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