Datenmanagement im Bankwesen: 34% Zeitersparnis bei der Datenverarbeitung

Innowise hat ein zentrales Repository zur Speicherung, Verarbeitung und Sicherung großer Datenmengen im Zusammenhang mit Firmenkunden, Bankkonten und Zahlungstransaktionen entwickelt.

Der Kunde

Branche

Banking

Region

Kunde seit

2021

Unser Kunde ist ein bekanntes Finanzinstitut, das Bankdienstleistungen für Privatkunden, Firmenkunden, Vermögensverwaltung, Versicherungen, Maklerdienste und vieles mehr anbietet. Das Unternehmen wurde Anfang des 20. Jahrhunderts gegründet und hat sich im Laufe der Jahrzehnte erheblich weiterentwickelt, indem es neue Technologien und Verfahren zur Verbesserung der Kundenerfahrung und der betrieblichen Effizienz eingeführt hat.

Detaillierte Information über den Kunden kann aufgrund der Bestimmungen des NDA nicht veröffentlicht werden.

Herausforderung

Uneinheitliche bankbezogene Daten aus verschiedenen Quellen, die die Entscheidungsfindung behinderten

Unser Kunde stand vor der Herausforderung, die riesigen und wachsenden Datenmengen über Firmenkunden, Bankkonten und Zahlungsverkehr zu verwalten und zu verwerten. Da die Daten über mehrere Altsysteme verstreut waren, sah sich die Bank mit erheblichen Problemen bei der Datenverarbeitung und -analyse konfrontiert und hatte Schwierigkeiten, zeitnahe Erkenntnisse für die Entscheidungsfindung zu gewinnen. Außerdem war die bestehende Infrastruktur nicht skalierbar, und die Aufrechterhaltung verschiedener veralteter Systeme war nicht mehr tragbar.

Ein weiteres Problem, das sich aus dieser zentralen Herausforderung ergab, war die Schwierigkeit, die strengen aufsichtsrechtlichen Anforderungen im Bankenbereich zu erfüllen. Die Systeme zur Datenspeicherung und -verwaltung waren verstreut, so dass es schwierig war, Daten effektiv zu verfolgen, zu melden und zu prüfen. Dies erhöhte das Risiko ungewollter Verstöße, da die Bankmitarbeiter viel Zeit für die Erfassung und Überprüfung von Daten aufwenden mussten.

Daher beauftragte der Kunde Innowise mit dem Aufbau einer robusten Data-Lake-Architektur, mit der die verschiedenen Datensätze in einer einzigen, skalierbaren und sicheren Umgebung konsolidiert werden können, um Datenmanagements im Bankwesen zu schützen. Sie suchten nach einer bequemen Datenmanagement-Software, um Informationen über Kunden, Konten und Transaktionen zu verfolgen und die aufsichtsrechtlichen Standards einzuhalten, indem sie den Zyklus von der Eingabe von Rohdaten bis zu verwertbaren Geschäftserkenntnissen beschleunigten.

Lösung

Entwicklung eines Data Lake zur Speicherung bereinigter und strukturierter Bankdaten

Wir entwickelten eine zentrale Datenmanagement-Software zur Speicherung und Integration von Datenströmen, die aus einer Vielzahl von Quellen stammen, darunter Electronic Banking, mobile Anwendungen und soziale Medien. Unsere erfahrenen Spezialisten implementierten eine Medallion-Lakehouse-Architektur und konzentrierten sich dabei auf einen ACID-gesteuerten, mehrschichtigen Ansatz, um eine einzige Quelle der Wahrheit für die Speicherung von Bankdaten zu schaffen.

Datenschichtung

Die Grundlage des Data Lake, die Bronzeschicht, enthält Rohdaten, die aus verschiedenen Quellen wie JSON-Dateien, RDBMS und anderen Quellen stammen und sicher in ihrer ursprünglichen Form gespeichert werden. Auf der Grundlage der Bronzeschicht verfeinert die Silberschicht diese Daten und bereinigt und normalisiert sie für erweiterte Analysen. Der Höhepunkt der Datenstruktur, die Goldschicht, enthält schließlich Aggregate auf Geschäftsebene für Berichte und Dashboarding auf höchster Ebene, die der Bank verwertbare Erkenntnisse liefern.

