Skip to main content
Daten als Asset

Gemeinsam Werte schaffen

Die Treiber für Verbesserungen in der Datenqualität sind vielschichtig. Einerseits verlangen regulatorische Anforderungen wie BCBS 239 oder MaRisk AT 4.3.4 neue Standards. Andererseits setzen spezifische Fachbereichsthemen höhere Qualitätsansprüche indirekt durch, z.B. AnaCredit.

Zur Umsetzung der Transparenz im Datenhaushalt sind beteiligte Prozesse und Methoden anzupassen bzw. neu zu implementieren. Alle deutschen Institute sehen sich daher mit einem beträchtlichen Mehraufwand zur Erreichung der entsprechenden Compliance konfrontiert.

Der Anspruch auf eine gehobene Datenqualität sollte aber nicht nur von den Aufsichtsbehörden ausgehen. Ein solides Datenmanagement liegt auch im Interesse des eigenen Finanzinstituts. Denn mittel­ bis langfristig kann die erfolgreiche Realisierung der regulatorischen Anforderungen zu erheblichen Mehrwerten für die Institute führen.

Legitimiert sich also Ihr kurzfristig anfallender Mehraufwand nur aus der Erfüllung von BaFin-Vorgaben oder ist die Regulatorik nicht sogar eine Chance, um einen größtmöglichen Nutzen daraus zu ziehen? Denn eins ist klar: Auch, wenn das Rechenzentrum bei dieser Herkulesaufgabe mitwirkt, um Datenqualität werden Sie sich selbst kümmern müssen.

Der Data Governance Circle (DGC) unterstützt Sie bei diesen Herausforderungen mit Workshops, Schulungen und einer Online-Community. Mit unserem Know­how wandeln Sie Ihre Daten in Assets um und führen die Bereinigungen auf einer wertorientierten Basis durch.

Daten werden zum Asset

1

Die regulatorischen Anforderungen bringen Transparenz in den Datenhaushalt.
BCBS 239 und MaRisk AT 4.3.4 sind die Chance zur nachhaltigen Verbesserung der bestehenden Datenarchitektur und könnten im Idealfall zur Generierung neuer Erträge nutzbar gemacht werden.

2

Die Daten müssen zu einem strategischen Asset für die Bank entwickelt werden.
Der Umgang mit Daten gewinnt immer mehr an Bedeutung und wird das Kerngeschäft der Institute nachhaltig beeinflussen.

3

Die Qualität der eigenen Daten wird immer wichtiger.
Eine leistungsfähige Datenarchitektur sowie eine hohe Datenqualität sind unabdingbar für die anstehenden Aktivitäten im Wettstreit oder in Kooperation mit den FinTechs.

4

Externe Datenquellen gewinnen zunehmend an Bedeutung.
Datengetriebene Prozesse ermöglichen es, bestehende Kundenansprüche besser zu bedienen oder neue Ansprüche zu wecken.

Der Umgang mit Daten beeinflusst die Organisationsstruktur der Bank.
Es muss eine eigene Organisationseinheit aufgebaut werden, die die Struktur und Verwendung der Daten dokumentiert sowie eine verlässliche Qualität der Daten sicherstellt.


Service

Governance

Prozesse

  • Frontoffice
  • Backoffice
  • Berichtswesen

Systeme

  • Kernbanksystem
  • Data Warehouse
  • Reporting System

Daten

  • Stammdaten
  • Risikodaten
  • Marktdaten

Architektur

Aufgaben einer Daten-Management-Organisation (DMO)

Kompetenz­ & Change Management

  • Awareness für Datenthemen schaffen
  • Akzeptanz der DMO-­Rollen
  • Befähigung der Rolleninhaber
  • Change Management
  • Messbarkeit und Anreizsysteme

Data Governance

  • Organisatorische Verankerung (zentral)
  • Rollen und Verantwortlichkeiten (zentral/dezentral)
  • Kommunikation und Eskalation
  • Regulatorische Rahmenbedingungen und Richtlinien

Datenstrategie

  • Fachliche, methodische und technische Roadmap
  • Definition der Ziele und Inhalte
  • Kompatibilität mit anderen Konzernstrategien

Datenqualität (DQ)

  • DQ­-Dimensionen, ­Messpunkte und ­Metriken sowie Schwellenwerte
  • DQM­-Regelkreis
  • DQ­-Maßnahmenmanagement
  • DQ­-Berichterstattung

Datenarchitektur

Fachliche, methodische und technische Leitlinien und Rahmenbedingungen für:

Daten­, Data Lifecycle & Process Management

Fachliche Vorgaben und Monitoring für:
  • Master Data Management
  • Datenmodelle
  • Anforderungsmanagement
  • Architekturen und Prozesse
  • Abnahme­ und Releasemanagement
  • Glossare und Datentaxonomien
  • Meta Data Management und Data Dictionary
  • Datenintegration, -aggregation und -aufbereitung

Die Lösungen von DGC

1

Awareness erzeugen

  • Workshops für das Senior Management unter Beteiligung der Verbände, Wirtschaftsprüfungsgesellschaften, BCBS 239­ und MaRisk­Experten
  • Schulungen für Datenarchitekten, interne Datenmanager und DQ-Beauftragte sowie Datenverantwortliche in den Fachbereichen
2

Grundlagen schaffen

  • Aufbau eines Data Dictionary: Dokumentation der Struktur und Verwendung der Daten schafft einen transparenten Datenhaushalt
  • Aufbau einer Organisationseinheit, die alle Aufgaben des Datenmanagements aus den Bereichen Prozess und Systeme extrahiert und neu bündelt.
  • Aufbau neuer Verfahren, z.B. im Bereich des Datenqualitätsmanagements
3

Lösungen etablieren

  • Austausch in einer webbasierten Community zur Entwicklung gemeinsamer Lösungsansätze und Nutzung verteilter Ressourcen
  • Systematisch entwickelte DQ-Prüfregelwerke mit DQ-­Kennzahlen/Metriken
  • Templates für die Unterstützung der Abläufe der Prozesse für das Daten-­ und das Datenqualitätsmanagement
  • Verfahrensregeln mit Vor­ und Nachteilen für kleine, mittlere und große Institute
4

Perspektiven verfolgen

  • Benchmarks: Institutsübergreifende Vergleichbarkeit durch Datenmanagement­ und Datenqualitäts­-Kennzahlen
  • Wesentlichkeitsanalysen und Materialitätsbetrachtungen: Fokussierung auf ertragreiche Prozesse und relevante Fehlerquellen
  • Business Case-Betrachtungen: Monetäre Bewertungsverfahren für die Auswirkungen der Datenqualität

Der Data Governance Circle bietet Ihnen eine interaktive Plattform zur Klärung aller Fragen zum Thema Datenmanagement.

Unsere Workshops und Schulungen bieten ein ideales Forum für das Senior Management, Verantwortliche auf dem Gebiet von Datenarchitektur und Datenmanagement, Mitarbeiter aller Fachbereiche und Revisoren.

Registrieren Sie sich für den Newsletter!