Abstimmungsprozesse am Tagesende führen zu Datenherausforderungen, die Buy-Side-Unternehmen daran hindern, Effizienzsteigerungen durch neue Technologien und KI-Initiativen zu erzielen.
Die Herausforderungen, die sich aus der Abhängigkeit von lang etablierten Abstimmungsprozessen ergeben, treten zu einem Zeitpunkt auf, an dem die Buy-Side ihre Betriebsmodelle transformiert, um neuen Strategien für Datenmanagement, Investment und Abwicklung gerecht zu werden.
Diese Herausforderung wurde in einer aktuellen Studie hervorgehoben, die ergab, dass mehr als zwei Drittel der Buy-Side-Unternehmen immer noch hauptsächlich auf Abstimmungen am Tagesende setzen. Etwa die Hälfte gab an, dass Dateninkonsistenzen und Zeitunterschiede die Hauptursache für Diskrepanzen in den Handelsströmen seien. Die Umfrage unter leitenden Buy-Side-Führungskräften wurde im Rahmen eines Round-Table-Treffens durchgeführt, das vom Datenlösungsanbieter Smartstream einberufen wurde.
Die Herausforderung der Datenabstimmung für Buy-Side-Institutionen hat sich verschärft, da sie den Übergang zum Multi-Asset-Handel anstreben, die regulatorische Aufsicht intensiver geworden ist und zunehmend erwartet wird, dass sie zu einem T+1-Abwicklungszyklus übergehen.
Neue Effizienzsteigerungen
Da verbesserte Research- und Handelstechnologien den Wettbewerb über Anlagerenditen erschweren, versuchen Unternehmen, über Gebühren zu konkurrieren. Zu diesem Zweck haben sie nach operativen Effizienzsteigerungen gesucht, um den Durchsatz zu erhöhen und die Kosten zu senken. Eine Möglichkeit hierfür war das Outsourcing ihrer Datenerfassungsprozesse, was jedoch auch die Betriebsabläufe belastet, so Robin Hasson, Head of Reconciliation bei Smartstream.
„Die Datenherausforderungen bei der Abstimmung liegen meist in der Datenbreite, Komplexität und Inkonsistenz“, sagte Hasson gegenüber Data Management Insight.
„In modernen Formaten gibt es weitaus mehr Datenpunkte, und wenn jeder sie auf die gleiche Weise nutzen würde, wäre alles viel einfacher. Aber das entspricht nicht der Realität.“
Die Smartstream-Umfrage mit dem Titel „Smart Reconciliations: Die Buy-Side-Perspektive“ ergab, dass 59 Prozent der Befragten externe Datenabhängigkeiten als ihr Hauptrisiko bezeichneten.
„Je mehr Synchronisation zwischen den Systemen erforderlich ist, desto größer ist das Risiko, desto anfälliger werden die Abläufe und desto höher sind die Kosten für Änderungen“, so Hasson.
Mehr use cases
Abstimmungen sind wichtig, da sie Kontrollpunkte für Daten bieten, die in die Systeme eines Unternehmens gelangen und diese durchlaufen. Da sich die use cases für Daten vervielfacht haben, müssen Abstimmungen nun über ganze Organisationen hinweg funktionieren – nicht nur bei der Handelsaktivität –, wenn Informationen von Team zu Team übertragen werden. Dies muss in Echtzeit und ohne Verlust der Datenintegrität geschehen, was den Druck auf die Datenverantwortlichen erhöht, den Prozess korrekt zu gestalten.
Die Gewährleistung der Datenqualität ist vor allem deshalb so wichtig, damit Daten sicher für das Training und den Betrieb von KI-Modellen verwendet werden können – diese können fehlerhafte Ergebnisse liefern, wenn die eingespeisten Daten nicht präzise und vertrauenswürdig sind.
„Das ist zu einer der wichtigsten Überlegungen geworden“, sagte Hasson. „Wenn Sie Zugang zu qualitativ hochwertigen, gut beschriebenen Daten haben, können Ihre KI-Modelle lernen, was die Daten wirklich repräsentieren. Das liefert echte Erkenntnisse und kann erhebliche geschäftliche Vorteile bringen.“
Sich häufende Herausforderungen
Die Durchführung dieser wichtigen Prüfungen am Ende des Tages bedeutet jedoch, dass sich Datenunregelmäßigkeiten und Unterbrechungen vorher ansammeln können, was zu Schwierigkeiten im Workflow und zu Fehlern führt. KI-Lösungen helfen dabei, die Bearbeitung von Problemen zu beschleunigen und zu automatisieren, wodurch Inkonsistenzen verhindert werden, die vor der Abstimmung am Tagesende Schaden anrichten könnten.
Die Lösung hierfür sei eine Always-on-Abstimmungsstrategie, so Hasson. Eine Kontrollschicht über der Datenmanagement-Architektur kann helfen, Unregelmäßigkeiten und Unterbrechungen sofort zu erkennen und zu beheben und die damit verbundenen Risiken zu verringern.
„Sobald man einen Einbruch der Datenqualität bemerkt, sobald sie abzuweichen beginnt, kann man gegensteuern“, sagte Hasson.
„Mit KI-Lösungen können Sie viel proaktiver sein, indem Sie oft Musteränderungen erkennen und Risiken identifizieren, bevor Unterbrechungen auftreten. Sie können Abweichungen in den Datenflüssen erkennen und Empfehlungen zu deren Korrektur geben.“
Zentralisierte Systeme
Das traditionelle Rückgrat von Abstimmungen in den meisten use cases war das Stammdatenmanagement, das eine „Single Source of Truth“ schafft. Dies hat an Bedeutung gewonnen, da Unternehmen dazu übergegangen sind, eine zentralisierte Datenmanagementstrategie einzuführen, um ihre zunehmend komplexen Datenprozesse besser zu überwachen.
„Es gibt einen Trend zur Standardisierung der Datenspeicherung, um eine Single Source of Truth zu erhalten. Nicht nur zur Unterstützung von KI-Modelltraining und Audits, sondern auch zur Gewinnung von Erkenntnissen, Trendanalysen und umfassenderer Business Intelligence“, so Hasson.
Dies wurde traditionell durch fragmentierte Legacy-Datenarchitekturen behindert. Für einige Betriebsbereiche ist dies kein so akutes Problem, aber die Konsolidierung unterschiedlicher Systeme war für Datenmanager im Allgemeinen die Faustregel. Während KI helfen kann, diese unabhängigen Strukturen mithilfe von Model Context Protocol (MCP)-Tools effizienter zu verknüpfen, ist sie kein Ersatz für eine umfassende Modernisierung, sagte Hasson.
„Es könnte das zugrunde liegende Problem verschleiern“, sagte er. „Wenn man Probleme taktisch von Fall zu Fall löst, verbessert das wirklich die operative Kontrolle über die nächsten zwei bis drei Jahre? Die Antwort lautet: wahrscheinlich nicht. Die erreichte Qualität wird niemals an die eines strategischen Datenprogramms heranreichen.“
