Schlagwort: Insights

Digitale Banken: Welche Digitalisierungstrends bewegen die Finanzbranche?

Eine Person nutzt die Microsoft HoloLens zur Visualisierung von Datenanalysen und Digitalisierungstrends in der Finanzbranche.
Digitalisierungstrends: Die Microsoft HoloLens ermöglicht eine Immersive und interaktive Analyse von Finanz- und Marktdaten mit Argumented Reality (Blockchain-Dashboard).

Jedes Jahr (2015, 2016, 2017 und 2018) stelle ich Digitalisierungstrends vor, die der Finanzbranche ein großes Potenzial bieten. Dabei geht es vor allem um einen Überblick darüber, welche Trends und Technologien zukünftig eine größere Rolle spielen werden oder könnten.

Für eine umfassendere Analyse zur Rolle von Blockchain, Künstlicher Intelligenz und Machine Learning in digitalen Banken empfehle ich meinen vorherigen Blogpost: Digitale Banken: Die Chancen von Blockchain, Künstlicher Intelligenz und Machine Learning.

Im Folgenden habe ich die fünf Digitalisierungstrends identifiziert, die für Banken und Versicherungen in Zukunft besonders spannend sein dürften:

1. Maschinelles Lernen und Künstliche Intelligenz

Maschinelles Lernen und Künstliche Intelligenz transformieren die Finanzbranche. Maschine Learning und Deep Learning werden im Investment Banking angewandt, um Unternehmensbewertungen schneller und zuverlässiger durchzuführen. Mehr Daten denn je können hinzugezogen werden. Eine Gewichtung der Daten erfolgt komplett autonom. Da manuelle Analyse weitgehend entfällt, werden Entscheidungsprozesse drastisch beschleunigt. Investoren, die mit konventionellen Werkzeugen arbeiten, haben das Nachsehen.

Durch Künstliche Intelligenz gesteuerte Chatbots vermitteln den Kunden eine menschlichen-ähnliche Betreuung. Chatbots werden darüber hinaus in existierende Cloud-basierende Assistenten, wie Alexa oder Siri, eingebunden und sind in der Lage mittels Natural Language Processing, auch komplexere Anfragen zu verstehen. Recommender-Systeme liefern maßgeschneiderte Lösungen, die speziell auf die Bedürfnisse der Kunden abgestimmt sind.

2. Internet of Things

Das Internet der Dinge (IoT) revolutioniert die Art und Weise, wie Banken und Versicherungen Daten nutzen. Wearables und Sensoren liefern Echtzeitdaten über den Lebensstil von Kunden, die zur Berechnung individueller Tarife für Finanz- und Versicherungsprodukte herangezogen werden können. Diese Daten fließen in Recommender-Systeme ein, die personalisierte Angebote erstellen. Darüber hinaus ermöglichen IoT-gestützte Lösungen neue Sicherheitsmechanismen, indem sie Anomalien in Verhaltensmustern erkennen und frühzeitig Alarm schlagen.

3. Blockchain und Dezentrale Finanzsysteme (DeFi)

Die Blockchain-Technologie sorgt für sichere, transparente und kostengünstige Transaktionen. Verträge werden als Smart Contracts in der Blockchain gespeichert und automatisch ausgeführt. Dies reduziert den Bedarf an Intermediären und minimiert Fehlerquellen. Dezentrale Finanzsysteme (DeFi) erweitern diesen Ansatz, indem sie traditionelle Finanzprodukte wie Kredite und Versicherungen in offene, zugängliche Plattformen überführen. Banken können DeFi nutzen, um innovative Finanzprodukte zu entwickeln und neue Märkte zu erschließen.

4. Augmented Reality und Virtual Reality

Augmented Reality (AR) und Virtual Reality (VR) ermöglichen neue Formen der Datenvisualisierung und Zusammenarbeit. Lösungen wie Microsoft’s HoloLens schaffen immersive Arbeitsumgebungen, in denen Analysten und Händler Finanzdaten in Echtzeit interaktiv analysieren können. Diese Digitalisierungstrends fördern nicht nur die Zusammenarbeit, sondern eröffnen auch neue Möglichkeiten für Schulungen und Kundeninteraktionen. Kunden können Finanzprodukte virtuell erkunden und so fundiertere Entscheidungen treffen.

5. Automatisierung und Cloud-basierte Services

Die zunehmende Automatisierung von Prozessen und der Einsatz von Cloud-Technologien ermöglichen eine effizientere Verwaltung von Finanzdienstleistungen. Machine-to-Machine-Kommunikation (M2M) und automatisierte Abläufe reduzieren Kosten und verbessern die Geschwindigkeit von Transaktionen. Cloud-basierte Plattformen bieten skalierbare Lösungen für Datenverarbeitung und Sicherheit. Gleichzeitig treiben sie die Integration neuer Technologien wie Quantum Computing voran, die in der Zukunft die Verschlüsselung und Datenanalyse revolutionieren könnten.

Ausblick der Digitalisierungstrends

Die Finanzbranche steht an einem Wendepunkt. Digitale Banken haben die Chance, nicht nur Technologien zu adaptieren, sondern als Wegbereiter einer inklusiveren und effizienteren Finanzwelt aufzutreten. Die Verknüpfung von KI, IoT und Blockchain wird es ermöglichen, personalisierte Finanzprodukte anzubieten, die gleichzeitig sicher und skalierbar sind. Zukünftige Innovationen wie Quantum Computing könnten zudem die Sicherheitsstandards weiter erhöhen und die Datenverarbeitung revolutionieren.

Welcher ist der 6. Digitalisierungstrend?

Helfen Sie den 6. Digitalisierungstrend zu benennen? Nehmen Sie hierzu an der Twitter-Umfrage teil. Selbstverständlich freue ich mich auch über Kommentare und eine spannende Diskussion:

Data Science Toolbox: How to use Julia with Tableau

Julia in Tableau: R allows Tableau to execute Julia code on the fly, enhancing your data analytics experience.
Julia in Tableau: R allows Tableau to execute Julia code on the fly, enhancing your data analytics experience.

Michael, a data scientist, who is working for a German railway and logistics company, recently told me during a FATUG Meetup that he loves Tableau’s R integration and Tableau’s Python integration. As he continued, he raised the question of using functions they have written in Julia. Julia, a high-level dynamic programming language for high-performance numerical analysis, is an integral part of the newly developed data strategy in Michael’s organization.

Tableau, however, does not come with native support for Julia. I didn’t want to keep Michael’s team down and was looking for an alternative way to integrate Julia with Tableau.

This solution is working flawlessly in a production environment for several months. In this tutorial, I’m going to walk you through the installation and connecting Tableau with R and Julia. I will also give you an example of calling a Julia statement from Tableau to calculate the sphere volume.

Step by Step: Integrating Julia in Tableau

1. Install Julia and add PATH variable

You can download Julia from julialang.org. Add Julia’s installation path to the PATH environment variable.

2. Install R, XRJulia, and RServe

You can download base R from r-project.org. Next, invoke R from the terminal to install the XRJulia and the RServe packages:

> install.packages("XRJulia")
> install.packages("Rserve")

XRJulia provides an interface from R to Julia. RServe is a TCP/IP server that allows Tableau to use facilities of R.

3. Load libraries and start RServe

After packages are successfully installed, we load them and run RServe:

> library(XRJulia)
> library(Rserve)
> Rserve()

Make sure to repeat this step every time you restart your R session.

4. Connecting Tableau to RServe

Now let’s open the Help menu in Tableau Desktop and choose Settings and Performance >Manage External Service connection to open the External Service Connection dialog box:

TC17 External Service Connection

Enter a server name using a domain or an IP address and specify a port. Port 6311 is the default port used by Rserve. Take a look at my R tutorial to learn more about Tableau’s R integration.

5. Adding Julia code to a Calculated Field

You can invoke Calculated Field functions called SCRIPT_STR, SCRIPT_REAL, SCRIPT_BOOL, and SCRIPT_INT to embed your Julia code in Tableau, such as this simple snippet that calculates sphere volume:


SCRIPT_INT('
library(XRJulia)
if (!exists("ev")) ev <- RJulia()
y <- juliaEval("
4 / 3 * %s * ' + STR([Factor]) + ' * pi ^ 3
", .arg1)
',
[Radius])

view raw

tc17_julia_tableau_sphere.txt

hosted with ❤ by GitHub

6. Use Calculated Field in Tableau

You can now use your Julia calculation as an alternate Calculated Field in your Tableau worksheet:

Using Julia within calculations in Tableau (click to enlarge)
Using Julia calculations within Tableau (click to enlarge)

Feel free to download the Tableau Packaged Workbook (twbx) here.

Further Reading: Mastering Julia

If you want to go beyond this tutorial and explore more about Julia in the context of data science, I recommend the book Mastering Julia. You can find it here.

Further Reading: Visual Analytics with Tableau

Join the data science conversation and follow me on Twitter and LinkedIn for more tips, tricks, and tutorials on Julia in Tableau and other data analytics topics. If you’re looking to master Tableau, don’t forget to preorder your copy of my upcoming book, Visual Analytics with Tableau. (Amazon). It offers an in-depth exploration of data visualization techniques and best practices.

Also, feel free to comment and share my Tableau Julia Tutorial tweet:

Social Media and the Customer-centric Data Strategy #data17 #resources

Social media marketing mix
Do you analyze your social media marketing mix? | Photo Credit: via Richard Goodwin

With over 3 billion active social media users, establishing an active presence on social media networks is becoming increasingly essential in getting your business front of your ideal audience. These days, more and more consumers are looking to engage, connect and communicate with their favorite brands on social media.

Adding social media to your customer-centric data strategy will help boost brand awareness, increase followership, drive traffic to your website and generate leads for your sales funnel. In 2017, no organization should be without a plan that actively places their brand on social media, and analyzes their social media data.

Once you’ve started diving into social media analytics, how do you bring it to the next level? This session covers a customer-centric data strategy for scaling a social media data program.

Here are the links (i.e. additional resources) featured during the session to help you formulate your social media data program in order to build a stronger presence and retrieve powerful insights:

The Data Opportunity

TC17 Social Media Slides: The Data Opportunity

Focus on relevant metrics for your strategy

TC17 Social Media Slides: Sentiment Analysis

How to get Social Media in Tableau?

TC17 Social Media Slides: 3rd Party Platform Talkwalker

Tips to Level Up

TC17 Social Media Slides: Unshorten URLs in Tableau with R

Tutorials and Slide Set

The slides and tutorials presented at Tableau Conference on Tour in Berlin are also available on SlideShare, and on YouTube in English and German.

English Tutorials

German Tutorials

Slide Set

Tableau Conference TC17 Sneak Peek: Integrating Julia for Advanced Analytics

Demo: using Julia within calculations in Tableau (click to enlarge)
Demo: using Julia calculations within Tableau (click to enlarge)

We have already seen some love from Tableau for R and Python, boosting Tableau’s Advanced Analytics capabilities.

So what is the next big thing for our Data Science Rockstars? Julia!

Who is Julia?

JuliaJulia logo is a high-level dynamic programming language introduced in 2012. Designed to address the needs of high-performance numerical analysis its syntax is very similar to MATLAB. If you are used to MATLAB, you will be very quick to get on track with Julia.

Compared to R and Python, Julia is significantly faster (close to C and FORTRAN, see benchmark). Based on Tableau’s R integration, Julia is a fantastic addition to Tableau’s Advanced Analytics stack and to your data science toolbox.

Where can I learn more?

Do you want to learn more about Advanced Analytics and how to leverage Tableau with R, Python, and Julia? Meet me at the 2017 Tableau Conferences in London, Berlin, or Las Vegas and join my Advanced Analytics sessions:

Will there be an online tutorial?

Yes, of course! I published tutorials for R and Python on this blog. And I will also publish a Julia tutorial soon. Feel free to follow me on Twitter @xlth, and leave me your feedback/suggestions in the comment section below.

Further reading: Mastering Julia

A German translation of this post is published on the official Tableau blog: Tableau Conference On Tour Sneak Peek: Julia-Integration für Advanced Analytics

Update 11 Oct 2017: The Julia+Tableau tutorial blog post is now published.

Digitale Banken: Die Chancen von Blockchain, Künstlicher Intelligenz und Machine Learning

Commerzbank Tower: Zahlt sich für Digitale Banken die Kooperation mit Fintechs aus?
Commerzbank Tower: Zahlt sich für Digitale Banken die Kooperation mit Fintechs aus? (Foto: Flickr)

Die Zukunft digitaler Banken 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.

Künstliche Intelligenz in digitalen Banken

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.

Zudem ermöglicht KI die Analyse riesiger Datenmengen in Echtzeit. Systeme, die Daten aus Twitter und anderen öffentlichen Quellen in nutzbare Signale verwandeln, identifizieren die relevantesten Informationen und bieten Finanzinstituten präzise Marktanalysen. Ein Beispiel ist die Bitcoin-Sentiment-Analyse, die Einblicke in Markttrends liefert und Handelsentscheidungen optimiert.

M2M-Lösungen rationalisieren Cloud-basierte Authentifizierung

Zwillingstürme der Deutschen Bank
Deutsche Bank (Foto: Flickr)

Allerdings müssen Zahlungsinteraktionen direkt von Gerät zu Gerät immer noch Barrieren überwinden, wie z.B. das Gewährleisten einer nahtlosen Authentifizierung zwischen den Endgeräten. Bis solche M2M-Lösungen (Machine-to-Machine) mit nahtloser Authentifizierung herstellerübergreifend verfügbar sind, werden sich Geräte weiterhin über Services in der Cloud authentifizieren, bevor Transaktionen ausgeführt werden.

In der Zukunft könnten jedoch dezentrale Identitätssysteme auf Blockchain-Basis diese Barrieren beseitigen. Benutzer könnten digitale Identitäten erstellen, die unabhängig von zentralisierten Plattformen arbeiten und so den Authentifizierungsprozess revolutionieren.

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. Digitale Banken und Fintechs können dem Handel mit Gamification helfen das mobile Zahlen für Kunden attraktiver machen.

Künftig könnten KI-gesteuerte Finanz-Avatare das Zahlungserlebnis personalisieren und Kunden spielerisch motivieren, ihre Finanzziele zu erreichen. Zum Beispiel könnten Kunden für das Einhalten von Sparzielen virtuelle Belohnungen erhalten, die in Rabatte oder Cashback-Programme umgewandelt werden.

Blockchain ermöglicht kostengünstige Transaktionsüberprüfung in digitalen Banken

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.

Langfristig könnten Smart Contracts weitreichende Auswirkungen haben, indem sie komplexe Finanzprodukte automatisieren. Hypotheken, Kredite und Versicherungsverträge könnten ohne Zwischenhändler verwaltet werden, wodurch Kosten gesenkt und Prozesse beschleunigt würden.

Maschinelles Lernen verbessert die Zahlungssicherheit für digitale Banken

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.

Darüber hinaus könnten in Zukunft KI-gestützte Sicherheitssysteme Betrugsversuche präventiv blockieren, indem sie kontinuierlich Muster in Transaktionen analysieren und automatisch Anpassungen vornehmen. So entsteht eine dynamische Sicherheitsarchitektur, die sich in Echtzeit weiterentwickelt.

Ausblicke für digitale Banken

Die Zukunft digitaler Banken wird von einer Symbiose aus Blockchain, KI und maschinellem Lernen geprägt sein. Dezentrale Finanzsysteme (DeFi) könnten traditionelle Bankenstrukturen herausfordern und ein transparentes, faires Finanzwesen schaffen. Künstliche Intelligenz könnte die Finanzberatung demokratisieren, indem sie personalisierte Anlageempfehlungen auch für kleinere Anleger erschwinglich macht.

Wir stehen an der Schwelle zu einer Ära, in der Finanzinstitute nicht nur Technologietreiber, sondern auch Treiber sozialer Innovationen sein werden. Mit diesen Entwicklungen werden Banken zunehmend als Plattformen für digitale Identitäten, nachhaltige Investitionen und globale Finanzintegration agieren.