{"id":62377,"date":"2021-04-09T00:00:00","date_gmt":"2021-04-09T04:00:00","guid":{"rendered":"https:\/\/dataladder.com\/herausforderungen-beim-namensabgleich-wie-viel-verlieren-die-finanzinstitute-durch-ungeklaerte-kundenidentitaeten\/"},"modified":"2026-01-01T10:57:43","modified_gmt":"2026-01-01T15:57:43","slug":"herausforderungen-beim-namensabgleich-wie-viel-verlieren-die-finanzinstitute-durch-ungeklaerte-kundenidentitaeten","status":"publish","type":"post","link":"https:\/\/dataladder.com\/de\/herausforderungen-beim-namensabgleich-wie-viel-verlieren-die-finanzinstitute-durch-ungeklaerte-kundenidentitaeten\/","title":{"rendered":"Herausforderungen beim Namensabgleich: Wie viel verlieren die Finanzinstitute durch ungekl\u00e4rte Kundenidentit\u00e4ten?"},"content":{"rendered":"

Schlechte Daten sind wohl die gr\u00f6\u00dfte Herausforderung f\u00fcr Banken und gro\u00dfe Finanzunternehmen.<\/p>\n

Laut Ollie East, Direktor von Baker Tilly<\/a>, gehen den US-Unternehmen aufgrund schlechter Datenqualit\u00e4t j\u00e4hrlich rund 3 Billionen Dollar verloren – und Banken sind da keine Ausnahme. Angesichts des astronomischen Datenwachstums sind die Finanzinstitute erheblichen Risiken ausgesetzt, z. B. in Bezug auf Finanzbetrug oder die Nichteinhaltung von Compliance-Standards. Die Ursache hierf\u00fcr sind schlechte, unsaubere Daten, die sich in widerspr\u00fcchlichen Kundenidentit\u00e4ten und mangelnder Namensstandardisierung \u00e4u\u00dfern.<\/p>\n

Um Daten genau zu verarbeiten, Datens\u00e4tze zu verkn\u00fcpfen und redundante Eintr\u00e4ge im Bankwesen zu entfernen, ist der unscharfe Namensabgleich ein beliebter Ansatz.<\/p>\n

In diesem Beitrag wollen wir uns ansehen, warum Fuzzy-Matching-Logik f\u00fcr den Bankensektor so wichtig ist.<\/p>\n

Die Landschaft des Bankensektors<\/b><\/h3>\n

Umfang der Daten<\/b><\/h4>\n

Auf der Makroebene m\u00fcssen die Banken betr\u00e4chtliche Datenmengen aus verschiedenen Kan\u00e4len wie K\u00e4ufen an der Kasse, Geldautomaten, Online-Zahlungen und Kundenprofildaten \u00fcberwachen.<\/p>\n

Hinzu kommen mehrere Ebenen und Arten von Finanzdaten, die die Banken verwalten m\u00fcssen: Zahlungen, Einkommen, Kredit, Kreditvergabe, Abschreibungen, Kontoverwaltung, Kreditvergabe gegen Wucher und vieles mehr. Alle diese Daten sind in der Regel in Silos angeordnet und produktorientiert (im Gegensatz zu kundenorientiert), was bedeutet, dass die Erlangung einer genauen, einheitlichen Sicht komplex ist.<\/p>\n

Bankvorschriften<\/b><\/h4>\n

Banken m\u00fcssen nicht nur Unmengen von Daten verwalten, sondern auch eine Reihe von Compliance-Vorschriften einhalten, die vom Federal Reserve Board, dem Office of the Comptroller of the Currency und anderen Beh\u00f6rden erlassen wurden. Dazu geh\u00f6ren:<\/p>\n

    \n
  1. USA-Patriot-Gesetz<\/li>\n
  2. AML (Anti-Geldw\u00e4sche)<\/li>\n
  3. KYC (Know Your Customer)<\/li>\n
  4. CFT-Verordnungen (Bek\u00e4mpfung der Finanzierung des Terrorismus)<\/li>\n
  5. BSA (Bank Secrecy Act) & Currency and Foreign Transactions Reporting Act und mehr<\/li>\n<\/ol>\n

    Daten-Herausforderungen<\/b><\/h4>\n

    Im Laufe der Jahre haben Banken stark in die digitale Transformation, KI und Big Data investiert, um besser f\u00fcr den Umgang mit gro\u00dfen Datenmengen ger\u00fcstet zu sein. Dennoch gibt es zahlreiche Herausforderungen, wie z. B.:<\/p>\n

