos fest?

Egal, wo sich ein Unternehmen im Spannungsfeld zwischen Berichtswesen und Data Discovery befindet, heutzutage m√ľssen sich Analysetechniken nicht nur mit dem Business entwickeln, sie sollten dessen Evolution ma√ügeblich 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 l√§sst sich eine Strategie f√ľr 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 gef√§llt werden muss. Benachrichtigungen, komplexe Ereignisverarbeitung und gut designte Dash- und Storyboards bieten sich f√ľr 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 hierf√ľr.
  • Predicting: Identifizieren, wie sich unterschiedliche Handlungen auswirken. Simulation, Forecasting und Predictive Analytics sind in diesem Schritt der Entscheidungsfindung gefragt.
  • Selecting: Die bestm√∂gliche Handlung ausfindig machen. Hierbei k√∂nnen Optimierung und Regel-Engines helfen.
  • Reporting: √úberwachen der Auswirkungen einer Entscheidung. Hierbei ist selbstverst√§ndlich das Berichtswesen die relevante analytische Komponente.

Dieser Beitrag ist der vierte Teil der Datenstrategie-Serie:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen d√ľrfen
Teil 4: Wie unterst√ľtzen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

10 BI & Analytics Trends, die in keiner Datenstrategie fehlen d√ľrfen

Tableau-Webinar zu den Top 10 der Business Intelligence Trends f√ľr das Jahr 2017
Tableau-Webinar zu den Top 10 der Business Intelligence Trends f√ľr 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 √Ąnderungen 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 ger√ľckt. Mehr Unternehmen gew√§hren ihren Mitarbeitern Zugriff auf ihre Daten. Mehr Menschen verstehen Daten als wichtiges Hilfsmittel zur Erf√ľllung ihrer Aufgaben.

Welche BI & Analytics Trends d√ľrfen 2017 in keiner¬†Datenstrategie fehlen?

1. Jeder kann die “moderne BI” nutzen

Moderne BI ist ein Modell der Business Intelligence, das Daten f√ľr mehr Mitarbeiter in den verschiedensten Rollen zug√§nglich macht. Dieser Aspekt wird auch im 2016 BI Magic Quadrant¬†von Gartner erw√§hnt. Dort steht, dass wir ‚Äědie entscheidende Wende eines mehr als 10 bis 11 Jahre w√§hrenden √úbergangs von IT-zentrierten Berichtsplattformen zu modernen BI- und Analyseplattformen √ľberschritten‚Äú haben. Dies ist besonders wichtig f√ľr Unternehmen die m√∂glicherweise Terabytes oder mehr Daten haben und sicherstellen m√ľssen, dass die Anwender ihre Analysen mit bereinigten und von der IT genehmigten Datenbest√§nden durchf√ľhren.

2. Analysen werden kollaborativer

Bei der Zusammenarbeit¬†werden wir 2017 eine Ver√§nderung beobachten. Anstatt statische Berichte¬†weiterzuleiten werden die Anwender interaktive Arbeitsmappen und Datenquellen gemeinsam nutzen, die als Grundlage f√ľr ihre Gesch√§ftsentscheidungen dienen. Stellen Sie sich beispielsweise vor, dass Sie in einer w√∂chentlichen Gesch√§ftsbesprechung ein interaktives Dashboard aufrufen, um KPIs zu pr√ľfen. Es wird auch durchaus √ľblich sein, in diesen Dashboards direkt vom Browser oder dem iPad aus Analysen durchzuf√ľhren.

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 Agilit√§t, der die M√§rkte f√ľr BI und Analysen umgew√§lzt hat, erreicht nun die Datenvorbereitung. Das bedeutet, dass g√§ngige 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 √ľbernehmen.

5. Arbeiten mit Daten, ohne es zu wissen

Es ist nicht √ľberraschend, dass Analytics am besten funktioniert, wenn es ein nat√ľrlicher Teil des Workflows ist. 2017 werden¬†Analysen allgegenw√§rtig sein werden und s√§mtliche¬†Gesch√§ftsprozesse bereichern. Embedded BI wird die Reichweite der Analysen derart vergr√∂√üern, dass diese Entwicklung m√∂glicherweise gar nicht bewusst wahrgenommen wird. √Ąhnlich ist es bereits bei der pr√§diktiven 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 k√§mpfen, endlos Berichte zu erstellen, um Anfragen vom Gesch√§ftsbetrieb zu beantworten. Dieser Zyklus wird jetzt unterbrochen. IT-Abteilungen produzieren nicht mehr, sondern unterst√ľtzen und sorgen f√ľr Governance, Datensicherheit und Compliance. Die IT bef√§higt das Unternehmen, datenorientierte Entscheidungen mit der vom Markt geforderten Schnelligkeit zu treffen. So wird die IT gewisserma√üen zum Datenhelden.