Unser Projektteam identifizierte alle potenziellen Datenquellen, darunter Transaktionssysteme, Kundendatenbanken, Online-Portale und vieles mehr. Unsere Spezialisten kartierten jede Datenquelle, um ihr Format, ihre Aktualisierungshäufigkeit und ihre Relevanz zu verstehen. Als den wichtigsten Schritt entwickelten wir automatisierte Pipelines für die Datenaufnahme mit ETL-Tools (Extrahieren, Transformieren, Laden), um verschiedene Datenformate wie CSV, JSON, XML und RDBMS zu verarbeiten. Je nach Art der Datenquelle haben wir Pipelines für die Echtzeit- oder Batch-Verarbeitung eingerichtet.

Echtzeit-Pipelines wurden für Datenströme verwendet, die sofort verarbeitet werden mussten (z. B. Transaktionsdaten), während die Stapelverarbeitung für weniger zeitkritische Daten reserviert war. Wenn Daten in die Bronzeschicht gelangen, durchlaufen sie einen ersten Validierungsprozess, bei dem sie auf Integrität, Formatkonsistenz und fehlerhafte oder unvollständige Datensätze geprüft werden.

Silberschicht: Datenverarbeitung und -veredelung

In dieser Phase konzentrierte sich unser Projektteam darauf, die Rohdaten aus der Bronzeschicht anzureichern und sie in ein strukturierteres und besser nutzbares Format zu überführen. Unsere geprüften Entwickler identifizierten und korrigierten typografische Fehler, Unstimmigkeiten im Datenformat und Diskrepanzen und entfernten doppelte Datensätze, um irreführende Erkenntnisse zu vermeiden. Für Datensätze mit fehlenden Werten wurden Imputations- und Kennzeichnungsstrategien implementiert, wobei diese Datensätze je nach Art und Bedeutung der verlorenen Daten zur weiteren Überprüfung weitergeleitet wurden.

Anschließend hat unser Projektteam die Daten durch Hinzufügen von relevantem Kontext oder zusätzlichen Informationen erweitert. So haben wir beispielsweise Transaktionsdaten mit demografischen Informationen über die Kunden angereichert, um eine umfassendere Analyse zu ermöglichen. Sobald die Daten verfeinert und aggregiert waren, wendeten wir Indizierungstechniken an, um Abfragen und Abrufe zu beschleunigen. Schließlich werden Daten aus verschiedenen Quellen mit Querverweisen versehen und verknüpft, während ähnliche Informationen aus verschiedenen Quellen in einheitlichen Datensätzen konsolidiert werden, was die Durchführung ganzheitlicher Analysen erleichtert. Indem wir dafür gesorgt haben, dass die Daten sauber, konsistent und gut strukturiert sind, haben wir den Weg für erweiterte Analysen und Business Intelligence in der Goldschicht geebnet.

Goldene Schicht: analysefähige Daten

Die Goldschicht ist die Spitze unserer Data-Lake-Architektur. Hier werden die Daten in analysefähige Informationen umgewandelt, die speziell für Analysen, Berichte und Entscheidungsfindung auf höchster Ebene zugeschnitten sind. Die Daten aus der Silberschicht werden weiter aggregiert, um umfassende Zusammenfassungen auf hoher Ebene zu erstellen. Wir haben uns darauf konzentriert, die Daten so zusammenzufassen, dass sie mit den wichtigsten Geschäftsmetriken und -zielen übereinstimmen, z. B. mit Kreditrisikobewertungen, Markttrends oder Kundensegmentierung.

Unsere Entwickler entwarfen und implementierten interaktive Dashboards und Berichte, die den Entscheidungsträgern der Bank Einblicke und Visualisierungen in Echtzeit bieten. Mit dem Schwerpunkt auf Sicherheit haben wir einen robusten Data-Governance-Rahmen geschaffen, um die Qualität, Nutzbarkeit und Sicherheit der Daten zu verwalten. Unsere Ingenieure sorgten für eine skalierbare Architektur, die wachsende Datenmengen und -komplexität ohne Leistungseinbußen bewältigt und die Integrität und Zuverlässigkeit der Analyseergebnisse gewährleistet.

