Kreditinstitute: Die SAP Analytics Cloud als Teil der Business Intelligence-Strategie

Die SAP Analytics Cloud (SAC) haben wir bereits in allgemeinerer Form und mit branchenübergreifenden Beispielen in früheren Beiträgen als Teil einer Strategie für Business Intelligence vorgestellt. In diesem Blogpost geht es um den konkreten Einsatz in Kreditinstituten und Banken.

Mit der SAC bietet SAP eine Software-as-a-Service (SaaS), die das Ziel hat, Unternehmen einen effektiveren Umgang mit ihren Daten zu ermöglichen. Dazu bündelt es BI (Business Intelligence)- und Analyse-Funktionen unter einer Oberfläche, die gemäß der Praxiserfahrung im Wesentlichen einfach zu bedienen ist.

SAP hat sich bei der Entwicklung der SAC von mehreren Prinzipien leiten lassen.

• Anwender:innen in den Fachbereichen sollen in die Lage versetzt werden, die Analysefunktionalitäten einzusetzen, ohne auf die Kolleg:innen aus der IT angewiesen zu sein.
• Damit sollen Unternehmen und Kreditinstituten schneller aus Daten Informationen und Erkenntnisse gewinnen, was letztlich zu besseren Geschäftsergebnissen führt.
• Dank des Einsatzes von Künstlicher Intelligenz, insbesondere Machine Learning, verringert sich die Wahrscheinlichkeit menschlicher Voreingenommenheit (Bias) bei der Analyse von Daten.

Als Produkt der SAP arbeitet die SAC, deren KI-Funktionalitäten stetig weiter entwickelt werden, innerhalb einer homogenen SAP-Landschaft, ist aber auch in heterogenen Landschaften einsetzbar.

Zur Unterstützung seiner Ziele hat SAP die SAC mit einer ganzen Reihe von intelligenten Funktionen ausgestattet. Dazu zählen:

• Machine Learning entdeckt automatisch die Schlüsselfaktoren, die Einfluss auf die Ergebnisse haben.
• „Smart Insights“, ebenfalls KI getrieben, bringen ein vertieftes Verständnis für die Daten. Mit wenigen Mausklicks können die Anwender:innen Faktoren verstehen, die sich auf KPI (Key Performance Indicators) auswirken. Die Algorithmen schlagen ebenfalls zusätzliche Visualisierungen vor.
• Benutzereingaben in einfacher Sprache, wie sich die Anwender:innen auch in einem Gespräch ausdrücken würden („Conversational Analytics“). Dazu wird ein KI-gestütztes Modell der „Natural Language Query“ (NLQ) eingesetzt.
• Die SAC gibt die Ergebnisse auch in natürlicher Sprache zurück, etwa um Erläuterungen zu Graphen zu liefern. Die Ergebnisse lassen sich mühelos in die Story integrieren.

Der über allem liegende Vorteil: Zur Nutzung dieser Möglichkeiten sind keine Kenntnisse in Sprachen wie SQL, R, oder Python nötig. Damit werden die Fachbereiche unabhängiger von IT-Experten. 

Das System ermöglicht mit der einfachen Handhabung die Zusammenstellung wichtiger Kennzahlen in Form von Stories, die sich in Echtzeit aktualisieren.

Ein Beispiel für den Einsatz der SAC in der Finanzindustrie ist Corporate Treasury. Spätestens seit der Finanzmarktkrise müssen Organisationen und Bankinstitute in der Lage sein, möglichst schnell auf veränderte Rahmenbedingungen zu reagieren. Hier kommt auch dem Cash Management eine große Bedeutung zu. Präzises Ist-Reporting und fundierte Prognosen zum weiteren Verlauf sind unerlässlich (Lesen Sie dazu die movisco-Case Study).

Eine sichere Feststellung eines ausreichenden Liquiditätspolsters mithilfe der Analysen der SAC, kann jedoch nur dann zuverlässig erfolgen, wenn

• zeitnahe Transparenz über die Liquidität geschaffen wird
• alle zukünftigen Zahlungsströme erfasst für belastbare Prognosen werden
• Herausforderungen gelöst werden können, die eine zentrale Überwachung erschweren (etwa durch verbundene Gesellschaften wie Tochtergesellschaften).

Herkömmliche Systeme für das Treasury Management sind oftmals rein transaktionsbasiert. Für eine agile Gesamtbanksteuerung reicht das insbesondere in Hinblick auf Darstellung und Analyse-Funktionen nur noch bedingt aus. Zudem ist die Einbindung zusätzlicher Datenquellen in diese Lösungen nicht ohne weiteres möglich, da sich die verwendeten Datenmodelle nur schwer anpassen lassen.