7.¬†Die Mitarbeiter arbeiten auf nat√ľrlichere Weise mit Daten

SQL zu schreiben ist kein sehr nat√ľrlicher Weg, um mit Daten zu arbeiten. 2017 wird¬†die Benutzeroberfl√§che f√ľr die Arbeit mit Daten noch nat√ľrlicher wird, und zwar durch nat√ľrliche Sprache. Analyse mit nat√ľrlicher Sprache bedeutet, dass Datenfragen mit g√§ngigen W√∂rtern formuliert werden. So k√∂nnen Daten, Grafiken und Dashboards noch leichter zug√§nglich gemacht werden, indem Sie den Mitarbeitern die M√∂glichkeit 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 ausf√ľhren wollen, wo sich die Daten befinden. Wenn Ihre Daten also in der Cloud gespeichert sind, wollen wir auch die Analysen dort ausf√ľhren. 2017 werden Daten in der Cloud genug ‚ÄěSchwerkraft‚Äú 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 allgegenw√§rtig sein.

9. Advanced Analytics wird leichter zugänglich

Nicht jeder Anwender ¬†kann¬†R oder Python programmieren. Insbesondere Gesch√§ftsanwender werden sich diese Kenntnisse auch nicht aneignen wollen und vermeiden¬†Analysefunktionen, die solche Skriptsprachen¬†erfordern. 2017 werden Advanced Analytics (ausgefeilte, leistungsstarke Analysefunktionen) zug√§nglicher und f√ľr Gesch√§ftsanwender f√ľr den t√§glichen Einsatz verf√ľgbar 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 – unabh√§ngig von der Rolle und der Position im Unternehmen. Seit zwei aufeinanderfolgenden Jahren wurde diese Kompetenz als die wichtigste Einstellungsvoraussetzung bei LinkedIn aufgef√ľhrt. Am Arbeitsplatz werden intuitive Analytics-Plattformen eingef√ľhrt, die auf allen Ebenen Entscheidungsgrundlagen bereitstellen. Aber die F√§higkeiten der Mitarbeiter bilden das Fundament diese zu nutzen.

Dieser Beitrag ist der dritter Teil der Datenstrategie-Serie:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen d√ľrfen
Teil 4: Wie unterst√ľtzen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?

M√∂chten 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 begr√ľ√üen zu d√ľrfen.

Update 22 Feb 2017: Sie haben das Webinar verpasst? Dann können Sie hier die Aufzeichnung ansehen:

Price and Sentiment Analysis: Why is Bitcoin Going Down?

Bitcoin Price and Sentiment Analysis with variable Moving Average: click to open interactive Tableau dashboard with annotations
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 ‚ÄúPrice and Sentiment Analysis: Why is Bitcoin Going Down?‚ÄĚ 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:

Data Strategy: Steigern smarte Erkenntnisse den Business Impact?

Abbilding 2: Loth-Modell des Reifegrads von Advanced Analytics
Abbilding 2: Loth-Modell des Reifegrads von Advanced Analytics

Die voranschreitende digitale Transformation liefert Daten √ľber nahezu jede Facette unseres Tuns. Jeder Besuch eine Webseite, jeder Klick, jede Suchanfrage und jeder Einkauf wird protokolliert und entweder mit unserer virtuellen Identit√§t (wenn wir angemeldet sind) verkn√ľpft, oder in einem System gespeichert, dass unsere Sitzung per Cookie oder digitalem Fingerabdruck verarbeitet.

Sind diese Daten erst einmal erhoben, werden sie f√ľr gew√∂hnlich in Silos der einzelnen Funktionen (vertikales Silo), Abteilungen (horizontales Silo), oder sogar in individuellen Projektsilos abgelegt. Um aus diesen Daten eine wertvolle und n√ľtzliche Ressource zu machen, m√ľssen 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 tats√§chliche Business Impact h√§ngt davon ab, wie “smart” die gewonnen Erkenntnisse sind. Und das wiederum wird von der Vollst√§ndigkeit der Advanced-Analytics-L√∂sung (siehe Abbildung 2) und der Komplexit√§t der eingesetzten Modelle bestimmt. Pr√§skriptive und Semantische Analysen sind unter Umst√§nden nur sehr schwer umzusetzen, insbesondere wenn es zun√§chst gilt, semi-strukturierte Daten ‚Äď wie etwa Social Media-Streams ‚Äď zu klassifizieren.

Vergessen Sie also √ľber die Umsetzung komplexer Modelle nicht, die leichte Beute einzusacken: lassen Sie all Ihre quantitativen Informationen einflie√üen (beispielsweise Umsatzdaten), um Ihre diagnostischen M√∂glichkeiten zu skalieren.

F√ľr die meisten Entscheidungstr√§ger besteht die Herausforderung nicht in einem Mangel an Daten oder Datenquellen, sondern dass die zur Verf√ľgung 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 untersch√§tzt. Die gr√∂√üte Herausforderung f√ľr Entscheidungstr√§ger im Analytics-Zeitalter ist die eingefahrene Sichtweise, dass Unternehmen ihrer eigenen Datenbasis bestehend aus Interaktionen mit potentiellen Kunden, Kunden, Lieferanten und Partnern weniger vertrauen k√∂nnen, als externen Erkenntnisquellen.

Dieser Beitrag ist der zweite Teil der Datenstrategie-Serie:

Teil 1: Die Notwendigkeit einer modernen Datenstrategie im Zuge der digitalen Transformation
Teil 2: Steigern smarte Erkenntnisse den Business Impact?
Teil 3: 10 BI & Analytics Trends, die in keiner Datenstrategie fehlen d√ľrfen
Teil 4: Wie unterst√ľtzen Analysen Ihre Entscheidungsfindung?
Teil 5: Erstickt Innovation zwischen Berichtswesen und Data Discovery?