Sie wollen mehr über das Leistungsspektrum der msg-Gruppe erfahren? Dann besuchen Sie die Internetseiten der msg und der msg-Gruppenunternehmen.

Besuchen
 
msgforbankingmsgforbanking
  • Aktuelle Webseite
    Alle msg-Seiten
    • AKTUELLES
      • Startseite
      • News
      • Publikationen
      • Termine
    • THEMEN
      • Aufsichtsrecht & Meldewesen
      • Capital Markets
      • Geschäftsmodelle & Nachhaltigkeit
      • Banksteuerung & Risikomanagement
      • #insidemsggillardon
      • Payments, Innovation & Fintech

    msgGillardonmsgGillardon

24.06.2019

Geschäftsmodelle & Nachhaltigkeit

Datenqualität im Blickpunkt - Erkennung von Anomalien mit maschinellen Lernverfahren

Daten bilden die Grundlage für die Banksteuerung und Vertriebssteuerung. Alle Steuerungsinstrumente sind nur so gut, wie die Qualität der zu Grunde liegenden Datenbasis. Neue Ansätze aus dem Bereich Big Data und künstliche Intelligenz (BDAI) ermöglichen effiziente Validierungsprozesse zur Gewährleistung der Datenqualität.

Das Validieren von großen Datenbeständen auf inhaltliche Konsistenz und die Sicherstellung der Datenqualität spielen für Banken und Finanzinstitute eine wesentliche Rolle. Dies sicher zu stellen ist bei großen Datenbeständen oft nicht einfach. Gerade durch die immense Anzahl an Daten ist ein manuelles Erkennen auffälliger Datensätze allein durch den Menschen nicht mehr möglich. Hier ist der Einsatz moderner IT unumgänglich.

Ein einfacher Ansatz zum Filtern von möglichen fehlerhaften Daten sind klassische regelbasierte Ansätze. Bei dem regelbasierten Ansatz erstellt der Experte feste Regeln, denen Datensätze genügen müssen. Eine sehr einfache Regel ist zum Beispiel alle Datensätze zu filtern, bei denen Personen älter als 100 Jahre sind (Siehe Abbildung). Nach der regelbasierten Verfahren: Es werden nur die möglicherweise fehlerhaften Datensätze identifiziert, die diese vorab definierten statischen Regeln verletzen. Dabei können mehrere inkonsistente Daten nicht erkannt werden. Dies ist in der folgenden Abbildung visualisiert.

Graphik1

Des Weiteren ist es schwierig für die Vielzahl der Daten Regeln festzulegen. Auch können sich diese im zeitlichen Verlauf ändern, sodass eine Adjustierung nötig ist.

Zusammengefasst weisen klassische regelbasierte Ansätze folgende Schwachstellen auf:

  • Beim regelbasierten Ansatz müssen die Grenzen, welcher Datenpunkt als auffälliger Ausreiser deklariert wird, explizit vorgegeben werden.
  • Datenpunkte, die in sich nicht stimmig sind, aber dennoch fehlerhaft sind, werden nicht erkannt, da die Regeln immer eindimensional auf ein Datenmerkmal angewendet werden.
  • Notwendigkeit der zeitlichen Überwachung und ggf. Adjustierungen der Regeln.

 

Automatisierung der Überwachung durch maschinelle Lernverfahren.

Durch Anwendung von maschinellen Lernverfahren kann der Prozess zur Überwachung der Datenqualität weitestgehend automatisiert werden. Dabei kommen Algorithmen ins Spiel, die auch im Bereich der künstlichen Intelligenz verwendet werden. Die Verfahren stehen den Experten somit als Assistenzsystem zur Verfügung und reduzieren dessen Aufwand. Damit ist dieser Einsatz auch ressourcensparend, sodass der Experte die freiwerdende Zeit für andere Tätigkeiten verwenden kann.

Auf Basis des Algorithmus können auch große Datenbestände effizient ausgewertet werden. Die auffälligen Datensätze können somit ressourcenschonend und gezielt nachbearbeitet werden.

Dabei werden alle Datenpunkte unabhängig von einem Algorithmus bewertet. Auffällige Ausreiser werden anschließend gezielt vom Datenqualitätsmanager überprüft, ob diese tatsächlich fehlerbehaftet sind und korrigiert werden müssen.

Graphik2

Der Ansatz über maschinelle Lernverfahren bietet somit folgende Vorteile:

  • Es müssen vor der Überprüfung keine Regeln vorgegeben werden. Die Regeln zur Detektion anomaler Datenbestände werden durch den Algorithmus selbst ermittelt (Maschinelles Lernen). Optional können auch Regeln explizit durch den Experten vorgegeben werden. Dies kann zum Beispiel auch bei einer Nachselektion erfolgen.
  • Datensätze werden nicht eindimensional pro Datenmerkmal einzeln ausgewertet, sondern es werden alle Merkmale je Datensatz in der Gesamtkomposition (Mehrdimensional) betrachtet.
  • Bei jeder Neuvalidierung des Datenbestandes durch den Algorithmus werden die Regeln automatisch adjustiert. Somit sind keine manuellen Tätigkeiten im Monitoring und der manuellen Regelbildung notwendig.

In der nachfolgenden Abbildung wird die Methodik an einem einfachen Datensatz dargestellt. Dabei ist deutlich erkennbar, dass weitestgehend alle Aussreißer (rot markiert) erkannt werden. Die detektierten Datensätze können nun gezielt durch den Menschen plausibilisiert werden.

