Einblicke in Dunetivora
Ein Blick in unsere Arbeit an KI-gestützten Prozessen für Referenzdaten, Identifier-Ausrichtung und Governance in Finanzinstituten.
Das Team hinter der KI für Finanz-Referenzdaten
Wir glauben nicht an anonyme Algorithmen, die irgendwo im Hintergrund wirken, sondern an konkrete Menschen, die Verantwortung für Datenqualität, Prozesse und Modelle übernehmen.
Hinter Dunetivora steht ein Team aus Dateningenieuren, Quant-Analysten und Praktikern aus dem Finanzdatenbetrieb, die alle dieselbe Frustration teilen: zu viele Klärfälle, zu wenig Zeit für echte Analyse.
Wir kombinieren technische Modelle mit klaren Denkwerkzeugen, damit KI im Alltag der Referenzdatenpflege nicht als Versprechen, sondern als verlässliches Werkzeug erlebt wird.
Wie wir mit Ihnen zusammenarbeiten
Unsere Arbeit an KI-gestützter Harmonisierung von Finanzreferenzdaten folgt einer einfachen Einsicht: Nur was sich erklären und wiederholen lässt, bleibt im Alltag nutzbar.
Deshalb investieren wir viel Zeit in gemeinsame Denkmodelle, bevor wir konkrete Implementierungen vorschlagen. In Workshops und technischen Skizzen entwickeln wir mit Ihnen eine Sicht auf Referenzdaten, die Identifier, Ereignisse und Zeitverläufe zusammenführt. Aus dieser Sicht leiten wir ab, wo automatisches Matching robust funktioniert, welche Grenzfälle menschliche Entscheidung brauchen und wie sich beides sauber voneinander trennen lässt.
Ein weiterer Schwerpunkt liegt auf der Frage, wie KI-Verfahren in bestehende Kontrollstrukturen eingebettet werden. Wir denken von Anfang an in Prüfregeln, Eskalationswegen und Reporting-Anforderungen. So entsteht eine Umgebung, in der automatisierte Ausrichtung von Finanzkennungen nicht als Fremdkörper wirkt, sondern bestehende Kontrollmechanismen unterstützt. Das verringert Reibung zwischen Fachbereichen und IT und erleichtert die Abstimmung mit interner Revision und Aufsicht.
Wir sehen uns nicht als Anbieter fertiger Patentrezepte, sondern als Partner in einem längerfristigen Veränderungsprozess. Referenzdatenlandschaften entwickeln sich über Jahre, manchmal Jahrzehnte. Unsere Methoden sind darauf ausgelegt, diesen Weg zu begleiten, statt kurzfristige Effekte zu versprechen. Ergebnisse können je nach Datenlage, Prozessen und Rahmenbedingungen unterschiedlich ausfallen. Deshalb gilt für alle Beispiele und Skizzen, die wir teilen: Sie sind Anregung, keine Zusage. Past performance doesn't guarantee future results.
Unser Ansatz
Viele Teams hoffen, dass ein einzelnes KI-Modell alle Referenzdatenprobleme auflöst. Wir wissen aus Erfahrung, dass saubere Finanzdaten vor allem das Ergebnis aus klaren Regeln, robusten Pipelines und ehrlicher Fehleranalyse sind. Deshalb kombinieren wir automatisierte Zuordnung von Finanzinstrumenten mit expliziten Prüfpfaden und dokumentierten Annahmen.
Wir setzen auf ein mehrstufiges Matching, das strukturierte Felder, Textmerkmale und zeitliche Muster kombiniert. So lassen sich Identifier, Stammdaten und Ereignisse wie Corporate Actions konsistenter verbinden, ohne blind auf einen einzelnen Score zu vertrauen.
Gleichzeitig legen wir Wert auf Transparenz: Jede Entscheidung des Systems soll für Fachanwender erklärbar bleiben. Das reduziert manuelle Rückfragen, erleichtert Audits und schafft Vertrauen in die harmonisierten Referenzdaten, auf denen Ihre Analysen später aufbauen.
Unser Selbstverständnis
Wir verbinden technische Strenge mit praktischer Erfahrung in Finanzdatenprozessen, um KI dort einzusetzen, wo sie wirklich entlastet statt zu verkomplizieren.
Ein verbreiteter Irrtum lautet, dass Datenharmonisierung ein einmaliges Projekt sei. In der Realität verändern sich Identifier, Konventionen und regulatorische Anforderungen stetig. Wir behandeln Referenzdaten daher als lebendes System. Unsere KI-gestützten Verfahren zur Ausrichtung von Finanzkennungen sind so angelegt, dass sie neue Muster aufnehmen können, ohne bestehende Zuordnungen unkontrolliert zu verändern. Gleichzeitig bleiben menschliche Fachexperten eingebunden, um Grenzfälle zu bewerten und Regeln anzupassen. So entsteht ein Zusammenspiel aus Automatisierung und bewusster Steuerung, das langfristig tragfähig bleibt.
Kontakt aufnehmen
Datenharmonisierung im Finanzbereich ist kein reines Technikthema, sondern immer auch eine Frage von Verantwortung, Nachvollziehbarkeit und gelebter Governance.
Governance und Verantwortung in der Datenharmonisierung
Viele Organisationen unterschätzen, wie politisch Referenzdaten sind. Jede Änderung an Kennungen oder Matching-Regeln berührt Abrechnung, Risiko, Reporting und Aufsicht.
