Private Banking · Schweiz

Das Regulatorische Wissenslabyrinth

Kundenprofil

Typ: Top-3 Schweizer Privatbank
Größe: Multi-Milliarden AuM
Beauftragung: 3+ Jahre

Key Metrics

Abschlusszyklus
10 Arbeitstage 3 Arbeitstage
Legacy-Systeme
16 Konsolidiert
Jährliche Reporting-Kosten
Baseline –30%
Risikogewichtete Aktiva
Baseline Zweistellige %-Reduktion
Team-Headcount
Baseline –40%

Time to Value

First Go Decision: 6 Monate
Measurable KPIs: 9 Monate

Framework-Abdeckung

Data Structure
structuredsemi-structuredunstructured
Data Provenance
internal external
Knowledge Type
deterministic stochastic experiential

Die Herausforderung

Regulatorisches Reporting war zu einem Labyrinth geworden. Wissen war verstreut über 16 Legacy-Systeme, mehrere Abteilungen und drei Regionen. Eine Handvoll Senior-Spezialisten waren zu De-facto-Gatekeepern geworden — die einzigen Menschen, die wirklich verstanden, welche Qualitätsmassnahmen in welchem Kontext zählten, was Prüfer fragen würden und wie man die Komplexität des Quartalsabschlusses navigiert.

Jede regulatorische Änderung löste das gleiche Muster aus: Verzögerungen, Eskalationen und Engpässe, die sich durch dieselben überlasteten Experten kanalisierten. Abschlusszyklen dehnten sich auf 10 Arbeitstage. Kosten stiegen. Junior-Mitarbeiter lernten langsam, wenn überhaupt.

Die Wissenslandschaft

Das war kein einfaches Datenproblem. Das regulatorische Wissen der Bank erstreckte sich über alle drei Dimensionen:

  • Struktur: Strukturierte Daten in Kernsystemen und Datenbanken, semi-strukturierte XBRL- und JSON-Dateien, unstrukturierte Policy-Dokumente
  • Herkunft: Interne Prozesse, Risikorichtlinien und ETL-Logik verwoben mit externen regulatorischen Anforderungen und Prüfererwartungen
  • Wissenstypen: Deterministische Kennzahlen, stochastische Risikoberechnungen und das erfahrungsbasierte Urteilsvermögen, das nur aus Jahren des Wissens kommt, was Regulatoren wirklich interessiert

Der Ansatz

Full-Lifecycle-Engagement: Design Workshop → Festpreis-Implementierung → Pilot → Laufender Service (noch aktiv).

Der schwierigste Teil war nicht technisch — es war Vertrauen. Die Wissens-Gatekeeper hatten ihre Karrieren darauf aufgebaut, unentbehrlich zu sein. Erst als die Führung sich zum Wandel bekannte und die Experten erlebten, wie ihre eigene Arbeitsbelastung sank, wich der Widerstand der Erleichterung.

Die Wirkung

MetrikVorherNachher
Abschlusszyklus10 Arbeitstage3 Arbeitstage
Legacy-Systeme16Konsolidiert
Jährliche Reporting-KostenBaseline–30%
Risikogewichtete AktivaBaselineZweistellige %-Reduktion
Team-HeadcountBaseline–40%

Time to Value: Erste Go-Entscheidung nach 6 Monaten. Konsistente, messbare KPIs nach 9 Monaten.

Die menschliche Geschichte

Die Junior-Analysten bekamen endlich Zugang zum Denken der Seniors — nicht durch Jahre des Mitlaufens, sondern durch strukturierte Wissenserfassung. Karrierewege im Regulatory-Bereich beschleunigten sich.

Und die Gatekeeper? Sie hörten auf, Engpässe zu sein. Der Stress fiel ab. Einer beschrieb es als „endlich Urlaub machen zu können, ohne dass mein Telefon jede Stunde vibriert.”

Ready to Achieve Similar Results?

Start with our assessment to discover the right knowledge engineering approach for your organization.

Assessment starten