Analytics & Predictive Analytics

  • Durch die Digitalisierung von Geschäftsprozessen und die Intensivierung der Informationstechnologie wächst das Datenvolumen innerhalb von Unternehmen stetig. Die vernetzte Speicherung von betriebswirtschaftlichen und Systemdaten ermöglicht die vergangenheits-, ist- und zukunftsorientierte Auswertung der Daten, um fundierte betriebswirtschaftliche Entscheidung zu treffen. 
  • Zur Instrumentalisierung von Datenanalysen und Durchführung von zukunftsorientierten Datenanalysen sind relevanten Datenquellen zu identifizieren und Vorannahmen zur Erstellung von Algorithmen in Zusammenarbeit mit Unternehmen zu erarbeiten, um basierend auf Verhaltensmustern, Abhängigkeiten und dem Beziehungsgefüge Handlungsempfehlungen abzuleiten oder Kundenbedarf aufzudecken.
  • Durch die gezielte Kombination und Analyse von betriebswirtschaftlichen und Systemdaten werden Optimierungspotentiale und Trends in den Geschäftsprozessen eines Kreditinstituts sichtbar und Verantwortlichkeiten zur Entscheidung von präventiven oder mindernden Maßnahmen befähigt.
Use Case 1 | Batch Processing Pattern Recognition

  • Banken und Finanzinstitute haben eine Vielzahl von Datenströme, in denen sie Daten in Informationen umwandeln (historische hauptsächlich Batch-Prozesse).
  • ML/DL kann Muster im Datenfluss erkennen und die Datenqualität einer einzelnen Transaktion vorherzusagen. 
  • Darüber hinaus kann ML/DL hinweise geben, wie das Datenproblem zu lösen ist (von personalisierten E-Mails bis hin zu automatischen Korrekturen).
Buch: The Impact of Digital Transformation and FinTech on the Finance Professional

» OriginalPaper

Buchserie - Artikel

The Digital Journey of Banking and Insurance, Volume I
» Projektbericht zur praxisorientierten Umsetzung
» AI for Impairment Accounting

Use Case 2 | Immobilienrisiko

  • Umfassendes Konzept zum Risikomanagement und Werkzeuge für eine zeitgemäße Automatisierung der Informationserfassung von unstrukturierten Risikoinformationen
Buch: The Impact of Digital Transformation and FinTech on the Finance Professional 

» OriginalPaper

Use Case 3 | Value-Driver-Oriented Planning

  • Durch die Identifizierung der wichtigsten Werttreiber und die Straffung des Planungsprozesses können sich FSI-Organisationen auf die wichtigsten Treiber konzentrieren, um ihr Geschäftsmodell zu optimieren. 
  • Mit Hilfe von Sensitivitätsanalysen und Ansätzen aus dem Bereich der prädiktiven Analytik nutzt ifb die gewonnenen Erkenntnisse, um eine Bibliothek der wichtigsten KPIs zu entwickeln.
Buch: The Impact of Digital Transformation and FinTech on the Finance Professional

» OriginalPaper

Buchserie - Artikel

The Digital Journey of Banking and Insurance, Volume I
» Value-Driver-Oriented Planning – Management-Oriented Design and Value Driver Identification    ​​​​​​​

Use Case 4 | Financial Navigator

  • Referenzrahmen für Stresstests in einer Mehrperiodenrisikoanalyse
  • Ermöglicht ein wesentlich besseres Verständnis und eine bessere Reflexion der komplexen Wirkungskette im Kapitalplanungsprozess in Abhängigkeit von den Kundenbedürfnissen
  • Bietet eine umfassende Sicht auf simulierte Prognosen für das ökonomische Kapital unter Verwendung moderner Technologie und moderner Methoden (z.B. Open-Source-Software, Algorithmen für maschinelles Lernen, agentenbasierte Modellierung)Erleichtert die Ad-hoc-Kapitalplanung
  • Ermöglicht den Vergleich der Auswirkungen verschiedener Modelle auf die Ergebnisse
Buch: The Impact of Digital Transformation and FinTech on the Finance Professional

