Befähigung von Geschäftsanwendern durch Self-Service-Datenintelligenz – Geklont

Einführung

Daten sind Macht. Laut McKinsey „besitzen Banken mehr Kundendaten als Unternehmen in den meisten anderen Branchen, hinken jedoch vielen anderen verbrauchernahen Sektoren hinterher, wenn es um Personalisierung in großem Maßstab geht.“ https://www.mckinsey.com/industries/financial-services/our-insights/the-state-of-retail-banking-profitability-and-growth-in-the-era-of-digital-and-ai. Im Bankwesen geht es darum, diese Macht in verwertbare Erkenntnisse umzuwandeln und gleichzeitig die Risiken der Datensicherheit sorgfältig zu steuern. Finanzinstitute müssen ein Gleichgewicht zwischen dem Schutz sensibler Daten und der Förderung der Datendemokratisierung finden, um das Kundenerlebnis zu verbessern, Risiken zu minimieren und Innovationen voranzutreiben.

Sigma Computing, eine Analytics- und Business-Intelligence-Plattform der nächsten Generation, bietet einen sicheren Weg und nutzt Databricks als intelligentes Data Warehouse im Kern. Diese Partnerschaft ermöglicht es Banken, Erkenntnisse von der Kundensegmentierung bis zur Risikobewertung zu nutzen, ohne die Sicherheit zu gefährden. In diesem Blog zeigen wir, wie Databricks und Sigma gemeinsam einen sicheren, explorativen Workflow für Bankanalysten bereitstellen, wenn sie Verbraucherdaten nutzen, um eine bessere Personalisierung und neue Einnahmequellen zu erschließen.

Data Intelligence ist eine neue Lebensader für das Bankwesen

Digitalbanken wie Nubank und Fintechs wie Wise und Brex haben das traditionelle Firmenkundengeschäft überholt, indem sie ihren Kunden optimierte digitale Erlebnisse, Finanzdienste in Echtzeit und eine transparente Preisgestaltung bieten. Im Gegensatz dazu hinken konventionelle Banken aufgrund veralteter Infrastrukturen oft hinterher. Diese technischen Schulden führen zu längeren Entwicklungszyklen und schränken infolgedessen die Fähigkeit der Banken ein, neue Produkte zu entwickeln und sich verändernde Kundenerwartungen vorwegzunehmen. Mehr denn je sind Daten ein strategisches Gut, und Banken können Daten als Wettbewerbsvorteil nutzen.

Data Intelligence ist der Schlüssel zur Erschließung des vollen Potenzials von Unternehmensdaten. Um unserer Vision einer vollständigen Datendemokratisierung für jeden Nutzer gerecht zu werden, veröffentlicht Databricks Tools wie Genie-Bereiche, eine dialogorientierte Benutzeroberfläche, über die Geschäftsanwender ihre Daten abfragen können. Was Genie auszeichnet, ist, dass dieser Dienst den gesamten Unternehmenskontext von Branchenjargon und technischen Metadaten einbezieht. Dieser ist als Grundlage für die Beantwortung von Geschäftsfragen über Unity Catalog, der Governance-Lösung von Databricks, in den Bereich integriert.

Warum Banken Schwierigkeiten haben, eine Datendemokratisierung zu erreichen

Banken sind von Natur aus stark reguliert und risikoscheu. Sie verarbeiten riesige Mengen sensibler Daten, von Transaktionshistorien bis hin zu persönlichen Kundeninformationen, was sie zu Hauptzielen für Cyberangriffe und Insider-Bedrohungen macht. Datenabfluss – die unbefugte Übertragung oder der Diebstahl von Daten – stellt ein ständiges Risiko dar und führt zu strengen Sicherheitsprotokollen. Doch hier liegt das Dilemma: Während der Schutz von Daten unerlässlich ist, behindert eine zu starke Einschränkung die Innovation und verlangsamt die Entscheidungsfindung.

