Der kompetente Umgang mit Daten kann Unternehmen Wettbewerbsvorteile sichern. Jean-Bernard Nobs und sein Team sind die Big-Data-Spezialisten bei PostFinance. Im Interview erläutert er, was ihre Arbeit ausmacht.

Data Mining, Data Analytics oder Data Science: Welche Bezeichnung trifft auf Ihre Arbeit am ehesten zu?

Ganz klar Data Science. Denn Data Mining  Unter Data Mining im engeren Sinn versteht man die systematische Anwendung computergestützter Methoden, um in vorhandenen Datenbeständen Muster, Trends oder Zusammenhänge zu finden. und Data Analytics  Mit Data Analytics werden grosse Datenmengen aus unterschiedlichen Quellen analysiert. sind nur Teilbereiche der Datenarbeit. Data Science hingegen ist das, was wir tun: Wir verschaffen unserem Unternehmen und den Kundinnen und Kunden einen Vorteil, indem wir anhand von Daten zukunftsgerichtete Antworten auf relevante Problemstellungen suchen und finden. Es geht nicht darum, Daten zum Selbstzweck aufzubereiten und darzustellen. Unsere Datenarbeit, bei der wir Werkzeuge aus den verschiedenen Data-Disziplinen, wie zum Beispiel Deep Learning  Deep Learning ist eine Methode der Informationsverarbeitung und ein Teilbereich von Machine Learning, das neuronale Netze sowie grosse Datenmengen zur Entscheidungsfindung nutzt. Deep Learning orientiert sich an der Funktionsweise des menschlichen Gehirns. oder Visualisierung, einsetzen, ist umfassend und schafft Mehrwert.

Wie konkret hilft Data Science dabei, das Banking besser zu machen?

Data Science kann gegen innen und gegen aussen wirken. So tragen wir mit unserer Arbeit einerseits dazu bei, unsere operativen Prozesse im Banking durch Automatisierung effizienter zu gestalten. Andererseits helfen Daten auch dabei, die Kundinnen und Kunden besser zu verstehen. Data Science hilft, massgeschneiderte Massnahmen umzusetzen. 

Thema Datenschutz: Mit der Datenschutz-Grundverordnung ist der Datenschutz restriktiver geworden. Was bedeutet dies für Ihre Arbeit?

Sicherlich gibt es dadurch neue Hürden. Auf der anderen Seite ist es aber auch eine Chance, neue Lösungen zu entwickeln, die nicht gerade auf der Hand liegen. Für Kunden, die bereit sind, Daten freizugeben, können Angebote entwickelt werden, die ihnen wirklich etwas bringen. 

Wie läuft ein Data-Science-Projekt ab?

Zu Beginn steht – wie bereits erwähnt – immer eine Fragestellung, zum Beispiel: «Wie können wir die Zahl der manuellen Schritte bei der Erkennung betrügerischer Handlungen reduzieren?» Wenn das zu lösende Problem definiert ist, die Erfolgschance gegeben sind und auch die Frage geklärt ist, ob der Return on Investment positiv ausfallen wird, machen wir uns auf die Suche nach Daten und stellen sie so zusammen, dass man eine vernünftige Datenbasis hat. Ist die Qualität der Daten gut genug, versuchen wir, sie – zum Beispiel mit computergestützten Visualisierungstechniken – aufzubereiten, um sie auszuwerten und Erkenntnisse zu gewinnen. Um das Problem zu lösen, machen wir uns je nach Vorhaben Werkzeuge wie Machine Learning zunutze. 

Welchen Stellenwert hat Data Science bei PostFinance?

Einen immer grösseren. Das zeigt allein die Entwicklung in den letzten Jahren: Seit 2014 ist unser Team von zwei auf zehn Personen gewachsen. Wie fast alle grösseren Unternehmen können wir aktuell noch nicht das gesamte Potenzial aus unserer Datenwelt ausschöpfen, da wir diese aufgrund der gewachsenen Systeme nicht so einfach zusammentragen können. Die Daten sind noch zu stark in Silos verteilt, aber wir arbeiten an einer zentralen Datenbank – genauso wie daran, den Mehrwert von Data Science immer wieder zu beweisen. Oft leisten wir dabei auch Überzeugungsarbeit – gerade wenn die Daten ein ganz anderes Bild liefern als persönliche Erfahrungswerte.