Machine Learning

Dr. Matthias Hirtschulz

Dr. Matthias Hirtschulz

Ansprechpartner next@d-fine.com

Machine Learning konnte in der Vergangenheit eindrucksvoll belegen, komplexe Probleme auf Basis großer, unstrukturierter Datenmengen lösen zu können. Steigende Rechenleistung und die Explosion verfügbarer Informationen erlauben die Anwendung von Lernalgorithmen, um sowohl neue (Geschäfts-) Ideen umzusetzen als auch existierende Geschäftsfelder zu optimieren.

Seit den Anfängen der Erforschung künstlicher Intelligenz und Firmengründungen des digitalen Zeitalters hat sich die Nutzung von Machine Learning stark ausgeweitet.

Die Finanzbranche ist keine Ausnahme und nutzt diese Verfahren in unterschiedlichsten Feldern von der Entwicklung neuartiger Handelsstrategien, Risikoabschätzung, Betrugsprävention bis hin zum besseren Verständnis von Kundenbedürfnissen.

Allgemein gesprochen, sehen wir vier Kernanwendungsfelder für Machine Learning:

  • Automatisierung von Prozessen,
  • Aufdecken von bisher unbekannten Zusammenhängen,
  • Treffen von Vorhersagen und
  • Erschließung bisher unberücksichtigter Informationen.


Manchmal kann es als erster Schritt bereits gewinnbringend sein, relevante Datenquellen zu identifizieren, die Zahl der Datensilos zu reduzieren und eine bessere Verknüpfung vorhandener Daten anzustreben. Oft ermöglicht eine sinnvolle Kombination externer und interner Datenquellen bereits deutliche Verbesserungen.

Was ist der nächste Schritt? d-fine next hilft Ihnen dabei, Ihre Daten optimal zu nutzen, indem wir Data Science und Branchenkenntnis zusammenbringen.

Übersicht über unsere Dienstleistungen

Aufsetzen und Konsolidieren der Datenquellen

  • Durchführung einer strukturellen Analyse zur Identifikation und Visualisierung von Kommunikationsmustern oder Konzentrationsrisiken
  • Kombination von strukturellen und Leistungsdaten, z.B. Netzwerk von Kundenbeziehungen mit Darlehens- oder Aktienperformance zur Verbesserung des Entscheidungsprozesses
  • Automatisierung von Prozessen zur Datenbereinigung oder Entitätsverknüpfung
  • Informationsextraktion aus unstrukturierten Daten, z.B. Textnachrichten
  • Aufsetzen eines Self-Service Business Intelligence Analysesystems für agiles Reporting

 

Machine Learning Modelle

  • Sentiment-Analyse von Nachrichten für Unternehmensbewertungen
  • Überwachung von Handels- und Kommunikationsaktivitäten zur Betrugserkennung
  • Aufdeckung von Mustern in der Risikoverteilung zur Optimierung des Collateral Managements
  • Analyse von Zahlungsinformationen zur Optimierung von Marketingmaßnahmen (Up- und Cross-Selling)

Berlin

Frankfurt

London

Wien

München

Zürich