In diesem Bereich wird die Datendemokratisierung zu einer Herausforderung. Die Demokratisierung verspricht, das Potenzial von Daten freizusetzen und sie in die Hände derjenigen zu legen, die auf der Grundlage von Erkenntnissen handeln können – Datenanalysten, Produktmanager und sogar Führungskräfte. Banken befinden sich jedoch oft im Zwiespalt zwischen ihrem Bedarf an offenem, flexiblem Datenzugriff und den strengen Sicherheitsmaßnahmen, die sie einhalten müssen.

Traditionelle Datensysteme in Banken sind isoliert, was es für Teams schwierig macht, Daten nahtlos abteilungsübergreifend auszutauschen. Die Angst vor unbefugtem Zugriff führt zu einer restriktiven Umgebung, in der nur wenige Auserwählte das Privileg haben, auf kritische Informationen zuzugreifen. Dieser Engpass erstickt die Agilität, die die Datendemokratisierung eigentlich bieten soll. Darüber hinaus erhöht die Einhaltung gesetzlicher Vorschriften die Komplexität, da Banken sicherstellen müssen, dass sie lokale und globale Standards wie GDPR und CCPA einhalten und gleichzeitig eine datengesteuerte Kultur fördern. Ein hervorragendes Beispiel für eine Bank, die diese Probleme gelöst hat, ist HSBC, mit ihrer von Databricks unterstützten Neugestaltung des Zahlungsverkehrs. Sie konnten 14 Datenbanken in einem einzigen Lakehouse konsolidieren. Darüber hinaus konnten sie Daten durch Maskierung in Echtzeit schützen und ihre Kundensegmentierungsstrategie modernisieren, was zur führenden Zahlungs-App in Hongkong führte.

Im nächsten Abschnitt untersuchen wir, wie Kunden Databricks und Sigma Computing nutzen können, um die oben genannten Herausforderungen zu lösen.

Data Intelligence freisetzen und gleichzeitig Compliance-Richtlinien einhalten

Das geschäftliche Problem

Stellen Sie sich eine Gruppe von Business-Analysten vor, die die Aufgabe haben, die Kundenbindung für Bankprodukte im Bereich revolvierender Kredite zu erhöhen. Das interne IT-Team muss diesen Analysten No-Code- und nicht-technische Tools zur Verfügung stellen. Es gibt strenge Anforderungen zur Einschränkung von Exportfunktionen. Auf der anderen Seite müssen Analysten Daten mit vollem Zugriff auf Lineage und Metadaten bearbeiten können, um ihren Stakeholdern jedes Geschäftsergebnis, wie z. B. ein proaktives Angebot zur Erhöhung des Kreditrahmens, erklären zu können.

Markt-Tools für die Self-Service-Analyse

Endbenutzer benötigen Self-Service-Analysen. In den meisten Fällen ist Excel das primäre Tool, um dies zu ermöglichen. Die Bereitstellung von Daten in Excel ist jedoch ein sicherer Weg, das Risiko von Datenabflüssen zu erhöhen und Datenkopien zu vervielfältigen, was zu Ineffizienzen führt. Hier kommt Sigma Computing ins Spiel.

Sigma bietet Endbenutzern die Möglichkeit, Datenfeeds und Analysen anzuzeigen, ohne uneingeschränkten Zugriff auf Datensätze zu gewähren. Sigma bringt zudem eine vertraute Tabellenkalkulations-UX mit, was die Akzeptanz unter Excel-Benutzern besonders reibungslos macht. Sigma bietet Plattform-Teams eine einzigartige Möglichkeit, Daten für nicht-technische Benutzer über ein Konstrukt namens „Secure Embeds“ (sichere Einbettungen) bereitzustellen.

