Wenn eine Bank bei einem Softwareunternhemen anfragt und wissen will, wie sie Künstliche Intelligenz nutzen könnte, steht das für etwas: Erstens, dass die Bank KI-willig ist und zweitens, dass die Bank KI-ratlos ist. Banken wollen KI ja haben, sie könnten auch durchaus – Budget ist da. Aber sie wissen nicht,
Wie schon gesagt, ich bin Gamer. Ich bin außerdem Freizeit-Spieleentwickler und Angestellter. Es ist also nicht weiter verwunderlich, dass Gamification (ich möchte hier bei der englischen Schreibweise bleiben) ein interessantes Thema für mich ist. Gemeint ist damit die Übertragung von Techniken, die üblicherweise in Spielen eingesetzt werden, auf andere Bereiche,
„Die wichtigsten Dinge schreibt man am besten gleich in die Einleitung! Eventuell lesen einige ja gar nicht bis zum Hauptteil weiter“. Einen ähnlichen Gedanken hatte ich bei meinem aktuellen Buch Applying Data Science – Business Case Studies Using SAS auch. Da sind bereits in der Einleitung die Mehrwerte aufgezählt, die
In meinem letzten Blogpost ging es darum, welche Aufgaben „Robo A“ mir als Bankmitarbeiter womöglich schon abnehmen kann, sodass ich Zeit für wichtigere Themen gewinne. KI spielt in Banken schon lange keine Nebenrolle mehr. Die Suche nach dem ultimativen Use Case, der einerseits über den Hype und andererseits über den
Vor zwei, drei Jahren war „digitale Transformation“ nur ein Wort. Heute findet sie statt. Handwerk, Industrie, Banken, Gesundheitswesen – überall werden überholte und ineffiziente Strukturen abgelöst. Gerade Dienstleistungen sind schon spürbar schneller, unkomplizierter und besser verfügbar geworden. Und die Services öffentlicher Behörden? Auch dort bewegt sich einiges, aber: Es ist
Lenin ist sauer, saurer sogar, als es Bolschewiken-Art ist. „Ich habe Ihre IoT-Blogs gelesen“, sagt er. Und er ist sauer. Noch auf dem SAS Forum in Bonn hatte er unsere Zusammenarbeit gepriesen und den Stellenwert von Datenanalyse und künstlicher Intelligenz hervorgehoben. Auch Lenins Mitarbeiter waren dort gewesen, die Hornbrillen-Dame und
Heute ist alles Daten. Ein Data-Hype jagt den nächsten. Die Empfehlung für weitere Produkte bei einer Online-Bestellung, die Auswertung von Wearables zur Fitnessoptimierung, das Anzeigen der besten Fahrroute – all das basiert auf zuvor gesammelten Informationen und Systemen, die dem Anwender Handlungsoptionen aufzeigen. Schon damals schien es ganz normal, dem
Versicherungen arbeiten intensiv daran, ihre Geschäftsmodelle zu erneuern. Ein modernisiertes Aktuariat spielt dabei eine Schlüsselrolle. Warum? Das habe ich meinen Kollegen und ausgebildeten Aktuar Diego Rivas gefragt. Das Versicherungsgeschäft wirkt von außen wie ein langer, ruhiger Fluss. Trügt der Schein? Heute – eindeutig ja. Der Markt ist längst gesättigt, und
Im vorangegangenen Blog habe ich die „vier Säulen des Vertrauens“ für automatisierte Entscheidungen vorgestellt. Dieser hat gezeigt: Erklärbarkeit und Transparenz beziehen sich auf den gesamten analytischen Prozess. Wie sieht es aber mit der „Blackbox“ der maschinellen Lernalgorithmen aus? Auch dort muss Transparenz durch eine analytische Plattform gewährleistet sein. Die gute
Lenin schaut übellaunig wie ein Bolschewik: „Sherlock? Der hat mit leistungsfähiger künstlicher Intelligenz so wenig zu tun wie mit echter Detektivarbeit! Wir brauchen weder Sherlock noch seinen Doktor!“ Lenin hatte mich zum Challenger Workshop eingeladen. Ein Berater der Accelerator Change & Disruption Consultancy (AC&DC) bat nach kurzem Impulsvortrag (Change! Disruption!)