In der Goldschicht haben wir Daten in ein strategisches Gut verwandelt, das es der Bank ermöglicht, fundierte Entscheidungen zu treffen, die Kundenbedürfnisse besser zu verstehen und in der wettbewerbsintensiven Bankenbranche die Nase vorn zu haben.

Auf der Grundlage verfeinerter bankbezogener Daten ermöglichte Innowise dem Kunden, die Methoden Next Best Action (NBA) und Next Best Offer (NBO) zu implementieren. NBA priorisiert einen kundenzentrierten Ansatz und analysiert die letzten Interaktionen, um die am besten geeigneten Maßnahmen vorzuschlagen, wie z. B. das Versenden von Geburtstagsnachrichten, die Verbesserung der Servicequalität, das Einholen von Feedback, die Bereitstellung von Onboarding-Anweisungen und vieles mehr. Durch den Einsatz von Predictive Analytics wählt NBA Maßnahmen aus, die auf die aktuelle Situation des Kunden zugeschnitten sind und auf positive Ergebnisse abzielen. Im Gegenzug optimiert NBO die Auswahl von personalisierten Angeboten aus der umfangreichen Produktpalette eines Kunden. NBO bewertet und schlägt automatisch Produkte vor, die bei den Kunden auf Resonanz stoßen, indem es Angebote zur richtigen Zeit, zum richtigen Preis und über die effektivsten Kanäle bereitstellt.

Darüber hinaus konsolidierten unsere Entwickler Daten aus verschiedenen Tabellen und Modellen, die im Data Warehouse gespeichert waren, um umfassende, kohärente und praktische Profile für jeden Kunden zu erstellen, die fundiertere Entscheidungen und Maßnahmen ermöglichen. Der umfassende und durchdachte Ansatz zur Verwaltung analysebereiter Daten stellt sicher, dass die Bank ihr Datenpotenzial voll ausschöpfen, die Konversionsraten erhöhen und das Wachstum vorantreiben kann.

Technologien

Datentechnik

Cloudera Data Platform, Hadoop, Spark, Airflow

Backend

Python, Schnelle API, Scala, Akka

Datenbank

MS SQL Server, Oracle

BI-Tools

Power BI, SSRS, QlickView

Prozess

Innowise gewann eine Ausschreibung, bevor das Projekt in Angriff genommen wurde. Nachdem wir die Ausschreibung gewonnen hatten, begannen wir mit der Datenmanagement-Softwareentwicklung und stellten unsere Fähigkeiten und unsere Übereinstimmung mit der Vision des Kunden unter Beweis.

Wir erstellten einen PoC mit dem Ziel, Kubernetes zu nutzen und von den bestehenden Cloudera-basierten Systemen wegzukommen. Aufgrund der Einschränkungen des aktuellen Rechenzentrums des Kunden gab es jedoch Anzeichen für ein Zögern bei der Implementierung und Unterstützung von Kubernetes.

In der Findungsphase führte unser Projektteam gründliche Untersuchungen durch, um die aktuelle Datenlandschaft zu verstehen und die wichtigsten Datenquellen und -anforderungen zu ermitteln. Später erstellten wir ein detailliertes Design, das die Bronze-, Silber- und Goldschicht für die Datenverarbeitung und -veredelung umfasste und einen nahtlosen Datenfluss gemäß den ACID-Prinzipien sicherstellte. Anschließend führten wir umfangreiche Tests durch, um die Integrität und Leistung des Data Lake zu gewährleisten, und implementierten einen Feedback-Mechanismus zur kontinuierlichen Verbesserung. Schließlich führte unser Projektteam den Data Lake erfolgreich ein, integrierte ihn in die bestehenden Systeme der Bank und bot den Mitarbeitern der Bank Schulungen und Unterstützung an.

