ING is een Nederlandse multinationale bank, opgericht in 1991. Als een van de grootste en meest innovatieve banken in Europa biedt ING een breed scala aan financiële diensten, waaronder retail- en commercieel bankieren, vermogensbeheer, en verzekeringen. De belangrijkste taken van ING omvatten het ondersteunen van klanten bij hun financiële behoeften, het ontwikkelen van innovatieve en klantgerichte producten, en het bevorderen van een duurzame en verantwoorde bedrijfsvoering. Door deze functies draagt ING bij aan het economische welzijn van haar klanten en de bredere samenleving.

Data en analytics zijn van cruciaal belang voor ING in haar missie om klanten beter te bedienen en efficiëntie te verbeteren. Data-analyse stelt ING in staat om klantgedrag te begrijpen, gepersonaliseerde producten en diensten te ontwikkelen, en operationele processen te optimaliseren. Met geavanceerde data-analyse technieken kan ING risico's beheren, fraude detecteren en haar digitale transformatie versnellen. In een steeds meer datagedreven wereld blijven data en analytics een hoeksteen van ING's operaties, bijdragend aan de klanttevredenheid en de bedrijfsprestaties.

Data en analytics specialisten bij ING worden geconfronteerd met verschillende uitdagingen. Een van de grootste uitdagingen is het beheer en de analyse van enorme hoeveelheden klant- en transactiedata, waarbij nauwkeurigheid en snelheid essentieel zijn. Daarnaast is er de uitdaging om te voldoen aan strenge regelgeving omtrent gegevensbescherming en privacy. Verder is er een voortdurende druk om bij te blijven met de nieuwste technologieën en technieken in een snel evoluerend veld. Deze uitdagingen vereisen een combinatie van technische expertise, strategisch denken en sterke communicatieve vaardigheden van de data en analytics specialisten bij ING.

Werken bij ING betekent deel uitmaken van een vooruitstrevende en dynamische cultuur die de kernwaarden van integriteit, verantwoordelijkheid en innovatie hoog in het vaandel heeft staan. ING hecht grote waarde aan diversiteit en inclusiviteit, met de overtuiging dat verschillende perspectieven bijdragen aan effectievere besluitvorming. De sfeer binnen de bank is open en collaboratief, waarbij werknemers worden aangemoedigd om ideeën uit te wisselen en samen te werken aan gemeenschappelijke doelen. Er is ook een sterke nadruk op persoonlijke en professionele ontwikkeling, met talrijke mogelijkheden voor opleiding en loopbaangroei. Bovendien erkent ING het belang van een gezonde balans tussen werk en privéleven, en biedt ze flexibele werkregelingen om dit te ondersteunen.

Een concreet voorbeeld van een data en analytics project bij ING zou kunnen zijn de implementatie van een machine learning-model voor fraude-detectie. Bij banken zoals ING is het voorkomen van fraude van cruciaal belang voor zowel de veiligheid van de klant als de reputatie van de bank. In dit project zou het Data Science-team bij ING samenwerken met Data Engineers en IT-beveiligingsspecialisten om een model te ontwikkelen dat in staat is om frauduleuze transacties in realtime te identificeren. Dit model zou gebruik maken van historische transactiegegevens om patronen van normaal en frauduleus gedrag te leren. Dit kan bijvoorbeeld betekenen dat het model wordt getraind om op ongebruikelijke activiteiten te letten, zoals ongewoon hoge transacties, transacties op vreemde tijdstippen of veelvuldige transacties in korte tijd. Wanneer het model een potentieel frauduleuze transactie detecteert, zou het een waarschuwing kunnen sturen naar een medewerker voor verdere beoordeling. Naast het ontwikkelen van het model zelf, zou het projectteam ook een dashboard moeten maken voor het monitoren van de prestaties van het model. Dit zou de bank in staat stellen om het model voortdurend te evalueren en te verbeteren, om ervoor te zorgen dat het zo nauwkeurig mogelijk is bij het detecteren van fraude. Dit project zou niet alleen kunnen helpen bij het verminderen van het risico op financieel verlies voor zowel ING als haar klanten, maar het zou ook kunnen bijdragen aan het verbeteren van de klanttevredenheid door het verhogen van de veiligheid van hun accounts.

Bij ING zijn er verschillende functies die zich richten op data en analytics. Deze functies variëren in mate van technische expertise en focus op bepaalde gebieden. Hier zijn enkele van de belangrijkste rollen:

Data Scientist

Data Scientists bij ING gebruiken geavanceerde statistische technieken en machine learning algoritmen om patronen en trends in grote datasets te identificeren. Ze zijn betrokken bij het opstellen van voorspellende modellen en het creëren van inzichten die de productontwikkeling en bedrijfsstrategieën ondersteunen.

Data Analist

Data Analisten zijn verantwoordelijk voor het verzamelen, verwerken en analyseren van data. Ze ontwikkelen en implementeren datagerichte oplossingen om zakelijke vragen te beantwoorden en informeren stakeholders over hun bevindingen door middel van duidelijke, begrijpelijke rapporten en presentaties.

Data Engineer

Data Engineers ontwerpen, bouwen en beheren de datanetwerken en architecturen die de datastroom binnen ING ondersteunen. Ze zorgen ervoor dat data op een efficiënte en veilige manier worden opgeslagen, overgedragen en toegankelijk zijn voor analyse.

Data Steward

Data Stewards zijn verantwoordelijk voor de kwaliteit, integriteit en privacy van de data die ING gebruikt. Ze werken aan de implementatie van datamanagementbeleid en -standaarden en zorgen voor naleving van regelgeving op het gebied van data en privacy.

Business Intelligence Specialist

Deze professionals ontwikkelen en onderhouden BI-oplossingen (zoals dashboards en rapporten) die de besluitvorming ondersteunen. Ze werken nauw samen met bedrijfsteams om hun rapportagebehoeften te begrijpen en relevante oplossingen te leveren.

Data Governance Officer

Deze rol houdt toezicht op alle data-gerelateerde activiteiten om ervoor te zorgen dat ze in lijn zijn met interne en externe regelgeving. Ze ontwikkelen en implementeren data governance-strategieën en -beleid.

Machine Learning Engineer

Deze specialisten ontwikkelen en implementeren machine learning-modellen. Ze werken vaak nauw samen met data scientists om de modellen te optimaliseren en te implementeren in productie.