Wir adressieren diese Realität mit einem klaren Governance-Rahmen rund um KI-gestützte Verfahren. Dazu gehören versionierte Regelwerke, dokumentierte Datenherkunft und nachvollziehbare Freigabeprozesse. Wenn Identifier für Finanzinstrumente neu zugeordnet oder harmonisiert werden, bleibt stets sichtbar, wer welche Änderung angestoßen hat, welche Annahmen zugrunde liegen und welche Auswirkungen erwartet werden. So lassen sich Diskussionen mit Fachbereichen und Prüfern auf eine gemeinsame, belastbare Basis stellen.
Transparenz endet für uns nicht bei Modellen. Wir achten darauf, dass auch Qualitätskennzahlen, Fehlertypen und Korrekturpfade offenliegen. Statt eine scheinbar perfekte Trefferquote zu versprechen, zeigen wir, wo Verfahren stark sind und wo sie bewusst konservativ entscheiden. Dieser nüchterne Blick hilft, Prioritäten zu setzen: Welche Teile der Referenzdatenlandschaft profitieren zuerst von automatischer Ausrichtung, und wo sind zunächst organisatorische Klärungen wichtiger als zusätzliche Technik.
Dabei ist uns bewusst, dass jede Umgebung eigene Zwänge und Chancen mitbringt. Manche Institute können neue Datenquellen schnell integrieren, andere sind an gewachsene Kernsysteme gebunden. Wir entwickeln unsere Methoden deshalb so, dass sie mit verschiedenen Architekturen zusammenarbeiten können, statt eine einzige Zielplattform zu erzwingen. So entsteht ein Weg, bei dem Sie schrittweise mehr KI in Ihre Referenzdatenprozesse bringen, ohne den laufenden Betrieb zu gefährden.
Prinzipien für KI in der Referenzdatenharmonisierung
Sie kennen das Versprechen der vollständig automatisierten Finanzdatenlandschaft. Wir sehen stattdessen reale Systeme mit Historie, Ausnahmen und Kompromissen. Unsere Arbeit auf der Referenzdatenseite folgt deshalb klaren Prinzipien, die technische Eleganz mit operativer Bodenhaftung verbinden.
- Viele Versprechen rund um KI ignorieren die Frage, wie Entscheidungen im Nachhinein nachvollzogen werden. In unserem Prinzip erklärbare Zuordnung ist jede Matching-Entscheidung mit Merkmalen, Scores und Regeln hinterlegt. So können Sie Grenzfälle prüfen, Annahmen hinterfragen und das System schrittweise schärfen, statt es als Blackbox zu akzeptieren.
- Robuste Evolution
Struktur vor Modell
Wir starten nicht mit Modellen, sondern mit Ihren bestehenden Flüssen für Referenzdaten und Identifier. In unserer Methode Struktur vor Modell kartieren wir zunächst Quellen, Regeln, Brüche und manuelle Eingriffe. Erst wenn diese Landkarte steht, entscheiden wir, wo KI-gestützte Zuordnung tatsächlich Nutzen bringt und wo einfache, stabile Regeln besser geeignet sind.
Erklärbare Zuordnung
Finanzinstrumente verändern sich, Institute fusionieren, Felder verschwinden oder kommen hinzu. Unser Leitgedanke robuste Evolution bedeutet, dass wir Verfahren so gestalten, dass sie Veränderungen verkraften, ohne jedes Mal neu aufgebaut werden zu müssen. Versionierte Regeln, Testszenarien und saubere Schnittstellen sind dabei wichtiger als spektakuläre Modelle.
Gemeinsame Landkarte
Datenharmonisierung gelingt nur, wenn Fachbereiche, IT und Governance dieselbe Sprache sprechen. Mit unserem Prinzip gemeinsame Landkarte übersetzen wir technische Details zu klaren Artefakten wie Matching-Regeln, Qualitätsindikatoren und Prozessdiagrammen. So wird sichtbar, wo KI ergänzt, wo sie ersetzt und wo sie bewusst begrenzt wird.
Wer wir sind und wie wir arbeiten
KI für Finanzreferenzdaten ohne Mythen
Wahrscheinlich haben Sie schon erlebt, wie zwei Systeme scheinbar dieselbe Anleihe führen und sich trotzdem nicht sicher zuordnen lassen. Genau an dieser Reibung arbeiten wir. Bei Dunetivora verbinden wir Methoden aus Statistik, Machine Learning und domänenspezifischer Finanzlogik, um Referenzdaten und Identifier über Instrumente und Institute hinweg präziser auszurichten. Wir entwickeln KI-gestützte Verfahren, die nicht nur Muster erkennen, sondern diese auch nachvollziehbar machen. Unser Fokus liegt auf der Harmonisierung von Stammdaten, der Erkennung versteckter Dubletten sowie der konsistenten Verknüpfung historischer und aktueller Kennungen. Dabei betrachten wir Datenqualität immer als Zusammenspiel von Algorithmen, Prozessen und Menschen. Wir arbeiten eng mit Fachabteilungen, IT und Compliance zusammen, um Lösungen zu bauen, die sich in bestehende Architekturen einfügen und regulatorische Anforderungen respektieren. Unser Anspruch ist nüchtern: weniger manuelle Klärfälle, klarere Datenherkunft und belastbare Referenzdaten für Analysen mit längerem Planungshorizont.