Kundendaten verstehen: Kontext schaffen für einen erfolgreichen KYC-Prozess

Guten Morgen, guten Nachmittag, guten Abend, liebe Teilnehmer. Herzlich willkommen. Willkommen zu diesem Webinar.

Wir geben den Teilnehmern noch ein paar Minuten Zeit, sich einzuloggen. Ich sehe, dass einige Leute aus dem Warteraum gerade dazustoßen, daher werden wir in Kürze beginnen. Ich wollte nur kurz „Guten Morgen“, „Guten Nachmittag“ oder „Guten Abend“ sagen – ganz gleich, von wo aus ihr euch einloggt.

Nochmals: Guten Morgen, guten Nachmittag, guten Abend. Ich sehe, dass gerade einige neue Teilnehmer zu dieser Sitzung hinzukommen. Ich möchte Sie herzlich willkommen heißen.

Wir werden in etwa zwei Minuten loslegen. Ich sehe, dass noch ein paar Teilnehmer zuschalten, daher möchten wir allen die Möglichkeit geben, sich einzuloggen und am Webinar teilzunehmen, bevor wir beginnen. Wir bedanken uns daher für Ihre Geduld.

Nach meiner Uhr sollten wir in knapp zwei Minuten loslegen. Noch einmal herzlich willkommen. Noch einmal einen guten Morgen, guten Nachmittag oder guten Abend, je nachdem, von wo aus Sie zugeschaltet sind.

Ich sehe, dass noch ein paar Leute an der Sitzung teilgenommen haben. Ich möchte euch herzlich willkommen heißen. Wir warten noch etwa eine Minute.

Ich sehe, dass gerade ein paar Teilnehmer aus dem Warteraum dazustoßen, und wir werden hier in Kürze loslegen. Nochmals vielen Dank für Ihre Geduld. Wir sollten reichlich Zeit haben, um den gesamten Stoff durchzunehmen.

Nochmals herzlich willkommen – wir werden in Kürze beginnen. Nochmals einen guten Morgen, guten Nachmittag oder guten Abend, je nachdem, von wo aus Sie zugeschaltet sind. Ich sehe, dass sich noch ein paar weitere Teilnehmer der Sitzung angeschlossen haben.

Es dauert wohl noch weniger als eine Minute, bis wir hier loslegen. Wie ich bereits erwähnt habe, kommen einige Teilnehmer etwas später dazu, und ich wollte sicherstellen, dass alle die Möglichkeit haben, das Webinar von Anfang an mitzuverfolgen – sowohl diejenigen, die an der Telefonkonferenz teilnehmen, als auch diejenigen, die später dazustoßen und sich die Aufzeichnung ansehen. Natürlich steht euch die Aufzeichnung zur Verfügung, sodass ihr alle Informationen nachverfolgen könnt.

Wir warten hier noch etwa fünf Sekunden. Ich sehe, dass noch eine Person dazukommt. Na gut.

Super. Was meinst du, Betty? Bist du bereit?

Sind wir bereit? Dann los. Alles klar.

Los geht’s. Noch einmal: Herzlich willkommen, liebe Teilnehmer. Vielen Dank, dass Sie an unserem Webinar teilnehmen.

Es ist schön, hier auf dem Teilnehmerpodium eine so große Gruppe von Leuten zu sehen. Wir freuen uns sehr, dass ihr dabei seid. Bevor ich loslege – oder bevor ich das Wort weitergebe –, möchte ich noch einmal alle herzlich zu dieser Sitzung begrüßen, kurz auf einige Punkte der Tagesordnung eingehen und dann können wir loslegen.

Ich glaube, wir haben etwa eine Stunde eingeplant. Für diejenigen, die per Telefon zugeschaltet sind, sollte es nicht so lange dauern. Ich schätze, wir haben Material für etwa 45 Minuten.

Und dann sollten wir Sie – je nach den Fragen – frühzeitig aus der Sitzung entlassen. Nochmals vielen Dank für Ihre Teilnahme. Ich werde nun auf ein paar organisatorische Punkte eingehen, einfach ein paar allgemeine Dinge zu Zoom und zur Webinar-Reihe.

Wir werden uns kurz vorstellen und dann das Wort an unsere Referentin Betty übergeben, die sich in unsere Data-Intelligence-Plattform einloggen wird, um einen kurzen Überblick zu geben und eine Demo zu präsentieren. Wir haben noch ein paar Handlungsaufforderungen für die Teilnehmer auf der Teilnehmerliste, und anschließend werden wir noch Fragen beantworten. Alles klar.

Klingt gut. Danke, Betty. Bevor ich das Wort an Betty übergebe, noch ganz kurz ein paar organisatorische Hinweise für diejenigen, die zum ersten Mal bei Zoom dabei sind.

Ich weiß, dass es so viele verschiedene Plattformen gibt. Ich möchte euch nur mitteilen, dass ihr alle stummgeschaltet seid. Ihr könnt nur meine wundervolle Stimme hören, und Betty ist gleich da.

Falls Sie also Fragen haben, sollten Sie unten in Ihrem Fenster die Schaltfläche „A Little More“ sehen. Es handelt sich um einen Kreis mit drei Punkten darauf. Wenn Sie darauf klicken, sollte sich ein Q&A-Fenster öffnen.

Sollten Sie während des Webinars Fragen haben, geben Sie diese bitte hier ein. Mein Team steht bereit und wird Ihre Fragen gerne beantworten. Am Ende können wir dann auch noch auf alle unbeantworteten Fragen eingehen. Wir beantworten diese live.

Wie Sie wahrscheinlich bereits gehört haben, wird diese Sitzung aufgezeichnet. Wir werden Ihnen die Aufzeichnung nach der Sitzung zur Verfügung stellen, damit Sie sie sich später noch einmal ansehen können. Wie bereits erwähnt, wird die Sitzung etwa 45 Minuten dauern, je nach Umfang der Fragen und Antworten.

Wir sollten genügend Zeit haben, um euch alle frühzeitig aus der Sitzung zu entlassen. Wir werden alle Materialien zur Verfügung stellen – nicht nur diese Aufzeichnung, sondern auch alle Folien und zusätzlichen Unterlagen werden euch nach dieser Sitzung per E-Mail zugeschickt. Und falls ihr technische Unterstützung benötigt, steht euch unten auf der Seite auch eine Chat-Funktion zur Verfügung.

Sie können dort gerne Ihren Chat, Ihre Frage oder Ihren Kommentar zu technischen Support-Themen hinterlassen, und ich werde versuchen, darauf einzugehen. Sie finden dort auch meine E-Mail-Adresse. Falls etwas auftaucht, können Sie mir gerne eine E-Mail schreiben.

Was die Frage-und-Antwort-Runde betrifft: Bitte stellen Sie Ihre Fragen unbedingt dort und nutzen Sie den Chat für technische Fragen. Das waren also alle organisatorischen Hinweise. Weiter zur nächsten Folie.

Deshalb möchte ich Ihnen das Team vorstellen, das mir heute zur Seite steht. Unsere großartige Rednerin, Betty Wang, wird in Kürze das Wort ergreifen. Wir werden ihr das Wort erteilen.

Sie wird euch durch den Stoff führen. Außerdem ist John Dorney, ein Senior Sales Engineer, für unseren Frage-und-Antwort-Bereich zuständig. Außerdem ist Scarlet Webbe dabei.

Sie ist Principal Solution Architect und steht Ihnen gerne zur Verfügung, um alle Ihre Fragen zu beantworten. In diesem Sinne übergebe ich nun das Wort an Betty.

Betty, leg los. Fantastisch. Danke, John.

Bevor wir also in Demo heutige Demo einsteigen, möchte ich mir kurz ein paar Minuten Zeit nehmen, um etwas Abstand zu gewinnen und den Platz dieser Sitzung im Gesamtkontext der Webinar-Reihe zu verdeutlichen. Wir haben dieses Programm als schrittweisen Migration konzipiert, bei dem jede Sitzung auf der vorherigen aufbaut und sich alles um einen zentralen use case „Know Your Customer“ dreht. In der vorherigen Sitzung haben wir uns also mit dem KI-Analysten befasst, den wir als unsere Aktivierungsebene bezeichnen.

Hier werden Erkenntnisse über eine Nutzer in natürlicher Sprache dargestellt. Und heute richten wir unseren Fokus nun ganz auf die Data-Intelligence-Plattform, die diese Kontextschicht darstellt. Diese bildet die semantische Grundlage und ermöglicht die Aktivierungsschicht.

Und dann werden wir uns in unserer nächsten Sitzung unter der Leitung von Scarlet mit der Beobachtbarkeit und dem Aspekt des Vertrauens befassen, um wirklich sicherzustellen, dass die Daten, die Ihre KI-Systeme antreiben, zuverlässig sind und kontinuierlich überwacht werden. Der Grund, warum ich das hier noch einmal anspreche, ist, dass diese drei Sitzungen tatsächlich die Kernsäulen der Actian-Plattform und eine vollständige End-to-End-Lösung für die Erstellung KI-fähiger Daten widerspiegeln. Nachdem das nun gesagt ist, lassen Sie uns kurz noch einmal zusammenfassen, was in der vorherigen Webinar-Sitzung mit KI-Analysten behandelt wurde.

Der use case um das Compliance-Team einer Privatkundenbank, das Untersuchungen zu dieser Diskrepanz zwischen Kunden mit geringem Risiko durchführen musste, die unerwartet die Schwellenwerte für verdächtige Aktivitäten überschritten hatten. Dies erfordert traditionell viel manuelle Arbeit, doch in der Demo konnten wir sehen, wie KI-Analysten nicht nur die wichtigsten KYC-Transaktionsabweichungen identifizieren, sondern auch bestimmte Risikokanäle – sei es per Überweisung oder über Zelle – genau lokalisieren und solche Erklärungen in einfacher Sprache innerhalb von Minuten liefern konnten. Die wichtigste Erkenntnis daraus war, dass der KI-Analyst Ihre Antworten wirklich auf Ihren geregelten Geschäftskontext, Ihre Definitionen und Ihre KPIs stützt, sodass er eine vertrauenswürdige und prüfungssichere Begründung für diese Unternehmensanalysen gewährleistet.

Nachdem Sie nun gesehen haben, wie Sie Ihre Daten mit KI-Analysten aktivieren können, werden wir nun Schritt für Schritt die einzelnen Ebenen betrachten und die Kontext-Engine hinter Ihren KI-fähigen Daten mithilfe der Data-Intelligence-Plattform näher beleuchten. Bevor wir uns die Demo ansehen, möchte ich Ihnen einen kurzen Überblick darüber geben, wie die Plattform funktioniert. Unten auf dem Bildschirm stellen wir zunächst automatisch eine Verbindung zu all Ihren bestehenden Datenquellen her und erfassen die Metadaten.

Dies fließt direkt in die sogenannte zentrale Metadaten ein, die alle Aspekte abdeckt – vom Katalog über das Glossar, die Datenherkunft, die Governance und Datenprodukte bis hin Beobachtbarkeit. All dies basiert auf unserem föderierten Wissensgraphen, der Ihre physischen und semantischen Assets zu einem einzigen intelligenten Netzwerk verbindet, sodass die Nutzer und Ihre KI-Systeme stets den vollständigen Kontext hinter ihren Daten erkennen können. Was den Zugriff betrifft, so interagieren die Nutzer mit der Plattform über zwei Hauptbenutzeroberflächen: den „Explorer“ für diejenigen Geschäftsanwender, die Daten entdecken und nutzen, und die „Studio“-Oberfläche, über die Datenverwalter ihre Governance- und Kuratierungsaktivitäten Datenverwalter .

Das Endergebnis ist nun eine einheitliche Plattform, die Daten aus dieser Rohdatenquelle in einen vertrauenswürdigen und regulierten Katalog überführt.

Wir knüpfen also an den use case der letzten Sitzung an, richtig? In der Demo wird gezeigt, wie wir diese Daten konkret im Zusammenhang mit dem KYC-Kunden-Onboarding-Prozess einordnen, wobei das letztendliche Ziel darin besteht, potenzielle Geldwäscheaktivitäten aufzudecken. Stellen Sie sich die Einhaltung der KYC-Vorschriften so vor, als müsse eine Bank wirklich überprüfen, wer Sie sind und welchen Hintergrund Sie haben, bevor sie Ihnen die Eröffnung eines Kontos gestattet.

Im Mittelpunkt stehen dabei die fünf Schritte dieses Prozesses, die wir hier sehen: Kontoeröffnung, Identitätsprüfung, Adressprüfung, Risikobewertung – bei der Sie die Kundendaten mit externen Beobachtungslisten und Sanktionslisten abgleichen, um schließlich einen Risikofaktor zu ermitteln – sowie der abschließende Schritt mit der Genehmigung und der Kundenaufnahme.

Ausgehend von der Demo hier auf der rechten Seite werden wir also zunächst im Katalog nach diesem KYC-Prozess suchen und uns einen Überblick über diese semantische Ebene verschaffen. Anschließend werden wir die mit den einzelnen Schritten des Prozesses verbundenen Datensätze untersuchen. Dabei werden wir sehen, wie sich diese in eine Medallion-Architektur umwandeln lassen und welche Probleme hinsichtlich der Datenqualität dabei entlang der gesamten Pipeline auftreten können.

Und zum Schluss werden wir noch eine der neuesten Funktionen unseres Produkts vorstellen: den Data Steward Agent. Dieser wurde speziell entwickelt, um die Anreicherung der Metadaten zu automatisieren. Nachdem das nun gesagt ist, lassen Sie uns gleich mit der Produktdemonstration beginnen.

Hier bin ich auf der Startseite der Explorer-Benutzeroberfläche gelandet. Es gibt verschiedene Navigationspfade, über die Sie die benötigten Daten finden können. Sie können über die Suchleiste nach Stichwörtern suchen, unseren Datenmarktplatz durchsuchen, nach bestimmten Katalogen suchen oder – um Ihnen den Zugriff zu erleichtern – habe ich eigens ein Thema zum KYC-Onboarding-Prozess erstellt.

Damit gelangen wir also zu einer übersichtlichen Suchergebnisseite mit allen Prozessschritten, die mit der KYC-Onboarding-Prozedur verbunden sind. Wenn wir auf diesen konkreten Prozess klicken, sehen wir hier verschiedene Details, nicht wahr? An erster Stelle steht die Beschreibung, in der erläutert wird, was KYC bedeutet.

Es handelt sich um den vorgeschriebenen Prozess, den Finanzinstitute anwenden, um die Identität eines Kunden zu überprüfen und dessen Risiko einzuschätzen. Ich sehe hier links außerdem einige Merkmale, die die einzuhaltenden Vorschriften, den Genehmigungsstatus, das Genehmigungsdatum und den Geschäftsbereich, zu dem es gehört, hervorheben. Ich kann den Kontext hier links auch erweitern. Aus Governance-Sicht ist es daher sehr wichtig zu wissen, wer der Verantwortliche ist und an wen ich mich bei Fragen wenden kann.

Wenn ich hier nach unten scrolle, sehe ich eine Glossarhierarchie. Hier kann ich jeden der fünf Schritte bzw. Teilprozesse des KYC-Onboardings aus der Grafik in einer Eltern-Kind-Struktur einsehen. Und wenn ich einen bestimmten Teilschritt, wie beispielsweise die Kontoeröffnung, näher betrachten möchte, kann ich einfach auf die entsprechende Definition klicken und mir einen Überblick über die damit verbundenen Prozessschritte verschaffen.

Das bedeutet also, dass die Kunden hier ihre persönlichen Daten angeben und den Bedingungen zustimmen. Die wichtigste Erkenntnis aus einer solchen Ansicht ist also, dass wir eine klare Zuständigkeit und Steuerung sowie eine sehr schnelle Navigation durch unsere KYC-relevanten Daten erhalten. Nachdem wir nun ein konzeptionelles Verständnis des KYC-Prozesses gewonnen haben, wollen wir uns die konkreten Implementierungen ansehen, indem wir zur Registerkarte „Implementierungen“ wechseln.

Diese Registerkarte dient also im Grunde als Brücke zwischen der Geschäftssprache und den technischen Datenbeständen. Sie beantwortet Fragen wie: „Wo wird dieser Geschäftsbegriff in unseren Daten tatsächlich verwendet?“ Und genau das macht die Kontextschicht zu einer umsetzbaren Ressource und nicht nur zu einem statischen Referenzdokument. Wir sehen hier also, dass drei Datensätze mit dem KYC-Prozess verknüpft sind, was die Medallion-Architektur sehr gut veranschaulicht.

Wir haben den „Raw-Kunden“ als Bronze-Ebene, den „Staging-Kunden“ als Silber-Ebene und schließlich den „Bankkunden“ als Gold-Ebene. Innerhalb jeder dieser Stufen in den hier unten dargestellten Beziehungen können Sie auch sehen, welcher der fünf Teilprozesse des KYC-Compliance-Prozesses dem jeweiligen Datensatz entspricht. Wenn wir beispielsweise beim „Rohkunden“ hier darauf klicken, sehen Sie anhand der Definition, dass die ersten drei Schritte – Kontoeröffnung, Identitätsprüfung und Adressprüfung – damit verknüpft sind.

Wenn wir also noch einmal auf diese Detailseite zurückkommen: Hier werden wichtige Informationen angezeigt, darunter die Eigenschaftsangaben hier auf der linken Seite, und natürlich haben wir die Beschreibung durchgesehen, um zu verstehen, welche Teilschritte mit diesem Datensatz verbunden sind. Insgesamt Datensatz dieser Datensatz also die rohen, unverarbeiteten Datensätze von Personen Datensatz , die in den frühen Phasen des Registrierungsprozesses erfasst werden. Dies dient als grundlegende Eingabe für die nachfolgenden KYC-Maßnahmen.

Denken Sie daran: Unser oberstes Ziel ist es, das Kundenrisiko über die gesamte Datenpipeline hinweg überwachen zu können Datenpipeline potenzielle betrügerische Transaktionen Datenpipeline erkennen. Um dies zu erreichen, werfen wir uns hier auf der Registerkarte „Lineage“ den durchgängigen Datenfluss an. Wenn ich darauf klicke, sehe ich zunächst nur die ersten beiden Datenschichten, aber wenn ich mit der rechten Maustaste auf diese Plus-Schaltfläche klicke und „Alle Ebenen der Datenherkunft erweitern“ auswähle, kann ich die gesamte End-to-End-Pipeline sehen.

Während wir diesen Prozess durchlaufen – also in dieser allerersten Phase, in der die Kunden die Kontoregistrierung, die Identitätsprüfung und die Adressüberprüfung durchlaufen –, fließen all diese Daten in diese „Bronze-Ebene“ der Rohkundendaten ein. In dieser Phase haben wir eingebettet Validierungsregeln eingebettet , wie zum Beispiel die Überprüfung, ob die Adresse gültig ist, und die Sicherstellung, dass Kreditkarten- und Sozialversicherungsdaten alle im richtigen Format vorliegen. Wenn wir dann zur „Silber-Ebene“ mit dem „Staging-Kunden“ übergehen, erfolgt hier ein Abgleich mit der externen Beobachtungsliste, um Personen mit hohem Risiko zu identifizieren.

Dabei kann es sich um Personen in politischen Ämtern oder um Personen handeln, die im Fokus der Medien stehen, und wir stellen diesen Risikofaktor tatsächlich durch ein Feld dar, das wir als „Risikofaktor“ bezeichnet haben, um den einzelnen Personen eine bestimmte Risikobewertung zuzuweisen. Tatsächlich können wir mithilfe unserer Beobachtbarkeit Daten von Personen, die einen bestimmten akzeptablen Risikofaktor überschreiten, in separate Gruppen einteilen und nur diejenigen, die akzeptabel sind, in die „Gold“-Ebene verschieben. Und schließlich kombinieren wir innerhalb der „Gold“-Ebene der Bankkunden in der Transaktionstabelle die Kundeninformationen mit Konto- und Transaktionsdaten, um potenzielle betrügerische Aktivitäten zu kennzeichnen.

Das ist also die durchgängige Datenherkunftsverfolgung, mit der Sie nicht nur nachvollziehen können, woher ein Datenelement stammt und wohin es fließt, sondern auch eine Ursachenanalyse durchführen können, wenn ein Problem auftritt, und die vollständigen Auswirkungen auf die Datenpipeline abschätzen können, Datenpipeline Sie Änderungen daran vornehmen. Innerhalb des Lineage-Diagramms verfügt jeder Datensatz zudem über einen Datenqualitätsindikator auf Zusammenfassungsstufe, wie Sie oben rechts sehen können. Dieser liefert eine Bewertung darüber, inwieweit jeder Datensatz die für ihn definierten Validierungsregeln erfüllt.

Auf diese Weise können Teams potenzielle Probleme bei der Datenqualität über die gesamte Pipeline hinweg identifizieren, ohne jemals diese Lineage-Ansicht verlassen zu müssen. Schauen wir uns also die Roll-up-Tabelle für Transaktionen an, die ich in einem neuen Tab geöffnet habe, um konkret zu sehen, wie wir Datenqualitätsregeln nutzen können, um potenzielle Geldwäschetransaktionen zu kennzeichnen. Wie bereits erwähnt, enthält diese Detailseite, wie die Beschreibung andeutet, aufbereitete Transaktionsdaten, die mit Konto- und Kundeninformationen verknüpft sind.

Konkret besteht die Logik hier darin, den Risikofaktor, den wir in der jeder Person zugeordneten „Silber“-Ebene ermittelt haben, mit den jeweiligen Transaktionsbeträgen zu kombinieren, um potenzielle Betrugsfälle zu erkennen. Die Ergebnisse dieser Validierungsprüfung sowie weitere Datenqualitätsregeln können wir auf dieser Registerkarte „Datenqualität“ einsehen, zu der ich nun navigiert bin. In dieser Ansicht fasst der obere Bereich die Ergebnisse nach Kategorien wie Beständigkeit, Vollständigkeit und Aktualität zusammen, während der untere Bereich die aktuell für diesen Datensatz durchgeführten Datenqualitätsprüfungen sowie deren bisherige Fehlschläge anzeigt.

Wie wir hier bei der Geldwäscheprüfung sehen können, ist diese fehlgeschlagen, was bedeutet, dass eine erhebliche Anzahl von Zeilen die festgelegte Bedingung nicht erfüllt hat, was eine weitere Untersuchung erforderlich macht. Wenn wir also hier auf die Datenqualitätsregel zur Geldwäsche klicken, gelangen wir direkt in unsere Beobachtbarkeit . Diese Ansicht ist ein interaktiver Arbeitsbereich, in dem Benutzer Datenqualitätsprobleme untersuchen, diagnostizieren und sogar Korrekturmaßnahmen einleiten können, sobald Anomalien erkannt werden.

Dies ermöglicht zudem eine Ursachenanalyse, sodass wir Anomalien, die diese Datenqualitätsprüfungen nicht bestanden haben, genauer untersuchen und genau ermitteln können, welche Felder, Segmente oder Datensätze das Problem verursachen. Ich habe hier also nach der Abweichung von den Erwartungen gefiltert, und wir können hier, wie dieses Beispiel in dieser ersten Aufzeichnung zeigt, erkennen, dass die Person einen hohen Risikofaktor aufweist. Das ist alles vor dem Bindestrich, auch wenn ihr Transaktionsbetrag von 1.282 unter 10.000 liegt.

Damit werden also alle Personen mit einem hohen Risikofaktor – den wir als Wert über 12 definiert haben – sowie alle Personen mit einem niedrigen Risikofaktor von 12 und darunter, deren Transaktionsbetrag jedoch über 10.000 liegt, markiert. Ich kann auf den jeweiligen Wert klicken, um den genauen Aufzeichnung zu identifizieren, Aufzeichnung diesen Wert enthält, und von dort aus mit der Fehlerbehebung beginnen. Wie bereits erwähnt, werden wir uns in der nächsten Sitzung mit Scarlet noch viel eingehender mit der gesamten Beobachtbarkeit befassen.

Wenn Sie also daran interessiert sind, alle Hintergründe rund um Beobachtbarkeit zu verstehen, sollten Sie unbedingt an der nächsten Sitzung teilnehmen. Aber aus Sicht der Datenintelligenz ist es doch so: Die direkte Anzeige dieses Datenqualitätswerts in dieser Lineage-Ansicht verwandelt diese Lineage-Registerkarte von einer Art statischer Datenkarte in eine dynamische Risikokarte, oder? So können Sie anhand dieser durchgängigen Herkunftsverfolgung nicht nur sofort erkennen, woher die Daten stammen, sondern auch verstehen, inwieweit Sie Ihren Daten in jedem Schritt vertrauen können und wo Sie bei der Fehlerbehebung ansetzen müssen, falls an einer Stelle in der Datenpipeline ein Problem auftritt.

Nachdem wir nun gesehen haben, wie die Data-Intelligence-Plattform Kontext, Herkunft und Datenqualität entlang Ihrer gesamten KYC-Pipeline sichtbar macht, wollen wir uns nun ansehen, wie all diese Informationen mithilfe des Data-Steward-Agents auch in großem Maßstab korrekt und kontrolliert bleiben. Dieser Teil des Produkts wurde erst Anfang dieses Monats eingeführt, und Sie können hier sehen, dass der Data-Steward-Agent eingebettet in die Plattform eingebettet ist und darauf ausgelegt ist, einige dieser zeitaufwändigen Stewardship-Aufgaben wie Metadaten , die Anreicherung und die Governance wirklich zu automatisieren. Er kann Aufgaben wie die Aktualisierung der Asset-Dokumentation, die Zuweisung von Eigentumsrechten und die Empfehlung von Klassifizierungen übernehmen.

Das Ziel besteht hier also nicht unbedingt darin, den menschlichen Datenverwalter zu ersetzen, sondern vielmehr darin, wiederum einen Teil der manuellen Verwaltungsarbeit zu reduzieren, damit sich Ihr Team auf die übergeordneten Governance-Aufgaben konzentrieren kann. Wie Sie sehen, bin ich bereits zur Studio-Oberfläche der Data-Intelligence-Plattform gewechselt, bei der es sich wiederum um die Benutzeroberfläche für den Datenverwalter handelt. Ich habe hier den Filter auf den Katalog „Bank- und Finanzdienstleistungen“ gesetzt, in dem die Datensätze enthalten sind, die wir für den use case verwenden.

Ich habe hier auf der rechten Seite das Agenten-Panel geöffnet. Und wenn wir uns das nun genauer ansehen, Datenverwalter eine der wichtigsten Aufgaben für Datenverwalter tatsächlich sicherzustellen, dass die Katalogelemente für Nutzer vollständig fertiggestellt sind. Ich sehe hier also, dass der Staging-Kunde, der Teil der Silver-Ebene ist, erst zu 25 % fertig ist.

Damit können wir also beginnen. Ich werde den Datenverantwortlichen fragen: „Warum ist der Staging-Datensatz für Kundendaten erst zu 25 % fertiggestellt?“ Während das System nachdenkt und die Antwort ausarbeitet, führt es Sie durch die Logik. Zunächst erklärt es, wie der Fertigstellungsgrad definiert ist – allerdings auf der Grundlage der tatsächlichen Metamodellkonfiguration.

Ich sehe hier also, dass vier Kriterien erfüllt sein müssen, damit ein Datensatz als vollständig gilt. Er muss eine Beschreibung enthalten, er muss Kontaktdaten enthalten, er muss eine Sicherheitsklassifizierung aufweisen und er muss eine Definition enthalten. Jedes dieser Kriterien hat genau das gleiche Gewicht von 25 %, weshalb der Staging-Kunde hier nur bei 25 % liegt.

Nun liefert der Agent also nicht nur eine Antwort, sondern schlägt auch auf intelligente Weise den nächsten Schritt vor, den wir unternehmen können, um die Lücke zu schließen. Hier habe ich also einige Optionen: Ich kann entweder eine Beschreibung verfassen, eine Sicherheitsklassifizierung festlegen oder Kontakte einzeln zuweisen – oder ich kann alle diese Lücken gleichzeitig beheben. Klicken wir also auf „Alle diese Lücken beheben“.

Sie sehen also, dass das System tatsächlich in den sogenannten Plan-Modus gewechselt ist, da wir gerade mehrere Komponenten aktualisieren. Dadurch haben Sie die Möglichkeit, die vorgeschlagenen Änderungen zu überprüfen, bevor die Schreibvorgänge tatsächlich ausgeführt werden. Das ist besonders bei umfangreichen oder komplexen Vorgängen sehr nützlich.

Ich werde nun auf den Datensatz klicken, damit wir die Änderungen in Echtzeit verfolgen können. Und jetzt könnt ihr sehen, welche Logik dabei zum Tragen kommt. Das Programm halluziniert nicht und erfindet auch keine zufälligen Antworten, um auf 100 % zu kommen.

Dabei werden vor allem Datensätze von Gleichrangigen herangezogen, um den Beschreibungskontext abzubilden, und in ähnlicher Weise werden Kontakte im Hinblick auf die Eigentumsverhältnisse geprüft.

Wie Sie hier sehen können, war in einem Vergleichsdatensatz JD als Datenarchitekt aufgeführt. Und genau das wird daher als Ansprechpartner vorgeschlagen. Ich werde nun also auf „Plan ausführen“ klicken.

Und während die vorgeschlagenen Änderungen vorgenommen werden, können wir sehen, dass sich der Fertigstellungsgrad, sobald diese Änderungen vorgenommen sind, entsprechend den vorgenommenen Änderungen erhöht. In Kürze sollten wir also eine generierte Beschreibung sehen können. Ich klicke jetzt auf „Genehmigen“.

Wir sehen hier die Beschreibung, die der Data-Steward-Agent anhand der Daten erstellt hat. Dabei wird berücksichtigt, wo das Element in die Gesamtpipeline passt, das Schema, bestimmte darin enthaltene Felder sowie die Zertifizierung, aufgrund derer es als „eingeschränkt“ klassifiziert wurde. Im Abschnitt „Personen“ haben wir JD als Datenarchitekten hinzugefügt, und Sie können sehen, dass der Fertigstellungsgrad 100 % erreicht hat.

Das war also ein sehr einfaches Beispiel, aber schon daran lässt sich erkennen, wie sehr der Data-Steward-Agent dazu beiträgt, die Metadaten zu automatisieren. Und wie er den manuellen Aufwand für die Datenverwaltung deutlich reduziert, damit Ihre Daten stets vertrauenswürdig und KI-fähig bleiben. Wir haben also in kurzer Zeit eine Menge behandelt.

Lassen Sie uns also noch einmal zusammenfassen, was wir in der heutigen Sitzung besprochen haben. Wir haben uns eingehend damit befasst, wie wir den Governance-Kontext festlegen. Anhand aller Daten, die in den KI-Analysten eingespeist wurden, konnten wir den KYC-Compliance-Prozess und die zugrunde liegenden Datensätze abbilden und damit erneut die Grundlage für vertrauenswürdige und geregelte Daten schaffen.

Wir konnten die Daten durchgängig nachverfolgen, indem wir die gesamte Datenherkunft vom Rohdatensatz der Kundenanmeldung bis hin zu den Transaktionsergebnissen verfolgten und dabei die Datenherkunft sowie Probleme mit der Datenqualität in jedem einzelnen Schritt untersuchten. Und schließlich haben wir gesehen, wie wir Metadaten mithilfe des Data-Steward-Agents Metadaten großem Maßstab automatisieren, wodurch ein Teil dieser manuellen Anreicherungsarbeit entfällt und Ihr Katalog präzise und KI-fähig bleibt. Ich gebe nun wieder an JJ zurück, und wir werden noch kurz einige organisatorische Punkte klären, bevor wir zur Fragerunde übergehen.

Wirklich gut. Toll gemacht, Betty. Dieser Data-Steward-Agent ist meiner Meinung nach ein echter Meilenstein für die Branche.

Das war ein großartiges Beispiel, das Sie uns vorgestellt haben. Ich hatte das Glück, in der letzten Woche mit einer Reihe von Kunden und Interessenten sprechen zu können, und ich glaube, das kommt wirklich gut an – also: großartige Arbeit. Es war also eine ruhige Runde.

Im Q&A-Fenster sind noch nicht viele Fragen eingegangen. Aber ich möchte zum Abschluss noch auf ein paar Handlungsaufforderungen und organisatorische Punkte eingehen. Ich finde, es war eine großartige Sitzung, und Betty hat viele interessante Inhalte behandelt.

Sollte jemand jedoch noch weitere Fragen haben, steht Ihnen unser Team hier gerne zur Verfügung, um alle Ihre Fragen zu beantworten oder Ihnen einen tieferen Einblick in die Technologie zu geben. Ich selbst, Betty, John und Scarlet sind für Sie da. Hier sind unsere Kontaktdaten.

Noch einmal: Falls Sie nach der Veranstaltung Fragen haben, können Sie sich gerne an uns wenden. Wenn Sie sich näher mit dem Thema befassen möchten – ich weiß, dass wir die Themen bisher nur sehr oberflächlich behandelt haben –, stehen wir Ihnen gerne zur Verfügung. Stellen Sie also bitte sicher, dass Sie unsere Kontaktdaten haben.

Ich lasse diese Folie noch eine Sekunde lang stehen, falls jemand unsere Kontaktdaten notieren oder kopieren möchte. Nächste Folie, Betty. Und wie Betty bereits erwähnt hat: Es handelt sich hierbei um eine Reihe.

Wir haben die Webinare so konzipiert, dass sie als Reihe aufeinander aufbauen. Das nächste findet bereits im Juli statt. Falls Sie sich noch nicht angemeldet haben, können Sie dies gerne auf unserer Website tun.

Den Link zur Anmeldung finden Sie hier. Und Sie können Scarlet bei ihrem Vortrag „Die nächste Lösung“ zuhören – dabei handelt es sich um unsere Beobachtbarkeit –, in dem sie diese Reihe abschließen und den gesamten „Know-Your-Customer“-Prozess zusammenfassen sowie mit unserer Beobachtbarkeit verknüpfen wird. Okay.

Und dann die Fragen. Mal sehen, Betty. Lass uns das doch einmal durchgehen – ich glaube, im Chat-Fenster ist eine Frage eingegangen.

Aber die Fragen rund um den Wissensgraphen: Wie funktioniert der Wissensgraph eigentlich, und wie unterscheidet er sich von anderen herkömmlichen Datenkatalogen, die es vielleicht gibt? Ja, das ist eine gute Frage, und ich denke, genau das trägt dazu bei, Actian zu dem zu machen, was wir eher als Datenkatalog der nächsten Generation bezeichnen. Der föderierte Wissensgraph erfüllt also eine Reihe von Aufgaben, nicht wahr?

Das Wichtigste jedoch – ich glaube, das habe ich während der Präsentation bereits erwähnt – ist, dass dadurch tatsächlich intelligente Verknüpfungen zwischen Ihren Datenbeständen hergestellt werden. Das System erfasst also automatisch diesen Kontext, reichert die Metadaten an und liefert so wirklich nur die relevanten Suchergebnisse und Empfehlungen. Während ein herkömmlicher Datenkatalog im Grunde genommen eine Art Bestandsverzeichnis ist, das Ihnen lediglich mitteilt, welche Arten von Daten vorhanden sind.

Der Knowledge Graph geht noch einen Schritt weiter, indem er die Zusammenhänge zwischen den Dingen erfasst, sodass beim Betrachten des Kontexts Ihrer Daten alles zu einem einzigen Netzwerk verbunden ist. Das ist toll, Betty. Und noch einmal an alle, die gerade zugeschaltet sind: Wenn ihr Fragen habt, schreibt sie gerne in das Chat-Fenster, dann werde ich sie live an Betty weiterleiten.

Ich weiß, dass wir euch alle stummgeschaltet haben, damit wir nicht stören. Betty, wie lange dauert es denn eigentlich, bis der Data-Steward-Agent einsatzbereit ist? Die Frage ist, ob er trainiert werden muss.

Muss das Modell anhand der Daten aus unserer Umgebung trainiert werden? Wie sieht dieser Prozess aus? Ich weiß nicht, ob Sie uns das vielleicht ein wenig näher erläutern könnten.

Ja. Es klingt zwar, als würde das lange dauern, aber das ist eigentlich gar nicht der Fall, oder? Der Agent ist so konzipiert, dass er eingebettet in die Katalog-Workflows eingebettet wird, und er ist in Ihrer Instanz der Data-Intelligence-Plattform verankert.

Um also noch einmal auf die erste Frage zurückzukommen: Es greift auf diesen bestehenden föderierten Wissensgraphen zurück, also auf diese semantische Ebene, was bedeutet, dass es den Kontext aus den bereits in Ihrem Katalog vorhandenen Daten bezieht. Es benötigt also eigentlich keinen separaten Training , oder?

Das hängt bereits davon ab, wie du dein Metamodell aufgebaut hast, und vom Kontext, der sich daraus ergibt. Ja. Wie ich bereits erwähnt habe, bin ich natürlich ein bisschen voreingenommen, oder?

Aber ich habe irgendwie das Gefühl, dass dies für die Branche eine Art Wendepunkt sein wird. Ich weiß, Fähigkeiten unsere erste Version des Data-Steward-Agents viele Fähigkeiten , und ich weiß, dass du einige davon gerade erst angeschnitten hast – wir werden daran weiterarbeiten. Aber ich bin wirklich der Meinung, dass es ein leistungsstarkes Tool ist.

Und wie Sie bereits angemerkt haben: Es dauert nicht lange, bis das System einsatzbereit ist und Sie sofort davon profitieren können. Ich habe hier noch ein paar weitere Fragen. Eine weitere betrifft den Data Steward Agent und die Berechtigungen bzw. die Berechtigungsverwaltung.

Ich denke, die Zugriffskontrolle ist immer wichtig, und Sicherheit ist immer wichtig. Die Frage ist also wohl, ob es eine rollenbasierte Zugriffskontrolle für den Data-Steward-Agenten gibt. Und ich frage mich daher, ob es eine Kontrolle darüber gibt, welche Benutzer Zugriff auf bestimmte Funktionen haben dürfen.

Ja, ich bin in dieser Demo aus Zeitgründen nicht unbedingt auf die Registerkarte „Verwaltung“ eingegangen. Aber für den Nutzer Zugriff auf diese Admin-Ansicht hat, ist der Zugriff auf den Data Steward Agent eine Funktion, die in dieser Ansicht gesteuert wird. Das funktioniert also so: Ein Nutzer einer bestimmten Gruppe zugewiesen, und diese Gruppe verfügt über Berechtigungen, die festlegen, auf welche Funktionen und Kataloge diese Gruppe Zugriff hat.

Ich habe in der Demo wir zum Thema „Data Steward Agent“ gekommen sind, bereits angedeutet, dass sich dieser auf den Katalog für Bank- und Finanzdienstleistungen konzentriert. Ein bestimmter Data Steward Agent wird also nur ausgeführt, wenn der Nutzer in dieser Studio-Ansicht einen bestimmten Katalog ausgewählt Nutzer . Wenn Sie also innerhalb der Instanz zwischen verschiedenen Katalogen wechseln, gibt es für jeden jeweiligen Katalog einen eigenen Data Steward.

Super. Ich sehe, es ist eine Frage eingegangen. Übrigens, tolle Demo, Betty.

Es sieht so aus, als hätte John die Frage gerade tatsächlich beantwortet, aber vielleicht kannst du das Thema live noch ein bisschen näher beleuchten. Die Frage dreht sich um die Datenherkunft und darum, wie diese ermittelt wird. Wird sie automatisch von der Plattform generiert, oder müssen die Nutzer die Herkunftsinformationen nach der Datenkatalogisierung manuell zusammenführen bzw. zuordnen?

Ja, gute Frage. Alles, was Sie in der Abstammungsansicht gesehen haben, wird automatisch über unsere Datenkonnektoren erstellt. Gerne sende ich Ihnen die Dokumentation mit dem Link zu unserer Konnektorenseite zu, damit Sie alle von uns unterstützten Quellen einsehen können.

Aber so funktioniert es ja: Man extrahiert die Metadaten den Datenquellen, und dann haben wir auch Konnektoren für Ihre ETL-Tools, um darzustellen, welche Transformationen zwischen den verschiedenen Abschnitten Ihrer Datenpipeline stattgefunden haben. All das erfolgt also automatisch, und die Lineage-Ansicht wird auf dieser Grundlage gefüllt. Gut gemacht.

Das stimmte auch mit dem überein, was JD tatsächlich eingegeben hatte. Wir sind also auf dem richtigen Weg, Team. Diese Frage bestand eigentlich aus zwei Teilen.

Der zweite Teil lautete also: Bietet die Plattform einen Datenqualitäts-Agenten ähnlich dem Steward-Agenten zur Profilierung und Bereinigung? Ich denke, Scarlet wird Beobachtbarkeit nächsten Vortrag Beobachtbarkeit etwas näher darauf eingehen. Wir verfügen über zahlreiche Fähigkeiten ja …

rund um Beobachtbarkeit. Wir entwickeln dort also agentische Funktionen, um alles aus funktionaler Sicht im Hinblick auf Beobachtbarkeit -qualität abdecken zu können. Also – ja …

Vielleicht eher so etwas wie ein – ein Teaser … eine Vorschau. Ja.

Ja. Heimlich. Für die nächste Sitzung.

Na, das war's. Gut vorbereitet. Sorge dafür, dass die Leute in ein paar Wochen hier zu Scarlets Veranstaltung kommen.

Und noch einmal: Falls ihr es noch nicht getan habt, meldet euch bitte für die letzte Veranstaltung der Reihe an. Gern geschehen. Ein „Danke, Team“ für die Beantwortung der Fragen im Live-Chat.

Gibt es noch weitere Fragen, bevor wir die Teilnehmer entlassen? Ich glaube, wir liegen vor dem Zeitplan, Betty. Wir hatten ja gesagt, dass wir insgesamt etwa 45 Minuten brauchen würden, und ich schätze, wir werden bei etwa 40 Minuten bleiben.

Möchten Sie aber noch jemand anderem in der Runde die Gelegenheit geben, eine Frage zu stellen? Noch einmal: Tolle Arbeit, wie Sie den „Know-Your-Customer“-Prozess hervorgehoben und sich eingehend mit dem Data-Steward-Agenten befasst haben. Zur Erinnerung: Sie erhalten eine Folge-E-Mail mit Links zu Informationen und Ressourcen sowie den Link zu dieser Aufzeichnung.

Das wird also im Laufe des Tages veröffentlicht. Wartet noch etwa 30 Sekunden oder eine Minute. Es sieht so aus, als hätten wir diesmal eine ruhige Gruppe gehabt, aber gut gemacht.

Nochmals vielen Dank an alle für die Teilnahme an dieser Sitzung. Sie können sich gerne für unser nächstes Webinar anmelden. Noch einmal zur Erinnerung: Es findet am 16. Juli statt, und wir werden uns dabei auf unsere „Actian Data Beobachtbarkeit konzentrieren Beobachtbarkeit diese dreiteilige Reihe abschließen – wir werden das Ganze also mit einer schönen kleinen Schleife zusammenfassen.

Nochmals vielen Dank an alle für eure Teilnahme, und wir freuen uns darauf, euch bei der nächsten Sitzung wiederzusehen. Nochmals, toll gemacht, Betty. Vielen Dank an alle.

Ich wünsche euch noch einen schönen Rest des Tages bzw. Abends – vielen Dank an euch alle …