ESG-Risiken (Environment, Governance, Social) rücken in den Fokus der Bankenregulatorik. Welche Bank weiß heute, welche Kreditobjekte in einer wettergefährdeten Region liegen? Wie viel CO2 stoßen die finanzierten Fahrzeuge aus? Es gilt, neue externe Datenquellen teils unbekannter Qualität anzubinden, unstrukturierte Daten aufzubereiten und zu analysieren. Ohne KI und Natural Language Processing kaum leistbar. Wie kann eine proaktive Strategie der Banken-IT aussehen? Wo sind Hürden? Welche Best Practices und Erfahrungen gibt es bereits?

Zielpublikum: Projektleiter:innen, CDO, Data Engineer, Data Scientist
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Chancen und Risiken aus den Bereichen 'Environment, Social and Governance' (ESG) werden für Finanzinstitute immer wichtiger. Die regulatorischen Anforderungen an Bewertung und Offenlegung der ESG-Risiken steigen kontinuierlich. Die Aufnahme in das Risikomanagement ist auch wirtschaftlich essenziell.  

Für die Banken-IT bedeutet dies die Integration und Verarbeitung neuer Daten bisher unbekannter Art und Qualität. Heterogene, oft unstrukturierte Daten mit hoher Granularität müssen zu ESG-Kennzahlen verdichtet werden: Beispiele sind Kataster, Wetterdaten, geologische und topografische Informationen, Satellitenbilder, Zertifikate und Energieausweise. Analyse und Forecast sind ohne Big Data, KI und Natural Language Processing kaum leistbar. Gleichzeitig ist die IT selbst Objekt der Analyse und ein ESG-Nachhaltigkeitsfaktor.

Wir stellen einen proaktiven Lösungsansatz vor und teilen mit Ihnen Erfahrungen und Best Practices aus Kundenprojekten.