Das Cardif Shared Services Centre bietet IT-Dienstleistungen für BNP Paribas Cardif in der Tschechischen Republik, der Slowakei und Österreich an. Profinit entwickelt und wartet eines der vom Shared Service Center betriebenen Kernversicherungssysteme. Unsere Dienstleistungen haben sich in einer transparenten und schnellen Übergangsphase sehr gut bewährt und es wurden mehrere Softwareprozess-Optimierungen vorgenommen. Unsere technischen Verbesserungen haben zu einer 50%igen Steigerung der Effektivität beigetragen und es uns ermöglicht, die Produkteinführungszeit für neue Anforderungen wesentlich zu verkürzen. Derzeit läuft unser Kernsystem stabil und zuverlässig, unterstützt somit das Kundengeschäft und ermöglicht es BNP Paribas Cardif der Konkurrenz voraus zu bleiben. Darüber hinaus ist Profinit ein zuverlässiger und vertrauensvoller Anbieter für Anwendungsmanagement-Dienstleistungen für das Cardif Shared Services Centre.

Erste Digital (ehemals sIT Solutions) ist der IT-Dienstleistungspartner für die Erste Group und ist für die Entwicklung, Implementierung und Wartung der Bank-Software für etwa 4.000 Anwender verantwortlich. Für die Erste Group IT bieten wir ein vollständiges Outsourcing der Internet- und Mobile-Banking-Entwicklung einschließlich der Systemintegration. Dank der Kombination aus toller Prozessoptimierung und unserem hervorragenden Team konnten wir für unseren Kunden 30%ige Budgetersparungen erzielen.

KBC Global Services NV ist der IT-Partner für die KBC Group und liefert IT-Dienstleistungen für Finanzunternehmen innerhalb dieser Gruppe. ČSOB Pojišťovna („KBC Insurance“) ist ein solches Unternehmen, für das wir seit 1998 Softwaresysteme und Anwendungsmanagement-Outsourcing liefern. Das Mitarbeitsprinzip basiert auf Nearshoring, da der Kunde sich in ČSOB Pojišťovna („KBC Insurance“) befindet, etwa 150 Kilometer von Prag entfernt, während unser Team in unseren Büroräumen in Prag arbeitet. Die Teamgröße schwankt abhängig von den aktuellen Kundenanforderungen zwischen 4 bis 20 Experten, wobei wir weiterhin sowohl für die Qualität unserer Dienstleistungen als auch die Erhaltung des erforderlichen Know-hows trotz der Skalierung haften, und dies mit kontinuierlichem Erfolg.

Wir haben ein gesamtes Big-Data-Stack basierend auf Hadoop und Apache Spark für eine der größten Banken Europas geliefert.

Die Mehrheit des Gewinns im modernen Privatkundengeschäft stammt von Kreditprodukten. Bedauerlicherweise leihen sich aber nicht alle Klienten Geld von ihrer Hauptbank. Unser Data-Science Modell ist also so gebaut, um alle auswärtigen Ratenzahlungen an andere Banken und Kreditanstalten zu identifizieren. Somit kann das gesamte Kreditschlachtfeld direkt vor die Augen der jeweiligen Bank ausgebreitet werden. Dies schafft eine tolle Gelegenheit den Kunden maßgeschneiderte Darlehensübertragungen oder eine Konsolidierung anzubieten. Weitere Informationen über die Fallstudie finden Sie unter bigdataforbanking.com.

Sowohl in der Telekommunikation als auch im Bankwesen gibt es genügend Daten, um auf Familienbeziehungen zwischen Kunden zu schließen. Mit zugehörigen Daten über Kartenzahlungen, Anrufe, und Geolocation können Personen im Raum und Zeit verbunden werden. Fügt man noch einfache Demographie hinzu, dann kann ein überraschend präzises Data Science Modell erstellt werden, das den Ehepartner, Elternteil, oder Geschwister, usw. einer Person identifizieren kann. In manchen Ländern ist diese Art von Data Mining nicht legal anwendbar. In andere Staaten sind die Regelungen jedoch nicht so strikt. Somit kann die Bank dieses Wissen nutzen um das Kreditrisiko eines Kunden in Rücksicht auf Familienmitglieder anzupassen, oder kann so ein Telekommunikationsunternehmen dem Kunden besser abgezielte Angebote machen.

Die Zinssatzsetzung ist ein kompliziertes Problem. Setzt man die Raten zu niedrig, vermindert man den eigenen Gewinn. Setzt man sie aber zu hoch, dann sind sie nicht attraktiv genug für die Kunden, die sich schließlich woanders umsehen. Der Wettbewerb ist sehr stark, vor allem online. Die meisten Banken orientieren sich am Kreditrisiko der jeweiligen Kundengruppe und der Wahrscheinlichkeit deren Ausfalls. Diese Methode kann durch den Einsatz von Data Science Algorithmen optimiert werden. Gibt man Klienten, die presiempfindlicher sind, einen Vorteil auf Kosten von Kunden, die es weniger kümmert, so kann man den durchschnittlichen Zinssatz auf demselben Niveau erhalten, wobei aber die Annahmerate verbessert, Fluktuation gesenkt, und der Gewinn gesteigert werden. Das alles im Rahmen der strikten Bankvorschriften. Mehr dazu finden Sie im Video oder Sie können die Fallstudie unter bigdataforbanking.com nachlesen.

Aufgrund des guten Rufs, den sich Profinit bei Projekten für die Česká spořitelna erworben hatte, wurde das Unternehmen für das anspruchsvolle Projekt „ODI Leaving“ gewählt. Das Ziel bestand darin, eine große Anzahl von ETL-Prozessen, die Daten für das Data Warehouse und die Analyseplattform vorbereiten, in eine neue, moderne Umgebung zu migrieren und die veraltete Oracle Data Integrator-Technologie außer Betrieb zu setzen. Mit Hilfe von Profinit konnten insgesamt 130 Prozesse und 1.200 Mappings für 3 interne Kunden erfolgreich migriert werden, was zu einer deutlichen Reduzierung der ETL-Laufzeit führte. Nebenbei erhielt der Kunde ein vollständiges Framework zur Automatisierung von Regressionstests, das in zukünftigen Projekten eingesetzt werden kann. Durch den Verzicht auf die ODI-Technologie wurden Kosteneinsparungen von etwa 20 % erzielt.
„Wir haben uns für ein Expertenteam von Profinit entschieden, weil wir mit ähnlichen Migrationsprojekten, die Sie zuvor in unserer Bank durchgeführt hatten, sehr gute Erfahrungen gemacht hatten. Obwohl Ihre ursprünglichen Schätzungen hinsichtlich der Komplexität und des Zeitbedarfs recht optimistisch waren, wie es häufig der Fall ist, dauerte das Projekt aufgrund der Gesamtkomplexität und des Umfangs der migrierten Prozesse letztlich länger. Dennoch waren wir mit dem Gesamtergebnis und der professionellen Vorgehensweise sehr zufrieden. Wir haben alle gesetzten Ziele erreicht, einschließlich der Kosteneinsparungen von ca. 20 % durch die Abschaffung der ODI-Technologie, basierend auf den Lizenzgebühren, der Vereinfachung von Architektur und Infrastruktur, der Reduzierung von T2M, der Beschleunigung der Datenlast und der allgemeinen Stabilität der Lösung.“
Milan Prošek, Data Product Owner, Česká spořitelna