Die Konferenz »Banking & Technology 2018« stand im Zeichen des digitalen Umbruchs. Die Schlüsselfrage: Wie die notwendige Transformation der Bankenbranche gelingen kann.

Fürs Banking braucht es keine Bank mehr«, akklamierten FinTech-Vertreter wie André Bajorat, figo, oder Gil Cohen, Open Legacy, auf der »Banking & Technology 2018« im November in Wien –und gestandene Banker wie RBI-COO Andreas Gschwendtner gaben ihnen recht. Banken, die das nicht erkennen, laufen Gefahr in einer Welt mit PSD2, der neuen Zahlungsdienst-Richtlinie der EU, zum bloßen Abwickler zu verkommen. Der Kunde entscheidet über den richtigen Ort und vor allem den passenden Kontext für die Nutzung seiner Finanzen. Es sind neue Player, die typische Banking-Aufgaben übernehmen.

»Erfolgreich im Bankingumfeld werden jene sein, die am besten mit Daten umgehen können«, prophezeit dazu Peter Hiekmann, CSO des Fintechs NDGIT. Er sieht die klassischen Geschäftsmodelle schwinden, wenn einmal IT-basierte Plattformen den Markt überrollen: »Der freie Fall wird kommen, wie das Amen im Gebet«.

Wie sieht es eigentlich mit dem Bedarf an Fachkräften für die datengetriebene Zukunft der Finanzbranche aus? Oliver Maspfuhl, Commerzbank, hat selbst noch nicht den Wunderwuzzi »Data Scientist« kennengelernt, und wenn, dann sind diese »unglaublich teuer und rar«. Er spricht vielmehr von einem Data-Scientist-Team von Menschen, die in ihren Spezialgebieten exzellent sind: Informatiker, Mathematiker, Physiker, Statistiker und Business-Experten mit Interesse für Daten, die gemeinsam Datenvisualisierungen, Machine Learning, Computer Science und auch die Kommunikation dazu vorantreiben. Fazit: Es gibt keinen, der alle diese Eigenschaften in einer Person vereint.

»Wenn wir es nicht schaffen, Mathematik als Schlüsseltechnologie unserer Zivilisation ins Bewusstsein zu rufen, werden unsere Kinder und Jugendliche nicht auf die Zukunft vorbereitet sein«, warnt Maspfuhl auch. »Dabei geht es nicht darum, dass jedes Kind Powerpoint, Word und Excel bedienen, sondern Zahlen verwenden kann, um die Wirklichkeit zu beschreiben«. Letztlich sieht er bunt zusammengesetzte Teams unterschiedlicher Interessen und Fähigkeiten reüssieren.

Beispiel für die Möglichkeiten

»Machine Learning ist verdammt schwierig. Sie brauchen die passenden Daten, die richtige Infrastruktur und die richtigen Menschen – letzteres ist am schwierigsten zu bekommen«, weiß auch Mario Berger, Google Cloud. Er sieht gut 60 % der Datawarehouse-Implementierungen scheitern, indem keine verwertbaren Ergebnisse oder Lösungen geliefert werden. Berger erzählt von einem hervorragenden Beispiel des Potenzials und der Skalierungsmöglichkeiten von IoT und Datenanalysen – und einem hervorragendem »Return on Investment«: Die Behörden des Inselstaates Kiribati haben lediglich ein einziges Boot zur Kontrolle illegaler Fischerei zur Verfügung. Mittels Mustererkennung von Transponder-Daten internationaler Fischfangflotten können widerrechtliche Aktivitäten in Schutzgebieten trotzdem verlässlich erkannt und geahndet werden.

Es werden Millionenstrafen ausgesprochen, die einstellige Prozent-Anteile des Bruttoinlandsprodukts  dieses Staates ausmachen. Das kann also die Digitalisierung!