Banken die AI en geavanceerde data-analyse op grotere schaal willen inzetten, zullen hun datalandschap moeten moderniseren. Daarbij moet data volgens de visie in toenemende mate worden behandeld als een strategisch product in plaats van als een traditioneel IT-project.
Cloudplatforms en nieuwe data-architecturen kunnen banken helpen om sneller, goedkoper en veiliger met data te werken. De modernisering begint daarbij niet bij de technologie, maar bij concrete bedrijfsdoelen.
Begin bij concrete toepassingen
Banken doen er goed aan eerst twee of drie prioritaire toepassingen te selecteren, zoals fraudedetectie, gepersonaliseerde pricing of kredietbesluitvorming. Voor deze toepassingen moeten vervolgens meetbare KPI’s worden vastgesteld.
Ook de eisen rond snelheid, privacy en governance verschillen per toepassing. Die eisen moeten daarom al vroeg in het proces worden meegenomen, omdat ze mede bepalen welke technische infrastructuur nodig is.
Van monolithisch naar cloud-native
Een belangrijke stap is de overgang van traditionele, monolithische enterprise data warehouses naar cloudgebaseerde dataplatforms. Deze moeten verschillende architectuurpatronen kunnen ondersteunen, waaronder lakehouse en data mesh.
Open dataformaten, gestandaardiseerde API’s en managed services kunnen daarbij helpen om sneller te ontwikkelen en tegelijkertijd de afhankelijkheid van één leverancier te beperken.
De verschillende architectuurvormen hebben ieder hun eigen functie. Een lakehouse kan worden ingezet voor centrale opslag en zowel batch- als interactieve analyses. Event-driven streaming is geschikt voor toepassingen waarbij realtime verwerking noodzakelijk is. Een data mesh kan helpen om eigenaarschap van data over verschillende domeinen binnen de bank te organiseren.
Daarbovenop is een centrale governance-laag nodig voor onder meer datacatalogi, data lineage en het afdwingen van beleidsregels.
Security en compliance vanaf het begin
Bij de modernisering van het datalandschap moeten governance, security en compliance vanaf de start onderdeel zijn van de architectuur. Banken kunnen bijvoorbeeld processen voor data lineage en datacatalogisering automatiseren en werken met rolgebaseerde toegangsrechten.
Ook encryptie van data tijdens opslag en transport en het afschermen van gevoelige gegevens op veldniveau zijn belangrijke onderdelen. Wettelijke eisen kunnen vervolgens worden vertaald naar geautomatiseerde controles en audit trails.
Daarmee wordt compliance niet langer uitsluitend een controle achteraf, maar een onderdeel van de manier waarop het dataplatform dagelijks functioneert.
Stap voor stap migreren
Een volledige vervanging van bestaande systemen is daarbij niet noodzakelijk. Een pragmatische aanpak is om het bestaande landschap geleidelijk te vervangen via de zogenoemde ‘strangler’-aanpak. Daarbij worden afzonderlijke functionaliteiten stap voor stap vernieuwd.
Banken kunnen beginnen met domeinen waar de risico’s relatief beperkt zijn. Greenfield-pilots bieden vervolgens de mogelijkheid om zowel nieuwe technologie als het bijbehorende operating model in de praktijk te testen voordat de aanpak breder wordt uitgerold.
Nieuwe manier van werken
De technologische transformatie vraagt tegelijkertijd om veranderingen binnen de organisatie. Banken kunnen werken met data-productteams die rond specifieke domeinen zijn georganiseerd. Binnen dergelijke teams kunnen bijvoorbeeld een product owner, data engineer, data steward en ML-engineer samenwerken.
Daarnaast is investeren in kennis en vaardigheden noodzakelijk. Reskilling en een breder veranderprogramma moeten ervoor zorgen dat medewerkers data beter kunnen gebruiken en begrijpen. Daarbij moet de focus liggen op meetbare bedrijfsimpact in plaats van uitsluitend op technologische vernieuwing.
Een gemoderniseerd datalandschap kan banken uiteindelijk helpen om sneller inzichten uit data te halen, realtime analyses op te schalen en compliance robuuster te organiseren. Tegelijkertijd ontstaat een infrastructuur waarmee AI-experimenten kunnen worden vertaald naar herhaalbare toepassingen met concrete bedrijfswaarde.
De modernisering van data is daarmee geen IT-project met een duidelijke einddatum. Het gaat om een structurele verandering van het operating model, waarbij de nadruk komt te liggen op bedrijfsresultaten, open technologie, geautomatiseerde governance en gestandaardiseerde data- en ML-operaties. Daarmee kunnen banken hun organisatie voorbereiden op een steeds meer AI-gedreven toekomst.