Der Innovationsdruck auf Fintechs ist enorm. Um ihre Wettbewerbsfähigkeit zu sichern, investieren Anbieter in diesem Bereich viel Geld in die Entwicklung und Optimierung ihrer digitalen Plattformen und Dienstleistungen. Denn diese müssen sowohl den steigenden Verbrauchererwartungen als auch immer komplexeren regulatorischen Anforderungen entsprechen. Und sie sollen dabei solide Geschäftsergebnisse erzielen, bei immer strikterer Kostenkontrolle und gleichzeitiger Effizienzsteigerung. Keine einfache Aufgabe.
In diesem wettbewerbsintensiven Markt sind Daten schnell zur wichtigsten digitalen Währung geworden. Doch wie in vielen anderen Branchen auch stellt das exponentielle Datenwachstum ein steigendes Problem für den Fintech-Bereich dar. Denn Tag für Tag generieren Finanzdienstleister Unmengen an Informationen, angefangen bei Aufzeichnungen von Transaktionen und Kundeninteraktionen bis hin zu API-Protokollen sowie Daten zur Betrugserkennung und Compliance-Dokumentation, um nur einige Beispiele zu nennen.
Bei einem Großteil dieser Informationen – und zwar geschätzte 80 bis 90 Prozent – handelt es sich um so genannte unstrukturierte Daten. Diese können beispielsweise in Dokumenten, Audioaufzeichnungen oder als Bilder vorliegen und weisen kein vordefiniertes Format auf, was die effiziente Speicherung, Klassifizierung und Analyse erschwert. Tatsächlich ist die Verwaltung und Nutzung unstrukturierter Daten zu einer der größten technologischen und prozessbezogenen Herausforderungen der letzten Jahre geworden.
Mangelnde Einblicke in die Datenlandschaft
Erschwerend kommt noch hinzu, dass diese Daten üblicherweise über On-Premises- und Cloud-Umgebungen verteilt gespeichert sind und die wenigsten Unternehmen einen umfassenden Überblick über ihre Datenbestände haben. Gleichzeitig sind Finanzunternehmen rechtlich dazu verpflichtet, bestimmte Datensätze auch über längere Zeiträume aufzubewahren, um unterschiedlichste Governance-Anforderungen zu erfüllen. Gerade im Fintech-Bereich beschleunigt die branchenspezifische Nachfrage nach Programmierschnittstellen (APIs), die einen Echtzeit-Datenaustausch und Integrationen über Fintech-Systeme hinweg ermöglichen, das rasante Datenwachstum noch weiter – ebenso wie Echtzeit-Transaktionen und zunehmend auch datenintensive KI-Workloads.
Unter dem Strich führt dies dazu, dass viele Unternehmen gar nicht wissen, wie viele Daten sie besitzen, geschweige denn in welcher Phase ihres Lebenszyklus sich diese befinden, welche Risikoeinstufung ihnen zugeordnet werden sollte und ob es überhaupt noch sinnvoll ist, in ihre Aufbewahrung zu investieren. Daraus resultieren gleich mehrere Probleme, unter anderem der stetig wachsende Speicherbedarf. Viele Fintechs reagieren auf die steigenden Datenfluten einfach, indem sie in zusätzliche Speicherkapazitäten investieren.
Auf den ersten Blick mag dies als einfache Lösung erscheinen. Tatsächlich entsteht so jedoch ein Teufelskreis, in dem immer mehr Daten auch immer mehr Speicherplatz erfordern. Und das bedeutet zusätzliche Komplexität, steigende Kosten und immer weniger Transparenz. Die Folgen sind alarmierend: 60 Prozent der Unternehmen geben zu, dass es sich bei mindestens der Hälfte ihrer Daten um „Dark Data“ handelt, also um Informationen, die zwar gespeichert, aber nie genutzt werden. Das ist finanziell langfristig nicht tragbar.
