Daten Management

Herausforderungen

• Komplexes regulatorisches Umfeld sowie Transparenz- und Kontrollanforderungen der institutionellen Investoren (Umfang, Frequenz) erfordern Professionalisierung des Datenmanagements
• Aktuelle Gaps
  • Mängel in der Datenqualität
  • Schwierigkeiten bei der kurzfristigen Bereitstellung von Daten
  • Redundanzen aufgrund der Vielzahl der Beteiligten
• Zulieferung der Daten aus verschiedenen internen und externen Quellen erzeugt unterschiedliche Datenqualitäten sowie Schnittstellen, die zu Fehlerquellen führen
• Unterschiedliche Verarbeitungssysteme erhöhen die Komplexität und verursachen erhöhten Kontrollaufwand

Projektvorgehen

• Screening der Datenströme (Quellen, Verarbeitung, Empfänger)
• Analyse und Bewertung der Reporting-Anforderungen
• Analyse von Prozessen, Strukturen und Systemen
• Ableitung und Bewertung von Strukturoptionen unter Berücksichtigung von Make or Buy (Sourcing-Optionen)
• Erstellung und Bewertung von Business Cases anhand festgelegter Kriterien wie Gewährleistung höchstmöglicher Flexibilität, Effizienz sowie Wirtschaftlichkeit
• Ableitung Target Operating Model (TOM)
• Festlegung und Beschreibung von Realisierungsmaßnahmen sowie organisatorischer und ressourcenbezogener Konsequenzen

Ergebnisse

• Erhöhung bzw. Sicherstellung der Datenqualität (Inhalte, Frequenzen, Timeline), transparenter Datenströme
• Effizientes Prozessmodell (Minimierung von Fehlerquellen und Redundanzen)
• Passende Wertschöpfungstiefe
• Professionalisiertes Datenmanagement – effizient und wirtschaftlich