Oft wird angenommen, die ohnehin schon immer mit Daten, Zahlen und Computern hantierenden Finanzabteilungen seien vom digitalen Wandel nicht (oder nur am Rande) betroffen. Für viele Unternehmen stellt sich das jedoch als eventuell teurer Irrtum heraus. Big Data, Self-Service und Predictive Analytics gewinnen auch in der Finanz-Analytik immer mehr an Bedeutung. Business-Intelligence-Systeme (BI) müssen sich weiter entwickeln, um mit der Digitalisierung Schritt halten zu können. Neue Finanz-Analytics-Anwendungen und Trends entstehen. Manche verschwinden wieder, andere werden zum Standard. Letztere frühzeitig zu erkennen hilft, das enorme Potenzial Ihrer Finanzdaten besser zu nutzen um die Entwicklung Ihres Unternehmens voranzubringen.
Als General Motors 2010 Daniel Akerson auf den GM-Chefposten berief, stand der Konzern vor einigen Herausforderungen (Englisch). Aufgrund der Verbindungen von Akerson zur Welt der Finanz-Analytik kam die damalige Übernahme von AmeriCredit aber nicht überraschend. Die Kaufsumme von rund 3,5 Milliarden Dollar zahlte General Motors in bar.
Daniel Akersons Kommentar in dieser Sache: er wäre dabei, die „IT- und Buchhaltungs-Systeme auf Weltklasse-Niveau zu bringen, um Chancen schnellstmöglich wahrzunehmen und unser Produktprogramm vor negativen äußeren Einflüssen zu schützen.“ Wie das Fortune Magazine berichtete, arbeitet General Motors an der Zukunft des Fahrens. Das Unternehmen prognostiziert eine „vernetzte, nahtlose und autonome“ Zukunft des Autofahrens.
Finanzchefs sind nicht bekannt dafür, den Einfluss von Innovationen und Kennzahlen, heute als „Analytics“ bezeichnet, zu unterschätzen. Accenture definiert den Finanzleiter als „Architekten des Unternehmenswerts“. Doch noch 2014 betrieben viele Firmen Insellösungen für strukturierte Daten, die nicht konsistent definiert waren. Das erschwerte das Extrahieren von Informationen aus unterschiedlichen Geschäftsbereichen.
Das Problem ist bekannt, also was tut sich im Bereich Finanz-Analytics?
1) Big Data wächst mit dem Internet der Dinge
Datengenauigkeit ist immer noch ein kritischer Faktor. Oder, wie der Ingenieur und Statistiker W. Edwards Deming sagte: „Wir vertrauen auf Gott. Alle anderen müssen Daten liefern.“ Natürlich sind wir uns einig, dass nicht alle Daten immer nützlich sind. Aber je größer die Bandbreite an verschiedenen Datenquellen, desto genauer wird das Gesamtbild. Mit 6,4 Milliarden vernetzten Endgeräten steigen die Herausforderungen, und die Finanzabteilungen sind immer stärker gefordert.
2) Digitalisierung macht Finanzorganisationen überflüssig
Mit Big Data aus neuen strukturierten und unstrukturierten Datenquellen entstehen mehr Risiken – aber auch mehr Chancen. Immer mehr Führungskräfte verändern ihren Entscheidungsprozess aufgrund immer ausgefeilterer Möglichkeiten zur Datenspeicherung und -analyse. In den USA gibt es heute 111 Millionen Mobile-Banking-Nutzer, 2010 waren es nur 35 Millionen. Banken übernehmen E-Commerce-Taktiken, um die Kundenabwanderung gering zu halten und ihre Absatzchancen zu erhöhen.
3) Alle Daten wandern früher oder später in die Cloud
Die Cloud wird immer stärker für Data-Warehousing genutzt. Die Frage in der Informationstechnologie lautet daher nicht mehr ob, sondern wann alle Daten in der Cloud sind. Und wenn Ihre Daten dort sind, sollte Ihre Analytics es auch sein. Mit der OpenText™ Cloud profitieren Sie gleich zweifach. Sie speichern Ihre Daten bei dem Branchenführer für Enterprise Information Management. Und Sie laden Ihre Daten in eine spaltenorientierte Datenbank – egal, ob über Frontend oder Backend.