» OriginalPaper

Use Case 5 | Rating DL/ML

  • Modelle des maschinellen Lernens können die Vorhersagekraft durch nichtlineare Modellierung erheblich verbessern.
  • Die Verwendung von Tensorflow eröffnet neue Möglichkeiten zur Verbesserung der Bewertungsgenauigkeit. 
Buch: The Impact of Digital Transformation and FinTech on the Finance Professional 

» OriginalPaper

Buchserie - Artikel

The Digital Journey of Banking and Insurance, Volume I
» Financial Navigator – A Modern Approach to Analytical Banking​​​​​​​

Use Case 6 | Reduktion der Testdaten durch Repräsentanten-Identifikation

  • Die Prognose der RWA (und in Kombination mit der Kapitalentwicklung auch die CET1-Quote1) einer Bank ist eine zentrale Steuerungsaufgabe geworden.
  • Die (normative) Kapitalplanung be-nötigt Projektionen der RWA Entwicklung über mehrere Jahre
  • Ein Flash-Report wird erste Indikation der RWA und damit der CET1-Quote für den aktuellen Monat.
Use Case 7 | Nicht finanzielle Risiken

  • Der Use Case zeigt auch eine praktische Anwendung von Graphdatenbanken und Graphalgorithmen.
  • Der Use Case NFR zeigt, wie die verschiedenen Risikokategorien in einer zusammenhängenden Ansicht analysiert werden können, einschließlich der Analyse der Risikotreiber und der kompakten Managementdarstellung.
Bucheserie - Artikel

The Digital Journey of Banking and Insurance, Volume I
» Breaking New Grounds in Non-Financial Risk Management

The Digital Journey of Banking and Insurance, Volume II
» Sentiment Analysis for Reputational Risk Management
» Use Case – NFR – Using GraphDB for Impact Graphs 
» Use case – NFR – HR Risk 

The Digital Journey of Banking and Insurance, Volume III
» Graph Databases

Use Case 8 | Data Science & Machine Learning - Insurance

  • Was sind die Herausforderungen bei der Betrugsprävention im Versicherungsschadenmanagement?
  • Die üblichen Algorithmen (wie Autoencoder) und komplexere Algorithmen zur Erkennung von Anomalien können eine optimale Lösung bieten.
Bucheserie - Artikel

The Digital Journey of Banking and Insurance, Volume I
» Actuarial Data Science

The Digital Journey of Banking and Insurance, Volume II
» Use Case – Fraud Detection Using Machine Learning Techniques

The Digital Journey of Banking and Insurance, Volume III
» Special Data for Insurance Companies 

Use Case 9 | Machine Learning & Deep Learning

  • Die Techniken des maschinellen Lernens befassen sich mit der allgemeinen Mustererkennung oder der Konstruktion universeller Approximatoren von Beziehungen in den Daten in Situationen, in denen keine offensichtliche analytische Lösung a priori existiert. 
  • Als neuer Trend des maschinellen Lernens tauchte Deep Learning Ende des letzten Jahrhunderts auf und wurde zu einem der effizientesten Lernalgorithmen.
  • Viele der beliebten Frameworks für maschinelles Lernen und Deep Learning basieren auf Open-Source-Software.
Buch: The Impact of Digital Transformation and FinTech on the Finance Professional

» Mathematical Background of Machine Learning
» Deep Learning: An Introduction 

Buchserie - Artikel

The Digital Journey of Banking and Insurance Volume II
» Open-Source Software

The Digital Journey of Banking and Insurance Volume III
» Overview Machine Learning and Deep Learning Frameworks 
» Methods of Machine Learning
 

Sie wünschen weitere Informationen?

Wir rufen Sie gerne zurück!

Rückruf Service