Im Beitrag zur Modernisierung der Datenplattform zeigten wir die Herausforderungen der heutigen Datenarchitektur auf und stellten neue Konzepte wie Data Mesh und DataLakeHouse sowie eine Zielarchitektur auf Basis der Azure-Plattform vor. In diesem Folge-Beitrag geht es darum, die Umsetzung vom Ist-Zustand ins Zielbild zu skizzieren. Unsere entsprechende Roadmap zur Transformation der Datenplattform stellt die einzelnen Phasen und den entsprechenden Parallelbetrieb high-level dar:

Transition into Future Mode

Beleuchten wir nun den Inhalt der einzelnen Phasen unserer Roadmap und deren Herausforderungen:

Daten-Assessment

Die erste Phase basiert auf einer datenspezifischen Konkretisierung der Geschäftsstrategie. Dabei soll festgehalten werden, wie Geschäftsdaten in Zukunft genutzt werden sollen, um Wettbewerbsvorteile zu generieren. Es gilt zu beschreiben, mit welchem Ziel und in welchen Geschäftsprozessen welche Daten verwendet werden sollen. Wir empfehlen dazu die Erstellung und Pflege eines Use-Case-Inventars (Anwendung, Nutzen, Quellsystem, Input, ETL-Prozesse, Output, Zielsystem, Priorität etc.). Dieses Register basiert einerseits auf den aktuellen (sowie allenfalls nicht realisierten) Anwendungen im Bereich der derzeitigen Business Intelligence. Andererseits soll es die neuen Anwendungsszenarien im Bereich der Künstlichen Intelligenz inklusive dem entsprechenden Datenbedarf aufführen.

Daten-Design

Diese Phase besteht aus den folgenden Elementen:

I) Analyse:

Es gilt die heutigen Stärken der aktuellen Datenplattform (z.B. Verfügbarkeit, Commodity-Technologie etc.) zu erfassen sowie auch mögliche Schwächen (z.B. Real-Time-Fähigkeit, Ladezeiten etc.) festzuhalten. Diese Phase benötigt eine äusserst enge Abstimmung mit den Geschäftsbereichen, da die Modernisierung der Datenplattform für das Business enorme, strategischen Relevanz hat.

II) Design-Principles:

Auf Basis dieser Analyse werden – in Abstimmung mit der IT-Strategie und den Anforderungen im Bereich IT-Security und Compliance – die Design-Prinzipien für das Zielbild formuliert. Diese Prinzipien dienen als «Anker» für die nun folgende Konzeptionsphase.

III) Grobkonzept:

Auf Basis der Design-Prinzipien und der Evaluation sind die Lösungsarchitektur der neuen Daten-Plattform, deren Betriebskonzept sowie die Daten-Governance zu definieren.

IV) Antrag:

Nun gilt es einen Business Case und einen Grobplan des Vorhabens zu erstellen, die als Basis für den Antrag in der Geschäftsleitung dienen.

V) Detailkonzept:

Gibt die Geschäftsleitung das Projekt frei, so startet die Ausarbeitung der technischen und organisatorischen Detailkonzepte mitsamt Detaillierung der Transformationsroadmap.

Daten-Integration

Je nach Ergebnis der Evaluation resp. Lösungskonzeption ist allenfalls ein PoC mit der neuen Lösung gewünscht. In der Public-Cloud sind Plattform-Services (z.B. Azure Fabric) verfügbar, welche diese Phase auf ideale Weise unterstützen, da diese «on-demand deploybar» sind. Die Lösung soll in dieser Phase aufgebaut und die für die Anwendungsszenarien nötigen Datenschnittstellen integriert werden. Dazu sind mindestens zwei Umgebungen (Test und Produktion) einzuplanen. In dieser Phase der Integration wird der detaillierte Cutover-Plan erstellt, der auch den Phase-out der alten Plattform beinhaltet. Die neue Daten-Plattform soll dann mit einem ersten Anwendungsfall in den produktiven Betrieb genommen und abgenommen werden.

Betrieb

In der ersten Phase des Betriebs haben wir logischerweise einen produktiven Parallelbetrieb der alten und neuen Daten-Plattform. Diese Phase soll möglichst kurz gehalten werden, da der Anfall an Kosten und Betriebsaufwand auf Grund der hohen Komplexität beachtlich ist. Die im Migrationsplan definierte Umstellung von bestehenden Anwendungen der Alt-Plattform ist konsequent umzusetzen. Es versteht sich von selbst, dass die neuen Use Cases nur noch auf der neuen Plattform realisiert werden sollen. Im Phase-out der Alt-Plattform gilt es allenfalls zu bedenken, dass gewisse Daten aus regulatorischen Gründen archiviert werden müssen.

Auf Basis dieses Vorgehen ergeben sich die folgenden Handlungsempfehlungen, welche bereits im Ist-Zustand relevant sind:

Handlungsempfehlungen für das Datenmanagement

Hinweis: Das InventxLab hat zusammen mit der Academia diverse Studien zu den Use Cases von AI in der Finanzindustrie verfasst. Gerne stellen wir Ihnen diese bei Bedarf zu und stehen persönlich zur Verfügung.

Fazit

Die Schaffung einer modernen «AI-ready»-Datenplattform ist für Schweizer Banken und Versicherer mittelfristig eine Notwendigkeit. Je früher eine solche Plattform implementiert wird, desto grösser ist die Chance einer strategischen Differenzierung im Wettbewerb. Der Fokus auf Datenqualität, die Integration von Datensilos, eine strikte Governance und die Modernisierung der Technologiebasis wird nicht nur die KI-Adoption erleichtern, sondern auch langfristig die digitale Innovationsfähigkeit des gesamten Unternehmens stärken.