Echten Self-Service ermöglichen mit dem Secure Embed von Sigma

Sigma ermöglicht es Ihnen, ein sicheres, eingebettetes Self-Service-Widget in der Anwendung Ihrer Wahl zu erstellen. Entwickler können beispielsweise eine Flask-App, eingebettete E-Mails oder Teams-Integrationen erstellen, die sich mit JWT-Token authentifizieren und den Sigma-Dienst aufrufen. JWT (JSON Web Tokens) sind kompakte, URL-sichere Token, die Informationen sicher zwischen Systemen übertragen und so die Datenintegrität und Authentifizierung gewährleisten. Dieses Format ist grundlegend für moderne, API-gesteuerte Anwendungen und ermöglicht es großen Unternehmen, Benutzer sicher zu authentifizieren, ohne sensible Informationen preiszugeben. In dieser Integration von Sigma Computing und Databricks stellt JWT sicher, dass Benutzern in Echtzeit personalisierter Zugriff auf Arbeitsmappen und Dashboards gewährt wird. JWT ermöglicht einen sicheren Client-Zugriff auf Finanzdaten, und diese Implementierung schützt den Dashboard-Zugriff, wodurch sowohl die Leistung als auch die Sicherheit gewahrt bleiben, indem benutzerspezifische Claims in jedes Token eingebettet werden.

Eingebettete Benutzer ohne Workspace-Berechtigungen

Benutzer können jetzt ganz einfach auf Daten zugreifen, und über rollenbasierte Zugriffskontrollen können Workbook-Besitzer mit einem einfachen, einmaligen Schalter einen eingeschränkten Zugriff einrichten. Siehe die Abbildungen unten als Referenz. Hier befindet sich der externe Benutzer im Team „Embed Banking Analysts“. Die Besitzer des Analytics-Workbooks gewähren dem Team des eingebetteten Benutzers einmaligen Zugriff, und die Endbenutzer können sofort alle Datensätze nutzen, für die sie berechtigt sind. Alle feingranularen Zugriffskontrollen, die als Teil von Unity Catalog definiert sind, erstrecken sich auch auf Gruppen in Databricks, insbesondere auf die Filterung auf Zeilen- und Spaltenebene.

Bereitstellung von Finanzanalyse-Apps auf dem Domain-Intelligence Lakehouse

Databricks bietet jetzt eine völlig neue, optimierte Möglichkeit zur Bereitstellung von Anwendungen für sichere, eingebettete Benutzer: Databricks Apps. Mit Databricks Apps können Data-Engineering-Teams Code entwickeln, in den Databricks-Arbeitsbereich synchronisieren und innerhalb von Minuten eine Anwendung bereitstellen. So werden Daten für Analysten und nicht-technische Benutzer genauso zugänglich wie in einem standardmäßigen benutzerdefinierten Portal. Unabhängig davon, ob Sie Databricks Apps oder eine selbst gehostete Anwendung verwenden (wir nutzen Flask in unserer Apps-Demo), können Plattform-Teams eingebettete Benutzer integrieren, um Daten für nicht-technische Benutzer, die an Pivot-Tabellen und on-the-fly-Kennzahlen für Banking-Anwendungsfälle gewöhnt sind, vollständig zu demokratisieren.

In unserer Beispiel-App konzentrieren wir uns auf Kunden mit internen Profilen und externen Daten von einer Auskunftei (z. B. TransUnion) und Finanzaggregatoren wie Plaid und Yodlee, die Kredit-Scores, Kreditlinien und Trends bei der Nutzung von Finanzprodukten liefern. Unsere erste Zusammenfassung (unten in Rot) zeigt, dass die meisten Kunden an Wohneigentum interessiert sind. Auf der anderen Seite ist das Engagement gering, und die Bank, für die wir arbeiten, möchte die Kundenbindung stärken. Als Ausgangspunkt können unsere eingebetteten Benutzer schnell Liquiditätskennzahlen analysieren und Kundensegmente für eine proaktive Erhöhung des Kreditrahmens anvisieren.

Die Analysen, die wir sehen, sind hilfreich, aber wie können wir eingebetteten Benutzern eine bessere Erkundung ermöglichen, ohne das Risiko eines Datenabflusses einzugehen?