4) Compliance-Audits bleiben eine Herausforderung
Die Aufbereitung der Daten über Self-Services wird zum entscheidenden Faktor für bessere Daten-Audits. Analysten sehen in der Datenaufbereitung über Self-Services die nächste Zäsur des Marktes. Bereits 2019 soll diese Funktionalität für 9,7% der Ertragschancen im globalen Markt für Wirtschaftsinformatik sorgen.
OpenText™ Big Data Analytics bietet Finanz-Analysten beispielsweise die folgenden, einfach zu bedienenden Self-Service-Tools zur Datenaufbereitung:
- Datenaufbereitung – Tools wie Normierung, lineare Skalierung, logistische Skalierung oder Softmax-Skalierung
- Daten anreichern – Aggregation, Dekodieren, Variablen, numerische Intervalle, Quantil-Intervalle, Parametrisieren oder Rangordnung
- Daten-Audit – Anzahl, Wölbung, Maximum, Mittelwert, Median, Minimum, Modus, Schiefe, Summe oder Standardabweichung
5) Unternehmen sollten Analytics nicht für Berichte, sondern für Entscheidungen nutzen
Analysten entwickelten das Konzept einer „Wirtschaft der Algorithmen“ als nächste Stufe der digitalen Wirtschaft. 2018 werden mehr als die Hälfte aller großen globalen Organisationen Advanced Analytics und firmeneigene Algorithmen nutzen, um sich Wettbewerbsvorteile zu schaffen – so die Prognose. Und das revolutioniert ganze Branchen.
6) Analytics ist mehr als nur Reporting
Analytics entwickelt sich weiter, und natürlich stehen wirtschaftliche Aspekte dabei im Mittelpunkt. Zukünftige Algorithmen werden nicht nur Erkenntnisse liefern und die Entscheidungsfindung erleichtern – sie werden sogar an Ihrer Stelle Entscheidungen treffen. 49% aller Unternehmen nutzen heute Predictive Analytics, weitere 37% planen einen Einsatz in den kommenden drei Jahren.
Predictive Analytics für Big Data gilt nicht erst seit heute als eine der Grundlagen für erfolgreiche Finanzdienstleister. Neu daran ist: alle Business-Anwender können mit Tools wie OpenText™ Big Data Analytics ganz einfach zukunftsweisende Erkenntnisse gewinnen.
Francisco Margarite, IT-Leiter bei der Inversis Bank, sagt: „Unsere technischen Experten haben früher sehr viel Zeit aufwenden müssen, um Informationen zu extrahieren und zu analysieren. Die Folge: Wir konnten keinen angemessenen Service bieten. Heute können unsere Nutzer selbstständiger agieren, und unsere IT ist nicht mehr so überlastet.“
Was Analytics für Sie tun kann – einige Beispiele:
- Venn-Diagramm: Finden Sie heraus, welche Kunden „Versicherung A“ und „Versicherung C“ abgeschlossen haben, nicht aber „Versicherung B“. Erstellen Sie ein Profil und eine für andere zugängliche Liste.
- Profile: Identifizieren Sie Variablen für die Kundensegmentierung, damit Ihr Unternehmen Werbekampagnen besser personalisieren kann.
- Entscheidungsbaum: Finden Sie die passende Immobilie für jeden potenziellen Kunden, basierend auf dessen Profil und den Merkmalen des Objekts (Preis, Größe, usw.). Möglicherweise interessant für HR-Abteilungen ist die Analyse von Social Media-Daten, um Personen mit Affinität zum Unternehmen oder seinen Produkten zu rekrutieren.
- Prognosen: Kalkulieren Sie Veränderungen, Trends und saisonale Schwankungen im Voraus ein. Prognostizieren Sie treffsicher Vertriebschancen; schätzen Sie die Anzahl der Bestellungen und damit verbundene Risiken bereits im Vorfeld richtig ein. Nutzen Sie beispielsweise Sensordaten, um Fehler im Auszahlungsprozess von Geld-Automaten vorherzusagen.
