Klassische Kernbankensysteme im Anwendungssystem Konglomerat

Anbindung von klassischen Kernbankensystemen im Umfeld von „Digitalisierung und Individualisierung“

18. August 2016von Andrea Peiffer

Welche Voraussetzungen muss ein Standard-Core-Banking-System erfüllen, um sich in die komplexe und heterogene Gesamtanwendungs- und Prozesslandschaft einer Bank optimal zu integrieren? Besonders im Umfeld der sich stetig wandelnden Anforderungen wie „Digitalisierung und Big Data“. Weiterlesen

UX in Zeiten von Industrie 4.0 –

und wie Augmented Reality dabei hilft, Echtzeitdaten besser zu nutzen

16. Juni 2016von Katharina Schuster

Cyber-physische Systeme, das Internet der Dinge und Industrie 4.0, sind längst nicht mehr nur Schlagworte in Diskussionen über die Arbeitswelt von morgen. Fakt ist, dass die Digitalisierung der Produktion, durchgeführt von „smarten“ Maschinen, zunehmend voranschreitet.  Weiterlesen

Notizbücher für Big-Data-Projekte

1. Oktober 2015von Dr. Thomas Franz

Big Data ist interdisziplinär – und das in einem hohen Maße. Die Interpretation und Bewertung der Ergebnisse von Big-Data-Analysen erfordern sowohl tiefes fachliches als auch umfangreiches analytisches Know-how. Während Data-Science-Experten mit Analyseverfahren wie z.B. Clustering und Klassifikation Phänomene, Beziehungen und Gruppierungen aufdecken können, muss der Fachexperte die Bedeutung dieser Cluster und Klassifizierungen verstehen. So können gemeinsam nicht nur interessante, sondern geschäftsrelevante Dienste für das Unternehmen entwickelt werden, beispielsweise die Reduzierung von Rücksendungen im Online-Handel, die Optimierung von Routen in der Logistik oder einfach nur die Bereitstellung zusätzlicher einfacher Hilfsdienste in bestehenden Enterprise-Anwendungen. Weiterlesen

Big Data für Risikomanagement im Investment Banking

Teil 2: Proof of Concept – ein Erfahrungsbericht

27. August 2015von Dionysis Eliakopoulos

Im ersten Teil meines Artikels „Big Data für Risikomanagement im Investment Banking“ habe ich die Anforderungen an eine Risikomanagement-Applikation definiert und festgestellt, dass ein Big-Data-Ansatz in diesem Kontext wesentliche Vorteile bieten kann. Aus diesen Vorüberlegungen habe ich mit meinem Team ein geeignetes Szenario definiert, das wir daraufhin konkret in einem Proof of Concept (PoC) untersucht haben. Weiterlesen

Big Data für Risikomanagement im Investment Banking

Teil 1: Begriffsdefinition und Übersicht

17. Juli 2015von Dionysis Eliakopoulos

Warum ist Risikomanagement ein Thema?

Seit vielen Jahren, aber insbesondere nach der letzten großen Finanzkrise, ist das Risikomanagement enorm wichtig für die Finanzinstitute geworden, um finanzielle Verluste zu verhindern bzw. ausreichend Eigenkapital zu behalten, sodass sie nicht in die Insolvenz geraten können. Mehrere Institutionen haben neue regulatorische Rahmenbedingungen wie Basel III und Solvency II aufgestellt, die immer strengere Anforderungen an die Banken stellen und die Berechnung sowie das Reporting weiterer Kennzahlen fordern. Dies ist die Voraussetzung für den Einsatz spezialisierter Risikomodelle, wie sie jede größere Bank nutzt. Alternativ wurden relativ hohe pauschale Prozente/Beträge zur Berechnung des eigenen Kapitalbedarfs festgesetzt, die jedoch einen zu hohen Eigenkapitalanteil festlegen. Weiterlesen