Eine neue Herangehensweise
Fintechs brauchen deshalb einen völlig anderen Ansatz, um mit dem Datenwachstum Schritt zu halten. Anstatt wie bisher üblich ständig schlicht die Speicherkapazitäten zu erweitern, sollten sie ihre unstrukturierten Daten als finanziellen Vermögenswert betrachten und nicht als bloßes Speicherproblem – und die Daten entsprechend sorgfältig handhaben.
Dabei sollte das Konzept des Datenlebenszyklus-Management (Data Lifecycle Management, DLM) in den Vordergrund rücken, bei dem die Daten auf Grundlage ihres Geschäftswerts und der gesetzlichen Vorgaben korrekt identifiziert, klassifiziert und verschoben werden. In dieser Situation dient das Datenmanagement nicht mehr nur der Schadensbegrenzung. Vielmehr liegt der Fokus nun auf der finanziellen Optimierung – und daraus, maximalen Wert aus den Daten zu schöpfen.
Der erste Schritt dabei: für Transparenz zu sorgen. Fintechs benötigen einen genauen, unternehmensweiten Überblick darüber, welche Daten vorhanden sind, wo sie sich befinden, wer für sie verantwortlich ist und wie sie verwendet werden. Andernfalls laufen jegliche Versuche zur Eindämmung von Kosten und Risiken ins Leere.
Der nächste wichtige Schritt betrifft die Governance und Klassifizierung der Daten nach Faktoren wie geschäftlichem Nutzen, regulatorischen Anforderungen und ihrem Risikoprofil. Anhand von Lebenszyklusrichtlinien sollte festgelegt werden, was mit den einzelnen Datensätzen zu geschehen hat: Hochwertige oder häufig verwendete Daten verbleiben in leistungsstarken Speichersystemen, während weniger wertvolle oder inaktive Daten nach Ablauf der Aufbewahrungsfristen archiviert oder gelöscht werden können. Dieser Ansatz sorgt für mehr Compliance, reduziert gleichzeitig die Mengen an redundanten Daten und setzt wertvolle Speicherkapazitäten frei.
Datenmanagement bringt Vorteile
Dieser Paradigmenwechsel ermöglicht nicht nur signifikante Kosteneinsparungen, sondern schafft auch die Grundlage für vertrauenswürdige KI-Anwendungen, beschleunigte Compliance-Prozesse und nachhaltige Innovation.
Denn sind die unstrukturierten Daten erst einmal ordnungsgemäß klassifiziert und verwaltet, dann können Fintech-Unternehmen die Budgets anderweitig einsetzen, die sie zuvor für redundante Datenspeicherung und manuelle Problembehebung aufgewendet haben. Dies schafft finanziellen Spielraum für Investitionen in strategisch wichtige Bereiche wie Produktentwicklung, künstliche Intelligenz und fortschrittliche Analytik.
Dabei darf nicht übersehen werden, dass eine wirksame Verbesserung des Datenmanagements weit über das bloße Reduzieren von Technologieausgaben hinausgeht. Mithilfe der optimierten Datenlebenszyklen können Fintechs auch sicherstellen, dass die Daten, die in KI- und Analyseplattformen eingespeist werden, korrekt, relevant und konform sind – allesamt entscheidende Faktoren für das Training zuverlässiger KI-Modelle und die Erfüllung regulatorischer Anforderungen. Eine angemessene Datenhygiene verringert außerdem die Komplexität von Compliance-Audits und beschleunigt die Berichterstattung, wodurch sich das Risiko von Geldbußen und mehr verringert.
Mit Blick auf die Zukunft sind die Fintechs, die ihre unstrukturierten Daten in den Griff bekommen, viel besser in der Lage, neue Produkte schneller auf den Markt zu bringen, auf regulatorische Änderungen zu reagieren und KI-Anwendungen verantwortungsbewusst zu skalieren. Unternehmen, die ihre Datenprobleme ignorieren, laufen dagegen zunehmend Gefahr, von ihren „Datenschulden“ ausgebremst zu werden – ein Problem, das umso gravierender wird, je länger es ungelöst bleibt.
Autor Sascha Hempe ist Regional Sales Manager DACH & Nordics, Datadobi.