Im vorangegangenen Blogbeitrag bin ich darauf eingegangen, welchen geschäftlichen Nutzen die IFRS-9-Umsetzung für Banken haben kann – abgesehen davon, die Aufsichtsbehörden zufriedenzustellen. Die gleiche Frage stellt sich Versicherern vor dem Hintergrund von IFRS 17. Bis vor Kurzem war die Bilanzierung von Versicherungsverträgen denkbar einfach. Die meisten Accounting-Standards erfordern keine speziellen
Im ersten Teil meines Blogs habe ich argumentiert, dass die Beschäftigung mit künstlicher Intelligenz (KI) und Ethik keine rein philosophische oder gesellschaftspolitische Fragestellung ist. Eines ist klar: Die Ethik-Debatten werden in diesem Jahr weitergehen und sich stärker an den realistischen Möglichkeiten und Risiken von KI orientieren. Unternehmen und Organisationen, die
IFRS 9 ist seit dem 1. Januar 2018 in Kraft. Heute lässt sich feststellen: Die Umsetzung hat länger gedauert als erwartet, langfristige Auswirkungen sind noch nicht absehbar. Wie in meinem vorangegangenen Blogbeitrag beschrieben, haben Banken im Großen und Ganzen den Prozess jedoch recht gut bewältigt. Angesichts der immensen Kosten stellt
„Hallo, Herr Kaiser!“ Kennen Sie ihn noch? Von den 1970er-Jahren bis in die frühen 2000er kam er vor jeder Tagesschau in unser Wohnzimmer. Als Versicherungsvertreter verkörperte er Vertrauen, Nähe und Fairness. Egal ob Unfall-, Sach-, Haftpflicht- oder Kfz-Versicherung: Günter Kaiser wusste, was Sache ist. Er war das bekannteste Werbegesicht Deutschlands.
Ich erinnere mich noch lebhaft an meine ersten Kurse im Management-Studium, in denen wir die Wichtigkeit von Planung und Controlling diskutiert haben. Was immer wieder zur Sprache kam: die Verifizierbarkeit oder Messbarkeit von Zielen. IQ oder EQ sind nur zwei Beispiele, wie weit das Bedürfnis nach Quantifizierung geht – selbst
Wenn wir über künstliche Intelligenz (KI) und Ethik sprechen, dann beziehen wir uns nicht in erster Linie auf dystopische Anwendungen, in denen ein autonomer Roboter stur und ohne menschliche Kontrolle in Terminator-Manier Entscheidungen über Leben und Tod trifft. Das soll natürlich nicht heißen, dass ein kritischer Diskurs zum Beispiel über
Diese Frage bekomme ich von Nicht-Data-Scientists immer häufiger gestellt. Und es ranken sich viele Meinungen und Mythen um diese Expertengruppe. Genau aus diesem Grund habe ich mich mit Simon Greiner, einem angehenden Data Scientist und erfahrenen IT-Berater, unterhalten. Ein Mythos über Data Scientists: sie lesen keine Bücher mehr. Stimmt nicht!
