Mehr Inhalte dieses Speakers? Kein Problem, schaut doch mal bei sigs.de vorbei: https://www.sigs.de/autor/michael.zimmer

Unternehmen stehen regelmäßig vor der Herausforderung, Datenorganisationen mit Business und IT erfolgreich zu organisieren. Hier stellt sich oft die Frage nach notwendigen Rollen, Werkzeugen, aber auch Vorgehen. Im Vortag wird die Datenstrategie der Zurich Deutschland kurz eingeführt, das Arbeitsmodell vorgestellt und aufgezeigt, wie sich die Zurich Deutschland in den letzten Jahren von einer DWH fokussierten Organisation zu einem datenzentrierten Unternehmen mit Lake, neuer Governance & einer KI-Serienfertigung gewandelt hat.

Zielpublikum: Von Fachbereichsmitarbeiter:innen bis zu CDOs
Voraussetzungen: keine
Schwierigkeitsgrad: Einsteiger 

Mit der Weiterentwicklung zu einem eigenständigen Kreditinstitut stand die Investitionsbank Sachsen-Anhalt vor der Anforderung, ein bankenaufsichtsrechtlich konformes Datenmanagement zu bauen. In diesem Fachbeitrag werden die folgenden Punkte näher beleuchtet:  

• Überblick über die Anforderungen an das Datenmanagement in Banken
• Exkurs: Was ist eine Förderbank / Verselbstständigung der IB-LSA?
• Motivation hinsichtlich des Einsatzes von Datenvirtualisierung
• Konzept und Architektur des Ansatzes
• Nutzen und Potenziale der geschaffenen Lösung

Zielpublikum: Projektmanager:innen, Entscheider:innen, Datenarchitekt:innen ..., die an Datenvirtualisierungs-Use-Cases interessiert sind
Voraussetzungen: Grundsätzliches Verständnis von Datenbanken
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Die Investitionsbank Sachsen-Anhalt (IB-LSA) wurde zum 01.03.2023 von einem Geschäftsbereich der Norddeutschen Landesbank (Nord/LB) zu einem eigenständigen Kreditinstitut mit eigener Banklizenz weiterentwickelt, was u. a. ein aufsichtsrechtlich konformes Datenmanagement erfordert. In dem dazu aufgesetzten Projekt hat sich die IB-LSA für einen auf einer Datenvirtualisierungs-Software basierenden Single Point of Truth (SPOT) für das Weiterverarbeiten von Daten entschieden. In diesem Vortrag wird beschrieben, wie mithilfe dieses Ansatzes eine Datenzentrale sowohl für die Datenversorgung von Statistiken und Datenauswertungen als auch für den Datenaustausch zwischen den einzelnen bankfachlichen Anwendungen unter Einhaltung der aufsichtsrechtlichen Vorgaben für das Datenmanagement in Banken geschaffen wurde.

Die Sparkassen-Finanzgruppe verfügt über mehrjährige Erfahrungen und Erkenntnisse zur Entwicklung und dem produktiven Betrieb von ML-Algorithmen. Insbesondere die Nutzung von datengetriebenen Banking-Anwendungen im Vertriebsumfeld hilft Sparkassen bei der Kundenzentrierung und Automatisierung. Als Digitalisierungspartner betreibt die Finanz Informatik die entwickelten analytischen Anwendungen in Ihrer Finanzplattform „OSPlus“ und sorgt für eine Skalierung bei über 300 Sparkassen. Einen Einblick zur Entwicklung und Bereitstellung von analytischen Anwendungen für die 50 Mio. Kunden und Umsetzung einer kundenzentrierte Vertriebsstrategie sowie der Weiterentwicklung werden vorgestellt.

Zielpublikum: Produktmanager:innen, Projektmanager:innen, Prozess-Owner, Daten-Architekt:innen
Voraussetzungen: Basiswissen zu Datenarchitekturen und Enterprise-Anforderungen
Schwierigkeitsgrad: Fortgeschritten 

Federated Learning ist eine innovative KI-Technologie mit großem Potenzial für sensible Branchen, wie Banken- und Versicherungen. In diesem Vortrag geben wir einen Überblick über Anwendungsfälle und Vorteile der Technologie, einschließlich Performance, Datenschutz und Effizienzgewinne durch Dezentralität. Außerdem demonstrieren wir die technische Funktionsweise, inklusive Referenzarchitektur und zeigen Anwendungsbeispiele um zu demonstrieren, wie mittels Federated Learning innovative KI getriebene Anwendungsszenarien umgesetzt werden können.

Zielpublikum: Entscheider:innen, Projektleiter:innen, Data Scientists und Data Engineers
Voraussetzungen: Kein tieferes Vorwissen notwendig. Ein Grundverständnis von KI ist hilfreich.
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
Einführung in FL und Plattform

Federated Learning (FL) ist eine Methode, bei der Daten auf verteilten Systemen gesammelt und verarbeitet werden, um ein gemeinsames Machine Learning-Modell zu erstellen, ohne dass die Rohdaten jemals zentral geteilt werden. Dies ermöglicht es, Datenschutz und Datensicherheit zu wahren, da die Daten nicht an einen zentralen Ort übertragen werden müssen. Federated Learning eignet sich daher besonders für Anwendungen, bei denen Daten dezentral vorliegen, oder für Anwendungsfälle auf Basis sensibler Daten.

Die von uns entwickelte Plattformlösung für Federated Learning ermöglicht es, diese Technologie schnell und einfach in Ihre Produkte und Dienstleistungen zu integrieren. Hierdurch kann das Federated Learning einfach auf Daten angewendet werden, ohne sich Gedanken über die technischen Details der Implementierung und den Aufbau einer komplexen Infrastruktur machen zu müssen. Auf diese Weise können schnell und einfach Machine Learning-Modelle auf der Grundlage der Daten von verteilten Entitäten erstellt werden. 

Individuelle Datenverarbeitung (IDV) wird in Unternehmen vor allem dann eingesetzt, wenn klassische IT-Systeme zu komplex, teuer oder zeitaufwendig sind oder der Arbeitsaufwand für die IT-Abteilung zu hoch ist. In diesem Vortrag möchte ich Ihnen praxisnahe Tipps und Best Practices vorstellen, um Ihnen zu helfen, das Thema IDV zu beherrschen. Sie werden lernen, wie Sie individuelle Datenverarbeitung erfolgreich in Ihr Unternehmen integrieren und wie Sie die Sicherheit Ihrer Daten gewährleisten können.

Zielpublikum: Alle
Voraussetzungen: Basiswissen
Schwierigkeitsgrad: Einsteiger

Daten können sich positiv auf alle Versicherungsprozesse auswirken - vom Underwriting, der Preisgestaltung, der Risikoprüfung und der Rückversicherung bis hin zur Kuratierung persönlicher Empfehlungen und anderen strategischen Marketingentscheidungen. Bislang wird von diesen Möglichkeiten aber nur begrenzt Gebrauch gemacht. Wir zeigen Möglichkeiten und Grenzen des Einsatzes von (externen) Daten im Versicherungsbereich sowie konkrete Use Cases aus verschiedenen Versicherungssparten.

Externe Daten liefern viele zusätzliche oder aktualisierte Erkenntnisse und eröffnen damit neues Geschäftspotenzial.

Zielpublikum: Versicherungsfachleute, Data-Analyst:innen, Innomanager:innen, Produktentwickler:innen
Voraussetzungen: Grundlagen Versicherung
Schwierigkeitsgrad: Fortgeschritten

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.