Compliance-Vorschriften und Probleme mit der Datenaufbereitung?

Die Einhaltung regulatorischer Vorgaben wird immer komplexer. Die zunehmende Regulierung der Finanzbranche führt dazu, dass Banken oft nur noch ihre Kapitalkosten decken können. Viele der führenden Finanzinstitute sind mit den strengeren Compliance-Anforderungen in Bezug auf Datenaggregation, Governance, Architektur und Prozesse überfordert.

Durch die Regulierung der Banken sollten das Risikomanagement, das Reporting und die Entscheidungsfindung verbessert werden, doch viele Geldhäuser fällt es schwer, eine effektive Datenarchitektur und -aggregation zur Einhaltung von Daten-Governance und Qualitätssicherung zu generieren.

Aufgrund der häufigen Änderungen der Datenmodelle in der Finanzbranche ist die Bereitstellung einer harmonisierten  standardisierten Sicht auf Daten zu bestimmten Zeitpunkten (häufig als Kongruenz bezeichnet) keine sehr einfache Aufgabe. Viele Banken versuchen diese Herausforderung durch die Implementierung von ETL-Prozessen (Extraktion, Transformation, Laden) zwischen Silos für spezifische Geschäftsfunktionen zu bewältigen. Dies führt jedoch zu einer Beeinträchtigung der Datenqualität und einer Erhöhung des regulatorischen Risikos. Darüber hinaus steigen, aufgrund der teuren ETL-Prozesse, auch die Kosten für die Kontenabstimmung sowie die Gesamtbetriebskosten deutlich an. Um die Abstimmung über verschiedene Silos hinweg zu ermöglichen, werden häufig Teilinformationen in relationalen Data Warehouses gespeichert, wo sie von Benutzern über Abfragen, anhand eines starren Schemas, ausgelesen werden. Änderungen an diesen Schemata erfordern den Einsatz umfangreicher betrieblicher Ressourcen: Änderungen müssen getestet, Abfragen validiert und Prozesse für die Änderungskontrolle berücksichtigt werden. Es kann Stunden, Tage oder sogar Monate dauern, die Daten erneut zu verarbeiten, bevor sie den Benutzern bereitgestellt werden können.

Einführung in die Datenpunktmodellierung (DPM)

Die Datenpunktmodellierung (DPM) bietet klare Vorteile gegenüber der herkömmlichen relationalen Datenmodellierung. Der auf XBRL (eXtensible Business Reporting Language) basierende Ansatz entkoppelt das Datenmodell vom Ausgabeformat und bietet damit nicht nur Zugriff auf spezifische Daten, sondern auch Flexibilität. Des Weiteren ermöglicht er die Umwandlung relationaler Datenstrukturen in ein nicht relationales Datenpunktmodell (DPM). Diese Methode umfasst die Aufschlüsselung der Tabellenfelder in eine Reihe von Aspekten (Facetten). Dabei werden die Beziehungen zwischen den einzelnen Aspekten aufgezeichnet, um die Referenz-Integrität zu gewährleisten.

Auf Grundlage dieser Aspekte wird eine Liste sämtlicher eindeutiger Werte erstellt. Diese werden als Werte gespeichert. Jeder Wert wird nur einmal aufgezeichnet. Die Datenpunkte werden anschließend mit den Werten der jeweiligen Aspekte verknüpft.
Mittlerweile gibt es nun eine Datenbank-Plattform und eine Modellierungslösung, die diesen Herausforderungen gewachsen sind:
MarkLogic® ist eine nicht relationale, Multi-Modell-Datenbank-Plattform, die sowohl eine RDF-Tripel-Datenbank als auch eine Dokumentendatenbank umfasst. Diese speichert die Quelldaten in ihrer nativen Form gemeinsam mit dem generierten RDF-Tripel. ModelDR stellt eine Datenpunktmodellierungslösung dar, mit deren Hilfe die Generierung und Zuordnung von RDF- und Transformationsdesigns in der Multi-Modell-Datenbank-Plattform visualisiert und verwaltet werden können.

Die Datenbank-Plattform

Diese Datenbank-Plattform wurde speziell für die Daten von heute, einschließlich Dokumenten, Beziehungen und Metadaten, konzipiert. Darüber hinaus ist sie die einzige Datenbank, die JSON, XML, RDF und viele weitere Formate nativ speichern und schnell abfragen kann. Sie erhalten somit eine einzige leistungsstarke Plattform für alle Ihre Daten. Das dokumentenzentrierte Datenmodell ist schemaagnostisch  und bietet Flexibilität bei der Datenmodellierung, da neu aufgenommene Daten nicht erst in Tabellenform aufgegliedert werden müssen.

HINTERLASSEN SIE EINE ANTWORT

*

code