      \n
    1. Veraltete oder \u00fcberholte IT-Infrastruktur:<\/b> Die Finanzdaten der Banken basieren immer noch auf veralteten Mainframe-Systemen, so dass mehr als 90 % der 100 gr\u00f6\u00dften Banken der Welt immer noch auf diese Systeme zur\u00fcckgreifen. Dieses Problem wird noch dadurch versch\u00e4rft, dass Unternehmen ihre Daten zwischen lokalen Systemen und Cloud-Anwendungen austauschen, da dies den Aufwand f\u00fcr Datenkonvertierungsinitiativen erh\u00f6ht.<\/li>\n
    2. 80 % der Bankdaten sind unstrukturiert:<\/b> Im Gegensatz zu strukturierten Daten, die in einem relationalen Format gespeichert sind, das leichter zug\u00e4nglich ist und mit dem man leichter arbeiten kann, sind unstrukturierte Daten – gespeichert als NoSQL-Datenbanken, Word-Dokumente, PDFs und E-Mails – viel schwieriger zu interpretieren und zu analysieren. Das Ergebnis ist, dass ein gro\u00dfer Teil der Daten ungenutzt bleibt, die sonst genutzt werden k\u00f6nnten, um die sich \u00e4ndernden Kundenpr\u00e4ferenzen in Echtzeit zu verstehen und zu antizipieren.<\/li>\n
    3. Mangel an geeigneten Technologien f\u00fcr die Bereinigung von Big Data:<\/b> Banken nutzen die Open-Source-Plattform Hadoop, wie HBase, HDFS, Spark und viele andere. Die Aufnahme von Daten aus all diesen Systemen zusammen mit denen aus SQL-basierten Datenbanken ist jedoch nach wie vor eine Herausforderung, da es sich um disparate Datensilos handelt und die Deduplizierung und Entit\u00e4tsaufl\u00f6sung von Milliarden von Datens\u00e4tzen schwierig ist.<\/li>\n<\/ol>\n

      Schlechte Finanzdaten – ein gro\u00dfes Hindernis f\u00fcr Banken<\/b><\/h3>\n

      Das Sprichwort „Daten sind das neue \u00d6l“ ist wahr. Um jedoch sicherzustellen, dass Daten genauso wertvoll sind wie \u00d6l, muss man die n\u00f6tige Zeit und M\u00fche in die Konsolidierung, Profilierung, Analyse, Deduplizierung und Entit\u00e4tsaufl\u00f6sung von Datens\u00e4tzen investieren, um eine einzige Quelle der Wahrheit zu schaffen.<\/p>\n

      Banken m\u00fcssen f\u00fcr eine Vielzahl von Vorschriften (insbesondere KYC) und Verwendungszwecken (FICO-Kreditw\u00fcrdigkeitspr\u00fcfung, Vorhersage von Finanzausf\u00e4llen) \u00fcber Jahrzehnte hinweg aktuelle Kundeninformationen vorhalten, die, wenn sie nicht gepflegt werden, schnell korrupt oder veraltet werden k\u00f6nnen.<\/p>\n

      Au\u00dferdem ist es sehr wahrscheinlich, dass die von den Banken erhobenen Daten Anomalien enthalten, die auf manuelle Eingabefehler, vom System erzeugte Duplikate und vieles mehr zur\u00fcckzuf\u00fchren sind. Vor diesem Hintergrund ist es f\u00fcr Datenexperten von entscheidender Bedeutung, \u00fcber Strategien zu verf\u00fcgen, um Fehler rechtzeitig zu finden und zu beheben, bevor sie sich zu gro\u00dfen Geldw\u00e4scheskandalen und Kontroversen um Kreditkartenbetrug auswachsen.<\/p>\n

      Fuzzy Name Matching – Was ist das?<\/b><\/h3>\n

      Fuzzy-Matching ist ein probabilistischer Matching-Algorithmus, der den Abgleich von zwei oder mehr Eintr\u00e4gen auf der Grundlage der Wahrscheinlichkeit ihrer \u00c4hnlichkeit erm\u00f6glicht. Es unterscheidet sich deutlich vom deterministischen Abgleich, bei dem \u00dcbereinstimmungen auf der Grundlage einer „Ja“- oder „Nein“-Logik bei Vorhandensein einer eindeutigen Kennung wie Adresse, Sozialversicherungsnummer oder anderen Feldern identifiziert oder gekennzeichnet werden.<\/p>\n

      Der unscharfe Namensabgleich eignet sich am besten f\u00fcr Namensabfragen, um \u00dcbereinstimmungen mit einer Wahrscheinlichkeit von weniger als 100 % zu ermitteln, wenn kein eindeutiger Bezeichner vorhanden ist. Bei Banken kann es mehrere Varianten von Kundennamen in Form von:<\/p>\n