 Graphik3

Dieser automatisierte und ressourcensparende Ansatz bildet das ideale Assistenzsystem für Datenqualitätsverantwortliche in Banken und Sparkassen.

Ich stehe gerne als  Ansprechpartner für Ihre individuellen Fragen bereit!

Kontakt

  • Andreas Kanz
  • Business Consultant
  • +49 (0) 162 / 7795 173
  • andreas.kanz@msg-gillardon.de

BANKING.VISION: die meist gelesenen Artikel

Neue HGB Risikovorsorge BFA 7 - Pauschalwertberichtigungen
Banksteuerung & Risikomanagement , Coronavirus , Adressrisiko , Verwertungsrisiko

Neue HGB Risikovorsorge BFA 7 - Pauschalwertberichtigungen

In diesem Blog-Beitrag erhalten Sie eine Kurzzusammenfassung der Berechnungsalternativen für die Pauschalwertberichtigungen nach IDW RS BFA 7 und einen Hinweis auf ein passendes Webinar, sowie weiterführende Publikationen.

Die Implikationen des Ukraine-Kriegs für Finanzunternehmen
Finance, Risk & Compliance , Banksteuerung & Risikomanagement

Die Implikationen des Ukraine-Kriegs für Finanzunternehmen

Von global agierenden Banken bis zu kleinen Zahlungsdienstleistern, der Ukraine-Krieg zwingt Finanzunternehmen, ihre Strategie zur Bekämpfung von Finanzkriminalität auf den Prüfstand zu stellen.

Aufsichtliche Schwerpunkte 2019

Aufsichtliche Schwerpunkte 2019

Die BaFin hat die bankaufsichtlichen Schwerpunkte für das Jahr 2019 veröffentlicht.

Kontakt

msg GillardonBSM AG
Amelia-Mary-Earhart-Straße 14
60549 Frankfurt a. M.
+49 69 580 045 - 0
info-banking@msg.group

  •    
  •    
  •    
  •    

Aktuell bei BANKING.VISION

Banking.Vision by msgGillardon

Banking.Vision ist die neue Plattform von msg GillardonBSM für aktuelle Themen im Banking. Hier veröffentlichen unsere Experten Blogbeiträge, Artikel, Videos und Newsletter, vermitteln fundiert Informationen und Hintergründe und Sie kommen mit Experten der Branche Banking ins Gespräch.

© 2022 Banking.Vision by msg GillardonBSM
  • Datenschutz
  • Impressum
  • AGBS
  • Search
  • Menu
    • Themengebiete
      • Strategie & Geschäftsmodelle
      • Finance, Risk & Compliance
      • Capital Markets
      • Payments
      • Digital Transformation & IT
      • Financial Artificial Intelligence
    • Beratung & Services
      • Business Consulting
      • IT Consulting
      • SAP Banking
      • Salesforce Consulting
      • Software Engineering
      • IT Projekte
      • Application Management
    • Software
      • MARZIPAN
      • THINC
      • ORRP
      • EGP
      • BAIS
      • bankplanung.punkt
      • Metamaster
      • Rechenkerne & Kalkulationsservices
      • IDA
      • XEKU
    • Unternehmen
      • Über uns
      • Nachhaltigkeit
      • Veranstaltungen
      • Publikationen
      • Studien
      • Karriere
      • Standorte
Cookie-Einstellungen

Die msg GillardonBSM AG verwendet Cookies, um Ihnen ein möglichst optimales und auf Ihre Bedürfnisse zugeschnittenes Webseiten-​Erlebnis zu bieten. Dazu zählen Cookies, die für den reibungslosen Betrieb der Seite und deren Sicherheit notwendig sind sowie solche, die zu anonymen Statistikzwecken, zur Erreichung unserer kommerziellen Unternehmensziele oder zur Anzeige personalisierter Inhalte genutzt werden. Sie können selbst entscheiden, welche der Kategorien Sie erlauben möchten. Bitte beachten Sie, dass auf Basis Ihrer Entscheidungen womöglich nicht mehr alle Funktionalitäten der Seite zur Verfügung stehen. Weitere Informationen finden Sie in unseren Datenschutzhinweisen.

Notwendig
Statistik
Datenschutzerklärung
Details ausblenden
  • Notwendig

    Notwendige Cookies stellen den reibungslosen Betrieb der Seite sicher und erleichtern die Bedienung. Darüber hinaus werden sicherheitsrelevante Funktionen erlaubt. Außerdem können wir mit dieser Art von Cookies ebenfalls erkennen, ob Sie in Ihrem Profil eingeloggt bleiben möchten, um Ihnen unsere Dienste bei einem erneuten Besuch unserer Seite schneller zur Verfügung zu stellen.

  • Statistik

    Um unsere Inhalte, die Struktur und die Webseite im Allgemeinen laufend zu verbessern, erfassen wir zu statistischen Zwecken anonymisierte Daten. Mit Ihrer Zustimmung werden Daten zum Nutzerverhalten anonymisiert auch an Google Analytics übermittelt. Mithilfe dieser Cookies können wir beispielsweise die Anzahl der Aufrufe und den Effekt bestimmter Seiten unseres Web-Auftritts ermitteln und so Optimierungen vornehmen.