Team

Business-Analysten

Projektmanager

BI-Entwickler

Dateningenieure

DevOps-Ingenieur

Ingenieur für Datenqualität

Ergebnisse

Rationalisierte Datenprozesse und Einhaltung gesetzlicher Vorschriften nach der Entwicklung des Data Lake

Die Implementierung des Data Lake für unseren Kunden aus dem Bankensektor hat in verschiedenen Dimensionen seines Geschäftsbetriebs zu transformativen Ergebnissen geführt. Das Unternehmen, das zuvor mit fragmentierten und unstrukturierten, über mehrere Quellen verteilten Informationen zu kämpfen hatte, kann nun mühelos auf Firmenkundendaten, Bankkonten und Zahlungsverkehrsinformationen zugreifen - und das mit Vorhersehbarkeit und Leichtigkeit. Die Teams der Bank arbeiten jetzt mit zuverlässigen und konsistenten Daten, die den Weg für genauere Analysen und Berichte ebnen. Die Konsolidierung der Daten in einer einzigen, skalierbaren Lakehouse-Architektur hat zu erheblichen Kosteneinsparungen bei der Datenspeicherung und -verwaltung geführt, da redundante Systeme abgeschafft und die Datenprozesse rationalisiert wurden.

Die Integration von automatisierten Datenpipelines und optimierten Datenebenen hat die Datenverarbeitungszeit erheblich verkürzt, was eine schnellere Entscheidungsfindung und einen reaktionsschnelleren Kundenservice ermöglicht.

Außerdem konnte unser Kunde das Kundenbeziehungsmanagement und die Unternehmensleistung verbessern, indem er personalisierte, zeitnahe und relevante Aktionen und Angebote auf der Grundlage verfeinerter und standardisierter Daten bereitstellte. Durch diesen Ansatz konnten Konversionen und Umsätze gesteigert und Marketingbudgets optimiert werden, indem maßgeschneiderte Angebote nur an interessierte Interessenten gerichtet wurden.

Darüber hinaus wird mit dem neuen Data Lake die Compliance-Berichterstattung in einer Branche effizienter, in der Rechtsverstöße erhebliche Folgen haben können.

Projektdauer

März 2021 - Laufend

34%

Verkürzung der Datenverarbeitungszeit

26%

Verbesserung der Berichterstattung über die Einhaltung der Vorschriften

Unsere aktuellen Fallstudien

Kontaktieren Sie uns!

Einen Anruf buchen oder füllen Sie das Formular unten aus und wir melden uns bei Ihnen, sobald wir Ihre Anfrage bearbeitet haben.

Name

Unternehmen

E-Mail

Telefon

Nachricht Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten und andere Infos bei.

Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten
und andere Infos bei.

Hängen Sie nach Bedarf zusätzliche Dokumente an.

Datei hochladen

Sie können bis zu 1 Datei von insgesamt 2 MB anhängen. Gültige Dateien: pdf, jpg, jpeg, png

Bitte beachten Sie, dass Innowise mit dem Anklicken der Schaltfläche 'Senden' Ihre persönlichen Daten nach der Datenschutzrichtlinie verarbeiten wird, um Ihnen die gewünschten Informationen zukommen zu lassen.

Wie geht es weiter?

Sobald wir Ihre Anfrage erhalten und bearbeitet haben, werden wir uns mit Ihnen in Verbindung setzen, um Ihre Projektanforderungen zu besprechen und eine NDA (Vertraulichkeitserklärung) für die Vertraulichkeit der Informationen zu unterzeichnen.

Nach der Prüfung der Anforderungen erstellen unsere Analysten und Entwickler einen Projektvorschlag, der Arbeitsumfang, Teamgröße, Zeit- und Kostenschätzung enthält.

Wir vereinbaren einen Termin mit Ihnen, um das Angebot zu besprechen und eine Vereinbarung mit Ihnen zu treffen.

Wir unterzeichnen einen Vertrag und beginnen umgehend mit der Arbeit an Ihrem Projekt.

Brauchen Sie andere Services?

FinTech-Software-Entwicklungsdienstleistungen

API-Integrationsdienste für Zahlungsgateways

Payment-Hub-Lösungen für Banken

Bankensoftware-Entwicklungsdienste

Entwicklung von Mobile-Banking-Apps

Unternehmen für Business Intelligence

Business Intelligence-Beratung

Unternehmen für Datenanalyse

Datenanalyseservices für das Gesundheitswesen

Services für FinTech Consulting

Unternehmen für Power-BI-Beratungsdienste

Python-Entwicklungsunternehmen

Datenmanagement im Bankwesen: 34% Zeitersparnis bei der Datenverarbeitung

Der Kunde

Herausforderung

Uneinheitliche bankbezogene Daten aus verschiedenen Quellen, die die Entscheidungsfindung behinderten

Lösung