Wie unten zu sehen ist, können wir in der Sigma-Umgebung eine vollständig benutzerdefinierte Rolle namens „Explorer But Not Exporter“ erstellen, die verhindert, dass Benutzer Daten über Download-Schaltflächen exportieren. Im Sinne der Innovation geben wir dem Analysten das Recht, das Workbook zu bearbeiten – zum Beispiel neue Spaltenberechnungen und -erstellungen. Dies ermöglicht eine wesentlich umfassendere Benutzererfahrung und das Hinzufügen von Berechnungen wie Liquiditätskennzahlen, um Möglichkeiten für proaktive Kreditlinienerhöhungen oder Investitionen für Bankkunden effizient zu bewerten. Benutzer sind nun vollständig in der Lage, personalisierte Analysen für ihre spezifischen Fragen hinzuzufügen.

Obwohl diese Erfahrung es Benutzern ermöglicht hat, neue Binning-Methoden, Heatmaps und Segmentierungslisten zu erstellen, wie stellen wir das Vertrauen in die generierten Daten sicher? Unsere Beispieltabellen in der Anwendung zeigen eine Vorhersage zur proaktiven Erhöhung des Kreditrahmens, die wir nun auf unsere Zielsegmente anwenden können. Analysten müssen verstehen, woher Vorhersagen stammen, um Analysen und Ergebnisse gegenüber geschäftlichen Stakeholdern und Führungskräften zu erklären. Mit der integrierten Lineage in Unity Catalog, die sich über Daten hinaus auf Modelle, Dashboards, Features und Funktionen erstreckt, können wir genau bestimmen, woher unsere Vorhersagen stammen. Alle unten aufgeführten abgeleiteten Quellinformationen und Tags lassen sich problemlos aus den Unity Catalog-Systemtabellen (AWS | Azure | GCP) abrufen, was ein höheres Maß an Vertrauen und Erklärbarkeit im Unternehmen schafft.

Fazit

Die Finanzdienstleistungsbranche steht an einem Wendepunkt. Traditionelle Banken können es sich nicht mehr leisten, an veralteten, isolierten Datensystemen festzuhalten, während Fintech-Herausforderer das Kundenerlebnis durch Echtzeit-Datenintelligenz neu definieren. In diesem anspruchsvollen Umfeld ist eine sichere Datendemokratisierung kein Luxus, sondern überlebenswichtig.

Die sicheren Embedding-Funktionen von Sigma Computing, kombiniert mit der robusten Anwendungsbereitstellungsplattform und dem Data Lakehouse von Databricks, bieten eine transformative Lösung für Banken, die Daten nutzen möchten, ohne die Sicherheit zu gefährden. Die sicheren Embeds von Sigma bieten eine kontrollierte Benutzererfahrung, die perfekt auf die strengen regulatorischen Anforderungen abgestimmt ist. Mit Sigma können Banken ihre Analysten, Ermittler, Produktmanager und Vertriebsteams in die Lage versetzen, in einer sichereren und konformeren Umgebung auf wichtige Erkenntnisse zuzugreifen.

Durch die Bereitstellung von Anwendungen auf Databricks können Finanzinstitute den sicheren Datenzugriff schnell und nahtlos auf Embed-Benutzer ausweiten, die Benutzererfahrung anpassen und gleichzeitig die Datensicherheit lückenlos gewährleisten. In einer Branche, in der die Fehlertoleranz minimal ist, wird die Fähigkeit, datengestützte Erkenntnisse über sichere, eingebettete Anwendungen bereitzustellen, zu einem Wettbewerbsvorteil.

Die Botschaft an Finanzinstitute ist klar: Die Zeit der passiven Datenstrategien ist vorbei. Wer auf sichere Self-Service-Datenintelligenz setzt, minimiert Risiken und setzt die Agilität frei, die für den Erfolg im heutigen digitalen Markt erforderlich ist. Banken müssen sich jetzt weiterentwickeln. Die Nutzung von Tools wie Sigma Computing und Databricks kann eine datengesteuerte Kultur aktivieren, die Rohdaten in umsetzbare Erkenntnisse verwandelt.

Registrieren Sie sich noch heute für Databricks and Sigma, um sichere Self-Service-Datenintelligenz zu ermöglichen.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag