Vertrauen stellt in der Finanzbranche einen besonderen strategischen Wert dar. Auf der einen Seite müssen sich Banken und Kreditinstitute auf verlässliche Daten stützen können, um beispielweise Kreditrisiken und Solvenz zu beurteilen. Zudem verlangt die Aufdeckung von Betrugsversuchen eine hohe Transparenz innerhalb komplexer Datennetzwerken. Auf der anderen Seite fordern Kunden eine sichere Abwicklung von Transaktionen, Datenschutz und einen sensiblen Umgang mit vertraulichen Informationen.

Die komplexen Zusammenhänge sowie strenge Regularien erschweren die Situation. Für eine ganzheitliche Datenanalyse reichen SQL-Technologien längst nicht mehr aus. Stark miteinander verknüpfte und heterogene Datensätze brauchen Graphdatenbanken wie Neo4j, um die Beziehungen zwischen den Daten genauer ins Auge nehmen zu können. Wie und wo genau sie das im Finanzwesen tun, zeigen die folgenden Anwendungsbeispiele:

• Netzwerkanalyse zu Ermittlung der Eigentumsverhältnisse

Die italienische Rating-Agentur Cerved betreut über 34.000 Kunden im Jahr und bearbeitet über 800 Terabyte an Daten aus einer Vielzahl unterschiedlicher Quellen. All diese relevanten Informationen zu nutzen und Unternehmen bei der Entscheidungsfindung zu unterstützen, stellte eineimmense Herausforderung dar. Besonders wenn es sich um die Ermittlung des “real owners“ eines Unternehmens handelt. Damit ist die Person gemeint, die direkt oder indirekt 25 % +1 der Kapitalanteile eines Unternehmens hält und damit letztendlich das Unternehmen kontrolliert. In Italien ist diese Prüfung gesetzlich vorgeschrieben und betrifft Institutionen weltweit, angefangen bei Unternehmen über Kreditinstitute bis hin zu staatlichen Behörden.

Um die Suche zu beschleunigen und die Auflagen zu erfüllen führte Cerved daher eine neue, graph-gestützte Lösung für die Netzwerkanalyse ein. Das Ergebnis: Das Serviceniveau stieg um mindestens das Doppelte an, die durchschnittliche Berechnungsdauer von Besitzverhältnissen mit bis zu 15 Verlinkungen sank mit Neo4j von 12 Sekunden auf gerade einmal 67 Millisekunden. Dadurch ließ sich die Suche nicht nur ausweiten, sondern auch die Suchparameter optimieren. Die schnellen und verlässlichen Ergebnisse festigten zudem das Vertrauen der Kunden in Cerved – für die Rating-Agentur ein enormer strategischer Gewinn.

• Betrugserkennung

Die extrem schnelle Analyse von Datenbeziehungen ist auch ein entscheidender Vorteil von Graphdatenbanken bei der Aufdeckung von Betrugsversuchen. Komplexe Transaktionssysteme bieten Betrügern eine ganze Bandbreite an Angriffsmöglichkeiten, wie das Beispiel eines internationalen Finanzdienstleisters in London/New York zeigt. Die dort genutzten Analysesysteme waren nicht in der Lage verdächtige Transaktionen aufzuspüren, die sich nach metrischen Kriterien völlig „normal“ verhielten. Auch die Kreditrisikoanalyse bei Zahlungsvorgängen verlief ungenau und langsam. Um die Prozesse bei der Betrugserkennung und der Analyse von Risiken zu beschleunigen, setzte der Finanzdienstleister schließlich auf Neo4j. Anders als relationale Datenbanken erkennt die Graphdatenbank nämlich nicht nur diskrete Daten, sondern auch verdächtige Muster und damit komplette Netzwerke von Betrügern. Der Finanzdienstleister konnte Körperschaften und Verknüpfungen eindeutig zuordnen und milliardenschwere Betrugsverluste verhindern.

• Identitäts- und Zugangsmanagement

Für mehr Sicherheit sorgen Graphdatenbanken auch im Bereich Identity und Access Management (IAM). Intelligente Systeme auf Graph-Basis regeln sowohl den externen als auch internen Zugriff auf sensible Daten, Konten oder Transaktionen – und das deutlich schneller und sicherer als konventionelle IAM-Systeme. Wie komplex und langwierig die Datenverarbeitung von hierarchischen Verzeichnisstrukturen und internen Abhängigkeiten ohne Graphdatenbank sein kann, musste eine Londoner Investmentbank erfahren. Das Unternehmen nutzte eine relationale Datenbank, um den Zugriff auf Dokumente und Serviceanwendungen zu regeln. Die Berechtigungsvergabe an Investmentmanager und Händler verlief dabei manuell. Oft dauerte es bis zu fünf Tage, bis neue Mitarbeiter auf wichtige Informationen und Quellen zugreifen konnten. Die strengen Regularien im Finanzwesen ließen hier keinen Spielraum, um die Prozesse zu verkürzen. Erst eine graphbasierte IAM-Lösung brachte die nötige Performance mit, um das Berechtigungsmanagement schneller, einfacherer und sicherer zu gestalten.

• Kommunikationsnetzwerke / Recommendations

Vertrauliche Kundendaten, wichtige Informationen zu Marktentwicklungen sowie hohe Transaktionen verlangen zudem Kommunikationswege, die einen sicheren Austausch zwischen Banken, Händlern, Analysten und Anlegern ermöglichen. Ein solches soziales Netzwerk auf Basis von Graphtechnologie baute der Börsenbetreiber InterContinentalExchange (ICE) mit Sitz in Atlanta (USA) auf. Damit garantierte das Unternehmen zum einen die Sicherheit der internen Kommunikation (z. B. Textnachrichten des Trading Desk). Zum anderen konnte ein globales Verzeichnis von Marktteilnehmer, Market Makern und Investmentfunds erstellt werden. Über die von Neo4j gefundenen Beziehungen innerhalb dieses komplexen Datenverzeichnisses lassen sich Empfehlungen generieren, die Händler mit neuen potentiellen Kunden in Kontakt bringt und damit das Neugeschäft antreibt.

Ganz ähnlich wird Neo4j auch bei bpifrance in Paris genutzt. Die französische Förderbank vermittelt über die graphbasierte EuroQuity Plattform Partner, Berater und Investoren an wachstumsstarke Unternehmen und bringt so eine unbegrenzte Anzahl von Akteuren miteinander in Kontakt. Dazu werden auf Grundlage aller relevanten Daten individuelle Empfehlungen in Echtzeit ausgesprochen.

Die Beispiele zeigen, wie vielseitig sich Graphdatenbanken für unterschiedliche Aufgaben im Finanzsektor einsetzen lassen. Das liegt einerseits an ihrer hohen Performance und Skalierbarkeit. Andererseits können Graphen auf Grund ihrer Struktur auch die Beziehungen zwischen Daten einfach und anschaulich wiedergeben. Für Unternehmen aus unterschiedlichen Branchen sind sie damit eine ideale Lösung, um neue Erkenntnisse, Ideen und Lösungen aus ihren Daten zu gewinnen.