Data- und AI-Kompetenzen für Finanzdienstleister

Finanzdienstleister haben Daten seit Jahrzehnten im Kern. Risikomodelle, Pricing, Kapitalanforderungen: Die quantitative Seite ist reif, oft reifer, als die Branche zugestanden bekommt. Genau deshalb sieht Kompetenzaufbau hier anders aus als anderswo.

Die Lücke liegt selten im Datenteam. Sie liegt bei allen drumherum. Die Hypothekenberaterin, die einen Risikoscore liest, die Schadenbearbeitung, die neben einem KI-Assistenten arbeitet, der Product Owner, der entscheidet, ob ein KI-Use-Case überhaupt gebaut werden soll. Sie müssen keine Modelle bauen. Sie müssen genug verstehen, um das Gezeigte zu hinterfragen, und wissen, wo die Grenze verläuft.

Und diese Grenze ist real. Model Risk Management, die Aufsicht durch DNB und EZB und die Einstufung der Kreditwürdigkeitsprüfung als Hochrisiko in der EU-KI-Verordnung bedeuten alle dasselbe: Ein Programm, das Governance als Nachtrag behandelt, ist ein Programm, das Ihre zweite Verteidigungslinie stoppen wird. Wir bauen sie ab der ersten Kohorte ein, statt am Ende ein Compliance-Modul anzuhängen.

Wir beginnen bei dem, was sich in der Arbeit ändern muss, nicht bei einem Katalog. Das Verhalten, um das es in dieser Branche geht, ist konkret: eine Kollegin, die eine Modellausgabe liest, merkt, dass sie nicht zur Akte vor ihr passt, und das sagt, mit einer Begründung, die die zweite Linie akzeptiert. Das ist eine Fähigkeit, und sie ist lernbar.

Dafür braucht es drei Dinge gleichzeitig. Wissen darüber, was ein Modell tragen kann und was nicht und wo die Aufsicht die Grenze zieht. Können in den Tools, in denen Ihre Leute wirklich arbeiten, geübt im Browser an Ihren eigenen Berichten und Fällen, denn praxisnahes Üben wirkt rund sechsmal so gut wie Videoschauen (Carnegie Mellon). Und die Gewohnheit, erst nach der Zahl und dann nach der Meinung zu fragen, die sich nur bildet, wenn Menschen sie an echten Arbeitsaufgaben üben statt an einer Fallstudie.

Die Verankerung ist der Teil, den die meisten Programme überspringen. Kohorten laufen mit einem Kick-off, Live-Sessions und Data Champions aus Ihren eigenen Teams, und am Ende übergeben wir Verantwortung an Ihr L&D und Ihre Community, damit es ohne uns weiterläuft. Den Zuwachs messen wir gegen eine Ausgangsmessung vor dem Start und vergleichen ihn mit anderen Organisationen, damit Sie eine Veränderung der Kompetenz zeigen können statt einer Abschlussliste.

Wir arbeiten mit Finanzinstituten wie Rabobank, ING, PGGM und Allianz Partners.

Über alle Kundinnen und Kunden hinweg schließen unsere Kohorten in den letzten zwölf Monaten zu 79 % ab, bei mehr als 10.000 Teilnehmenden, gegenüber einem Branchenwert von rund 12 %.

Unser Mitgründer Wouter Neef hat vor Data Booster bei ING gearbeitet, die Bedingungen auf dieser Seite sind für uns also nicht theoretisch: Model Risk Management, eine zweite Linie, die freigeben muss, und Kolleginnen und Kollegen, die einen Score hinterfragen müssen, ohne je einen zu bauen.