Trotz der steigenden Akzeptanz von Big Data und KI sehen sich die meisten Finanzdienstleister immer noch mit erheblichen Herausforderungen bei Datentypen, Datenschutz und Umfang konfrontiert. Die Credit Suisse überwindet diese Hindernisse durch Standardisierung offener und cloudbasierter Plattformen wie Azure Databricks und erhöht so Geschwindigkeit und Umfang von betrieblichen Abläufen und ML im gesamten Unternehmen. Mit Databricks kann die Credit Suisse nun erfolgreich Daten und Analysen einsetzen, um die digitale Transformation voranzutreiben. So können neue Produkte schneller auf den Markt gebracht, Wachstum ermöglicht und die betriebliche Effizienz gesteigert werden.
Überwindung der Grenzen menschlicher Expertise und manueller Prozesse
Die hohen Erwartungen der Kunden zu erfüllen, war schon immer das oberste Ziel einer jeden Finanzdienstleistungsinstitution (Financial Services Institution, FSI). Aber mit weitgehend antiquierten Systemen und einem beziehungsbasierten Geschäftsmodell haben FSIs einen harten Kampf hinter sich, wenn es darum geht, den Erwartungen der Kunden von heute nachzukommen. Mit dem Ziel, von veralteten Modellen zu einem digitalen und datengesteuerten Ansatz überzugehen, hat sich Credit Suisse auf den Weg gemacht, riesige Mengen an Kunden- und Transaktionsdaten zu nutzen.
„Die Bankenbranche wurde in erster Linie auf einem menschenzentrierten Fundament aufgebaut, bei dem starke Beziehungen zu Transaktionen führen und Entscheidungen durch Expertenurteile getroffen werden“, sagte Anurag Sehgal, Managing Director, Head of Global Markets bei der Credit Suisse. „Um unseren Kunden weiterhin das Serviceniveau bieten zu können, das sie benötigen, mussten wir unser Geschäftsmodell mit Daten im Vordergrund weiterentwickeln.“
Die Herausforderung, der CS sich gegenübersah, bestand jedoch nicht nur in den Einschränkungen der manuellen Prozesse und der Komplexität, die Leistung des lokalen Systems zu skalieren, sondern auch in den Daten, die das Unternehmen nutzen konnte, um „klügere“ Entscheidungen zu treffen. „Wir hatten nur Zugang zu Finanzmarkt- und Preisdaten, was unsere Fähigkeit einschränkte, unseren Kunden einzigartige und intelligente Empfehlungen zu geben“, erklärte Sehgal.
Was CS brauchte, war eine einheitliche Datenanalyseplattform, die Ideen fördert, um das Geschäft mit Datenanalysen zu verbessern und auszubauen, Experimente und schnelles Prototyping zu ermöglichen und kommerziell tragfähige Ideen in Produkte und umsetzbare Geschäftsvorhaben einzubetten.
Ideen schneller und effizienter umsetzen
Der erste Schritt auf dem Weg bestand darin, sicherzustellen, dass die neue Architektur nach Bedarf skaliert werden kann, um verschiedene Workloads zu unterstützen. Außerdem muss die Architektur flexibel genug sein, sodass mehrere Clouds für cloudagnostische Funktionen genutzt werden können und der Einsatz von Technologien der nächsten Generation für Machine Learning und KI gewährleistet ist. Dies führte zu ihrer Umstellung auf eine grundlegende, öffentliche cloudbasierte Plattform mit einem Ökosystem aus Daten, KI/ML und digitalen Fähigkeiten mit Azure Databricks als zentrale Analyseplattform.
„Machine Learning steht im Mittelpunkt für alles, was wir jetzt tun. Und Databricks war entscheidend auf unserem Weg hin zu einem datengesteuerten Unternehmen“, sagte Sehgal. „Dank Databricks konnten wir unser Geschäft mit Datenanalysen verbessern und ausbauen, was Experimente und schnelles Prototyping von Modellen ermöglicht, mit denen ausgereifte, kommerziell tragfähige Ideen in Produkte und Geschäftsvorhaben besser umgesetzt werden können.“
Der erste Schritt, um Daten verwertbar zu machen, erfordert eine Infrastruktur, die das Volumen bewältigen kann. Mit den Clusterverwaltungsfunktionen von Databricks konnte das Team von Sehgal die Bereitstellung von Clustern vereinfachen. Dies war der Schlüssel, um schnell große Mengen interner und externer Daten aufnehmen zu können. Da Infrastruktureinschränkungen der Vergangenheit angehören, ist das Team von Sehgal nun in der Lage, eine Vielzahl von Datentypen zu nutzen, einschließlich proprietärer Daten und Daten von Drittanbietern, sowie Streaming strukturierter und unstrukturierter Daten in Echtzeit.
Da eine reibungslose nachgelagerter Datennutzung möglich ist, fing das Unternehmen an, den Modellverwaltungslebenszyklus mit MLflow zu rationalisieren und so schneller zu testen, zu experimentieren und Modelle in der Produktion bereitzustellen. „Vieles von dem, was wir tun, dreht sich um Machine Learning und KI. MLflow war der Schlüssel zur Verbesserung des Lebenszyklusmanagements von Modellen und ermöglicht es uns, die Ergebnisse dieser Modelle zu visualisieren“, erklärte Sehgal.
Finanzdienstleistungen mit Daten und KI zu neuen Höhen führen
Heutzutage stehen Daten und Analysen im Mittelpunkt aller Aktivitäten der Credit Suisse. Das Unternehmen konnte dank Erkenntnissen aus Daten seine Reichweite auf neue globale Märkte ausdehnen sowie neue Produkte und Dienstleistungen entwickeln, die Kunden begeistern werden.
So ist CS jetzt beispielsweise in der Lage, verschiedene Stakeholder mit entsprechenden Informationen zu versorgen, zum Beispiel: seine Vertriebsteams, die für ihre Kunden Produktempfehlungen in Echtzeit benötigen, Geschäftsanwender (Hedgefonds, Investmentmanager), die Datenanalysen für Business Intelligence über die Integration mit Tableau nutzen, und Wertpapierhändler, die diese Empfehlungen sowie Anomalieerkennung für klügere Investitionsentscheidungen für ihre Kunden einsetzen.
Databricks hat auch neue Datentypen erschlossen, die das Team von Credit Suisse analysieren kann, darunter alternative Daten und ESG-Daten. Für das Unternehmen eröffnen sich jetzt dank der hochmodernen digitalen Fähigkeiten und datengesteuerten Intelligenz neue Möglichkeiten für neue Produkte und Dienstleistungen, um die Effizienz und das Wachstum voranzutreiben.
„Unsere Fähigkeit, ML und KI in alle Aspekte unseres Geschäfts einzubetten, war entscheidend, um unseren Kunden einen Mehrwert zu bieten“, schloss Sehgal. „Azure Databricks und MLflow sind der Kern unserer Fähigkeit, diesen Mehrwert zu liefern.“