„Für mich heißt Internet of Things, dass hier alles rotiert wie in einem Wäschetümmler und es weder Durcheinander noch Stillstand gibt.“ Frau Dönmek hatte Lenin und mich am Werkstor in Cedorf abgeholt und uns gleich in die Halle zu ihrer Anlage geführt: „Wir arbeiten an der Kapazitätsgrenze. Was wir wegen
Die Versicherungsbranche (Aktuariat) ist ein langer, ruhiger Fluss, auf dem träge Dampfer kreuzen. Sagen die einen. Sie ist ein Haifischbecken, das nur die stärksten überleben. Sagen die anderen. Recht haben sie beide. Denn zum einen ist der Versicherungsmarkt ganz klar ein reifer Markt, in dem der Handlungsspielraum für die einzelnen
Lenin hebt sein Glas: „Auf unsere digitalisierte Service-Flotte und das zehnte angebundene Werk!“ Ich proste zurück: „Auf Ihren neuen Job!“ – „Ach, ich mache das Gleiche wie vorher: Machine Learning – insbesondere für das Internet of Things …“ Der Kellner unterbricht: „Wer wollte noch Thunfisch-Nigiri?“ – „Internet of Thunfisch“, lacht
Sie lebt in der Cloud und ist sehr genügsam. Als Allesfresser nimmt sie jegliche Art von Daten dankbar entgegen. Seien das nun strukturierte oder unstrukturierte Daten in allen Formen und Facetten … Sie ist einerseits mit sehr wenig zufrieden und holt das Bestmögliche aus wenigen Daten heraus, kann allerdings, wenn
K(o)ennen Sie schon „DevOps“? Machen Sie SAS? Dann lohnt sich eventuell ein frischer Blick auf die Kombination! Denn immer mehr Unternehmen probieren, ihren produktiven Betrieb auch in die Hände der Software-Entwickler zu legen (2 von 3 laut Jenkins) – speziell in der Analyse, insbesondere beim agilen Modellieren und dem Veredeln
Model Risk Management ist nicht zuletzt ein Wirtschaftsfaktor für Unternehmen. Das zeigte auch das jüngste SAS Event: Teilnehmer aus elf Banken trafen sich im Hilton Hotel am Frankfurter Flughafen zur „SAS Customer Connection for Model Risk Management“. Zum Auftakt standen aktuelle Entwicklungen im Model Risk Management im Vordergrund, die unter
Wien und die Donau: Zahlreiche Lieder, Geschichten und Filme dokumentieren die innige Beziehung zwischen der österreichischen Hauptstadt und „ihrem“ Fluss. Das war aber nicht immer so: Über Jahrhunderte stellte das Gewässer eine große Bedrohung für die Stadt dar – und es erforderte beträchtliche Ingenieurskunst, um die Donauauen in ein echtes
Dass IFRS 9 spürbare Herausforderungen im Hinblick auf die Implementierung bringen würde, war von Anfang an klar. Neben den technischen Hürden haben sich Banken schon in einem sehr frühen Stadium den strengen Prüfungen durch Regulatoren, Investoren und Rating-Agenturen, Aufsichtsräten sowie externen und internen Prüfern stellen müssen. Doch verantwortungsbewusste und weitsichtige
Nicht erst im Zeitalter von künstlicher Intelligenz (KI) und Real-Time Decision Engines werden historische und aktuelle Verhaltensweisen von Kunden analysiert. Die Praxis, anhand dieser Informationen Entscheidungen zu treffen und sie in Echtzeit auf die Kundeninteraktion anzuwenden, gab es bereits in den 1970er-Jahren. Frau Cerny betrieb den Lebensmittelladen im Wohnhaus meiner
Ich muss gestehen: ich bin leidenschaftlicher Gamer. Man könnte auch sagen, ein „Nerd“. Ich liebe Computerspiele, nicht nur, sie zu spielen, sondern ich möchte auch wissen, wie sie gemacht werden, wie sie funktionieren und wohin die Entwicklung in Zukunft führen wird. Ganz besonders interessiert mich, wie künstliche Intelligenz in Spielen
Wie wäre es, wenn Sie Anomalien in der Lieferkette automatisch erkennen oder vorhersagen könnten? Wenn Sie also die Chance bekämen, rechtzeitig Korrekturmaßnahmen zu ergreifen und so Umsatz, Margen und Kundenzufriedenheit zu steigern? Die Planung einer Supply Chain kann sehr komplex sein. Von der Planung und Beschaffung über die Fertigung bis
Sie glauben, dass Machine Learning die Rolle von Nachfrageplanern komplett ersetzen kann? Dann lesen Sie diesen Beitrag besser nicht. Wenn Sie jedoch der Ansicht sind, dass maschinelles Lernen den Planungsprozess automatisieren kann, so dass Nachfrageplaner effizienter arbeiten können, dann stimme ich Ihnen voll und ganz zu! Intelligente Automatisierungstechniken sind quasi
Finanzdienstleister haben aktuell massive Herausforderungen beim Management ihrer Daten: Der Kostendruck zwingt einerseits zu einem hocheffizienten Betrieb („run“). Zugleich wandeln sich andererseits die Prozesse im Business, Stichwort Digitalisierung („change“). Die drückenden Regeln der Aufsicht scheinen sich nicht vereinen zu lassen mit dem Anspruch der Kunden, flexibel, fix und doch datensparsam
