


Siemens Financial Services: Die Financial Data Platform der Zukunft
Datengetriebene Potenziale als Erfolgsfaktor für die Finanzbranche
Ausgangssituation und Herausforderung
Die Siemens Financial Services GmbH ist ein internationaler Anbieter von Finanzlösungen im B2B-Bereich. Als solcher ist eine homogene Datenlandschaft für das Unternehmen von großer Bedeutung, um schnell zuverlässige Entscheidungen treffen, ihre Effizienz steigern und Kosten reduzieren zu können. Ebenso sind Echtzeitanalysen und eine hohe Datenqualität entscheidend, um in der schnelllebigen Finanzwelt mit Marktbegleitern Schritt halten zu können. Anfang 2022 stand Siemens Financial Services jedoch vor einer eher uneinheitliche Datenbasis im Bereich Data & Analytics.
Basierend auf einer intern erarbeiteten Daten-Strategie wurde abgeleitet, dass der Aufbau einer eigenen SFS-Datenplattform die Zielsetzung sein wird. Siemens Financial Services beauftragte deshalb die Expert:innen von b.telligent, die langfristige Stabilität und Wettbewerbsfähigkeit durch eine neue Plattform sicherzustellen. Diese sollte die Komplexität reduzieren und als zentrale, verlässliche Datenquelle („Single Source of Truth“) fungieren. Im Mittelpunkt des Projektes standen vor allem zwei Herausforderungen: Zum einen der enorme Workload, schließlich galt es, über bis zu 30 einzelne Quellsysteme – oft mit mehreren hundert Quelltabellen – zu integrieren. Zum anderen die regulatorischen Anforderungen in der Finanzwirtschaft, vor allem im Hinblick auf Datensicherheit und Datenschutz, Zugriffberechtigungen und Governance.
Lösungsansatz
Eine „klassische“ Lösung, das war dem Projektteam schnell klar, würde schon alleine aufgrund des enormen Workloads zu keinem befriedigenden Ergebnis führen. Daher entschied es sich gemeinsam mit dem Kunden bereits sehr früh für einen metadatenbasierten Ansatz, der auch Einfluss auf die Auswahl der Komponenten hatte.
Die Entscheidung für eine neue (primäre) Cloud-Plattform fiel auf Microsoft Azure, die sich ideal um die b.telligent metaFactory erweitern ließ. Sie ermöglicht es nicht nur, Datenquellen automatisiert in den Azure Data Lake (ADLS Gen2) zu laden. Die Quellen werden darüber hinaus analysiert und gewonnenen Informationen zu den Metadaten hinzugefügt. Die damit parametrisierten Synapse Pipelines erlauben eine Verarbeitung bis zum Historized Layer (Delta Parquet), in dem die Quelldaten nun versioniert zur weiteren Nutzung zur Verfügung stehen.
Automatisierte Verarbeitung und Streaming-Architektur
Im nächsten Schritt kümmerte sich das b.telligent Team um die automatische Verarbeitung im Snowflake Data Warehouse mit Data Vault als Methodik für das Core Layer. Um die automatische Anbindung zu schaffen, erweiterten sie die b.telligent metaFactory um einen Generator für Snowflake External Tables. Bei dieser konsequenten ELT-Vorgehensweise fand die Automation mit Datavault Builder ausschließlich innerhalb von Snowflake statt. Zwar konnten durch die Nutzung der Metadaten viele Verarbeitungsschritte automatisiert werden – ganz ohne Entwicklungsleistung gelang dies aber nicht.
Gewisse Reportinganforderungen machten den Aufbau einer Streaming-Architektur notwendig, um den Nutzenden die Daten zeitnah und aktuell in Snowflake zur Verfügung zu stellen. Ausgehend von einer PostgreSQL-Datenbank wurden diese mit Hilfe von Debezium streamingfähig aufbereitet und in ein lokales Kafka-Cluster geschrieben. Aufbauend darauf ermöglicht es Mirror Maker, die Daten aus einem Kafka-Cluster in einen anderen zu replizieren. Diese Funktionalität wurde genutzt, um die Daten in die Cloud, respektive einen Azure Event Hub, zu replizieren, der wiederum die Daten via Event Capture in den Azure Data Lake schrieb. Das Zusammenspiel von EventGrid und Storage Queue ermöglichte dann die effiziente Übertragung der Daten nach Snowflake zur weiteren Verarbeitung.Somit wurde schnell klar, dass auch dieser Bereich so effizient wie möglich automatisiert werden musste. Das Konzept beinhaltete neben Continuous Integration/ Continuous Deployment (CI/CD) über Azure DevOps und einem sorgfältig geplanten Release-Management-Prozess auch die Bereitstellung unabhängiger Entwicklungsumgebungen (Sandboxes) für jeden einzelnen Use Case. Zu Spitzenzeiten arbeiteten schließlich bis zu 90 Entwickler:innen und 200 Business Tester weltweit an diesem Projekt.
Sicheres Berechtigungsmanagement für regulatorische Anforderungen
Um den regulatorischen Anforderungen von Beginn an Rechnung zu tragen, wurden für die Benutzer:innen (Entwickler:innen und Consumer) eine Reihe funktionaler Rollen definiert. Diese können über das zentrale User Provisioning im Siemens Konzern automatisch auf technische Rollen gemappt und den entsprechenden User-Accounts in den Anwendungen (Snowflake, Azure, Datavault Builder) zugeordnet werden. In Kombination mit weiteren Metadaten wurden im nächsten Schritt in Snowflake auch automatisch Row- und Column-Level-Policies für den Datenzugriff gesetzt, um das innerhalb der Finanzbranche sehr wichtig Need-to-Know-Prinzip durchzusetzen. Die individuellen Berechtigungen werden dann per Self-Service und Workflow einfach im User Provisioning System beantragt.

