MAS Business Intelligence: Die Thesis von Andreas Pfeiffer

Du hast erst kürzlich den MAS Business Intelligence abgeschlossen. Weshalb hast du dich damals für diesen Lehrgang und die HWZ entschieden?

Als Business Engineer und Projektleiter im Bereich Trading arbeite an der Schnittstelle zwischen Business und IT. Meine vorhergehenden Ausbildungen hatten allesamt einen starken Banking/Business-Bezug. Mein Ziel war es, mit meiner nächsten Weiterbildung ein noch besseres Gefühl für die IT-Seite zu entwickeln. In einem mir bereits vertrauten, anwendungsorientierten Kontext mit Schwerpunkt Datenanalyse und Statistik erste Programmiererfahrungen zu sammeln, erschien mir deshalb sehr passend.

Big Data und Machine Learning waren Begriffe, die in meiner täglichen Arbeit immer wieder auftauchten und mich neugierig machten. Der MAS Business Intelligence hat mich insbesondere aufgrund dieser beiden Schlagworte angesprochen. Zentral für meinen endgültigen Entscheid für diese Ausbildung an der HWZ war, dass die Anwendung von High Level Programmiersprachen wie R und Phython vermittelt werden, ohne dass Programmierkenntnisse vorausgesetzt sind.

Dieser MAS beinhaltet drei CAS. Von welchem CAS hat du am meisten profitiert?

Ich habe noch im alten Setting des MAS den CAS App Entwicklung anstelle des CAS Customer Intelligence besucht. In allen drei CAS konnte ich auf unterschiedliche Art und Weise ein Gefühl für objektorientierte Programmierung und damit verbundene Konzepte entwickeln.

Das CAS Applied Data Analytics war ein perfekter Einstieg ins Programmieren (mit R) und hat mein Statistik-Wissen aufgefrischt. Am meisten profitiert habe ich vom CAS Machine Learning, da sowohl die Konzepte als auch das Programmieren mit Python für mich Neuland und sehr spannend waren.

Zum krönenden Abschluss des Studiengangs gehört die Masterarbeit. Mit welchem Thema hast du dich in deiner Masterarbeit auseinandergesetzt?

Der Titel meiner Arbeit lautet «Verbesserung der Collateral Optimierung mit Unterstützung von Data Mining». Collateral Optimierung ist vereinfacht gesagt die Disziplin eines Finanzinstituts mit dem Ziel, die eigenen Wertschriften bzw. Liquiditätsbestände bestmöglich als Kreditsicherheiten (Collateral) einzusetzen.

Mein Ziel war es, in einem ersten Schritt mittels Clustering-Algorithmus verschiedene Typen von Collateral in Bezug auf die Höhe ihrer Opportunitätskosten (individuell für das Finanzinstitut) zu gruppieren und anschliessend die Wertschriftenbestände des Finanzinstituts mittels eines Klassifizierungs-Algorithmus einer Opportunitätskostenklasse zuzuweisen.

Durch die Zuweisung der Wertschriften in eine Opportunitätskosten-Klasse konnte ich nachweisen, dass die totalen Collateralkosten (Summe von Collateral-Beschaffungskosten, Gegenparteirisikokosten und Opportunitätskosten) des Finanzinstituts noch nicht dem Kostenoptimum entsprechen und einen Weg zur weiterführenden Kostenoptimierung aufzeigen.

Welche Technologien hast du in deiner Arbeit verwendet?

Ich habe für den praktischen Teil der Arbeit ausschliesslich mit Python 3 (in Jupyter Notebook) auf der Basis von Excel-Datenfiles programmiert.

Welcher Nutzen hat deine Arbeit?

Die Erkenntnisse aus meiner Arbeit konnte ich im Rahmen eines laufenden Projekts bereits direkt in die Parametrierung des bestehenden Collateral-Optimierungs-Algorithmus der Bank einfliessen lassen.

Die Ergebnisse meiner Thesis indizieren, dass die Bank dadurch gleichzeitig sowohl Collateral-Kosten einsparen als auch die Liquiditätssituation verbessern kann.

Ein genereller Nutzen der Arbeit für mich persönlich ist, dass es mir nun leichter fällt, die Data Mining-Konzepte und Methoden, mit welchen ich mich im Rahmen der Arbeit auseinandergesetzt habe, in der Praxis auf andere Business Cases zu applizieren und Möglichkeiten für deren Anwendung zu erkennen.

Was sind deine wichtigsten Learnings aus der Arbeit?

Für mich war es ohne Programmiererfahrung per se eine grosse Herausforderung, ein praktisches Experiment mit Python durchzuführen. So musste ich – insbesondere im Rahmen der Datenaufbereitung – viel Zeit investieren, um neue Lösungsansätze nachzuschlagen oder Fehler zu finden, wenn mein Code im ersten Versuch nicht funktioniert hat. Mein grösstes Learning ist deshalb, dass ich mit einem Proof of Concept im Rahmen des Grobkonzepts einige Schwierigkeiten, welche ich Lauf der Arbeit bei der Datenaufbereitung hatte, hätte vermeiden können. Generell hat mir meine Arbeit klar vor Augen geführt, dass die Datenaufbereitung entscheidend für den Erfolg eines Data Mining-Projekts ist.