Wettbewerbsfaktor Datenqualität

Stützen sich etablierte Modelle und innovative Lösungen von Finanzdienstleistern auf falsche oder unvollständige Daten, kann das gravierende Folgen haben. Wie schnell sich Mängel im Datengerüst auswirken, zeigt das Whitepaper „Gute Daten, schlechte Daten“ von PPI.

Wesentliche Ergebnisse des Whitepapers „Gute Daten, schlechte Daten“

  • Nur zehn Prozent falsche oder fehlende Datensätze führen zu Ergebnisfehlern von 50 Prozent und mehr.
  • KI-Methoden sind besonders empfindlich, da Variablen dadurch falsch gewichtet werden können.
  • Die Folgen von Qualitätsproblemen reichen von finanziellen Verlusten bis hin zu aufsichtlichen Sanktionen.
  • Hohe Datenqualität entscheidet über die Zuverlässigkeit und Genauigkeit von Risikomodellen und KI.
  • Regelmäßige Datenpflege und Datenüberprüfung sind daher Voraussetzungen für den Geschäftserfolg.
Symbolbild

Download - Formular (kostenfrei) [2a DE]

Jetzt downloaden!

Füllen Sie das nachfolgende Formular aus und Sie erhalten umgehend den Downloadlink.

Datenpflege ist Pflicht!

Von Risikomodellen über Business-Intelligence-Lösungen bis zu Methoden aus der künstlichen Intelligenz (KI): Kein Finanzinstitut kommt im Zeitalter der Digitalisierung ohne datengetriebene Methoden und Verfahren aus. Aber was passiert, wenn die Grundlagen falsch oder unvollständig sind? Im Whitepaper „Gute Daten, schlechte Daten“ zeigen die Experten von PPI, welche Auswirkungen eine fehler- oder lückenhafte Datengrundlage hat.

Drei konkrete Fallstudien aus den Bereichen Risikomanagement und Compliance machen den Effekt mangelnder Datenqualität auf etablierte Risikomodelle und innovative Methoden aus der KI greifbar. Demzufolge führen gerade einmal zehn Prozent falsche oder unvollständige Datensätze zu grundlegend anderen Ergebnissen. Bei der Verwendung von KI-Algorithmen besteht sogar die Gefahr, dass die Ergebnisse völlig unbrauchbar werden. Datenqualität ist daher längst eine mitentscheidende Größe für den Geschäftserfolg.