b.metaFactory
Die b.telligent metaFactory ist ein von b.telligent entwickeltes leistungsstarkes Framework für die Datenintegration mit Azure Data Factory. Mit über 100 Konnektoren, darunter für Oracle und SAP, bietet es maximale Flexibilität beider Anbindung verschiedenster Quellsysteme. Durch parametrisierte Pipelines und eine zentrale Steuerungstabelle lassen sich neue Datenquellen einfach und schnell integrieren. Die Daten werden im performanten Delta-Format im Azure Datalake gespeichert. Dank umfassender Logging- und Überwachungsfunktionen garantiert die metaFactory höchste Wartbarkeit und Sicherheit – und das alles innerhalb der Azure Subscription. Schnell, sicher und zukunftssicher: Deine Daten, optimal integriert.
Stimmen aus dem Projekt
b.telligent Leistungen auf einen Blick
Metadatenbasierter Ansatz
Nutzung der b.telligent metaFactory zur automatisierten Datenübertragung und Analyse in Azure Data Lake
Nahtlose Integration
Implementierung von Snowflake als Data Warehouse für effiziente Datenverarbeitung und regulatorische Compliance
Automatisierung und Effizienz
Einsatz von Datavault Builder zur DWH-Automatisierung, kombiniert mit CI/CD-Pipelines und flexiblen Entwicklungsumgebungen
Self-Service-Berechtigungen
Integration aller Komponenten in den benutzerfreundlichen Workflow für Berechtigungsanfragen über ein User Provisioning System
Real-Time Architektur
Streaming-Architektur mit Debezium, Kafka, Azure Event Hub und Snowflake für zeitnahe Datenbereitstellung und effizientes Reporting
Einhaltung regulatorischer Anforderungen
Definition von funktionalen und technischen Rollen sowie automatisierte Zugriffsrichtlinien in Snowflake

Ergebnisse & Erfolge
Automatisierte Datenintegration: Mit der b.telligent metaFactory wurden über 20 Quellsysteme effizient in die neue Financial Data Platform integriert.
Hohe Skalierbarkeit & Performance: Die Kombination aus Microsoft Azure und Snowflake ermöglicht Echtzeitanalysen und parallele Entwicklungen dank Sandbox-Architektur.
Regulatorische Sicherheit: Ein automatisiertes Berechtigungsmanagement gewährleistet Compliance nach dem Need-to-Know-Prinzip.
Dank der konsequenten Automatisierung der Datenintegration über Metadaten und eines durchdachten Release Managements gelang es dem b.telligent Team, innerhalb von nur 24 Monaten aus mehr als 20 Quellsysteme deren Daten auf die neue SFS-Datenplattform zu integrieren. Ein wesentlicher Erfolgsfaktor war die gewählte Sandbox-Architektur, die Abhängigkeiten und Wechselwirkungen zwischen den Entwicklungssträngen minimierte.
Durch die Investition in ein Tool zur automatisierten Migration von SAP HANA Calculation Views nach Standard-SQL konnten bestehende Reports in der Präsentationsschicht weiterverwendet werden. Zudem eröffnet der einfachere Datenzugang dem Kunden nun neue Möglichkeiten in den Bereichen Data Science und Machine Learning.
Zwar war klar, dass die Ablösung von SAP HANA durch die neue Plattform nicht sofort Kosteneinsparungen bringen würde, doch die langfristigen Vorteile und die Zukunftssicherheit der Lösung kompensieren das deutlich. Die Anbindung aller Komponenten an das zentrale User Provisioning beschleunigte zudem das Onboarding neuer Nutzer:innen erheblich.
Technologien im Einsatz

Microsoft
Innovation und Integration sowie Interoperabilität stehen bei der Entwicklung der Microsoft-Produkte im Mittelpunkt. Erfahre mehr zur Zusammenarbeit!

Snowflake
b.telligent baut mit Snowflake hochperformante und skalierbare Analytics-Lösungen in der Cloud. Erfahre jetzt mehr zu unserer Partnerschaft!

Datavault Builder
Die effiziente visuelle Datenintegrationslösung von Datavault Builder setzt auf Standardisierung und Zusammenarbeit zwischen Geschäfts- und IT-Mitarbeitenden. So kannst Du die Produktivität steigern und von der schnellstmöglichen Time-to-Insights profitieren, bei voller Auditierbarkeit und Governance ohne zusätzlichen Aufwand.

Die ganze Story zum Download
Du möchtest unsere Success Story als druckbaren Flyer? Für Dich, oder um Deinem Team das Projekt vorstellen zu können?
Dann lade Dir einfach hier die ganze Erfolgsstory als pdf herunter.
Viel Spaß beim Lesen!
Inspiriert?
Du findest unsere Success Stories spannend? Du hast eine ähnliche Herausforderung rund um die Themen Data, Analytics & AI und wünschst Dir professionelle Unterstützung? Dann melde Dich gern bei uns. In einem unverbindlichen Beratungsgespräch können wir schnell klären, wie wir Dir am besten helfen können.