7) Finanzdaten bieten entscheidende Hinweise bei der Prognose einschneidender Ereignisse mittels Analytics
Soziale und politische Entwicklungen können gravierenden Einfluss auf ein Unternehmen oder sogar ein ganzes Land ausüben. Wer Analytics einsetzt, kann diesen Entwicklungen um einen entscheidenden Schritt voraus sein. Das Interesse daran wächst. Das zeigen Beispiele aus der jüngsten Vergangenheit wie die CaixaBank oder MasterCard, bei denen Finanzdaten die entscheidenden Hinweise gaben. Mittlerweile lässt sich auch Big Data aus den sozialen Medien zur Stimmungsanalyse nutzen.
8) Künftige Emotionsanalysen profitieren von einem besseren Analytics-Modell
Eine Stimmungsanalyse in den sozialen Medien deckt Risiken und Betrügereien auf, sodass Sie entsprechende Maßnahmen für die Zukunft setzen können. Bedenken Sie aber, dass eine ausschließliche Betrachtung von Emotionen oder Stimmungen viele falsch positive Ergebnisse liefern kann.
9) Anwendungen in Echtzeit zu managen, zu überwachen und Fehler zu beheben, ist heute unternehmenskritisch
Je größer das Vertrauen in neue Software ist, desto weiter schreitet der digitale Wandel voran. Hinter der steigenden Bedeutung von Analytics steht die tatsächliche Anforderung an Unternehmen: die Notwendigkeit zur vollständigen Transparenz und Flexibilität.
10) Die Kunden zu kennen und ihnen relevante Informationen zu bieten, bleibt ein wesentliches Differenzierungsmerkmal
Ein Beispiel: TransUnion ersetzte 2015 seine relationalen Datenbanken durch integrierte und Predictive Analytics – und schrieb erstmals seit 2012 wieder schwarze Zahlen. Vor der Systemumstellung war die IT die Hälfte der Zeit mit der Wartung der alten Infrastruktur beschäftigt. Etwa 60% des Budgets flossen in die Verwaltung der Altsysteme, laut Angaben des Unternehmens sind es heute nur noch 40 bis 45%.
Sobald Sie Erkenntnisse aufgrund von Predictive Analytics gewonnen haben, müssen Sie diese auch der richtigen Person zur Verfügung stellen. Dabei spielt es keine Rolle, ob Sie Prognosen über Betrugsrisiken, Straftaten oder finanzielle Ergebnisse erstellen. Prognosemöglichkeiten werden von 77% der Unternehmen als einer der Hauptgründe für den Einsatz von Self-Service Business Intelligence genannt. Höhere Kundenloyalität durch Verbesserung der Kundenzufriedenheit gilt als weiterer wichtiger Faktor.
Heutzutage können Unternehmen ihren Kunden maßgeschneiderte, personalisierte Erlebnisse bieten. Über Self-Services können Kunden ihre Daten verwalten und ihre Historie einsehen. Zusätzlich erhalten sie auch pro-aktive Empfehlungen und Informationen über weitere Produkte und Services. Damit können Unternehmen:
- Den Umsatz durch Cross-Selling erhöhen, indem sie ausgewählten Kunden neue Produkte oder Services vorschlagen
- Die Kundenbindung stärken, indem sie ihren Kunden über diverse Endgeräte Self-Service-Zugang mit personalisierter Oberfläche zu den eigenen Kontodaten bieten
- Die Kundenloyalität erhöhen, indem sie ihren Kunden eine interaktive Möglichkeit zur individuellen Anpassung der Finanzdaten-Analyse geben
- Für eine schnellere Markteinführung sorgen, indem die Self-Service APIs zur Implementierung neuer Funktionen in vorhandene Kundenapplikationen genutzt werden
Laut Howard Dresner bietet OpenText™ Information Hub ausgezeichnete integrierte Analytics und durch die spezielle Integration von Predictive Analytics mit OpenText Big Data Analytics Zugang zu wichtigen Prognoseerkenntnissen.
Jetzt herunterladen: TDWI-Studie „Operationalizing and Embedding Analytics for Action”
Erfahren Sie in diesem Report, dass es bei dem Betreiben und Einbetten von Analytics-Lösungen um mehr geht, als um statische Dashboards, die einmal am Tag aktualisiert werden. Verwertbare Analytics-Erkenntnisse müssen in Ihre Applikationen, Devices und Datenbanken integriert werden. Hier können Sie die Studie (Englisch) herunterladen.
Dieser Artikel wurde aus dem Englischen übersetzt.
