KÜNSTLICHE INTELLIGENZ8. Juli 2016

Fünf Szenarien für den Einsatz kognitiver Suche und Analyse in Banken und Versicherungen

Olivier Gaunet, CTO bei Sinequa
Olivier Gaunet, CTO bei Sinequa

Banken, Finanzinstitute und Versicher­ungs­ge­sell­schaften sind datenintensive Organisationen und in ihrer Entscheidungsfindung höchst abhängig von Daten aller Art. Sie gewinnen aus ihnen wichtige Erkenntnisse über ihre Kunden, die sich letztlich in Umsatzerlösen niederschlagen. Um diese Her­aus­for­der­ungen zu bewältigen, müssen sie sich agil und innovativ auf Kundenbedürfnisse einstellen. Das Softwareunternehmen Sinequa, Hersteller der gleichnamigen Plattform für kognitive Suche und Analyse, hat fünf Einsatzszenarien zu­sammen­ge­stellt, anhand derer sich demonstrieren lässt, wie Finanzorganisationen ihre Big Data Reservoirs durch Einsatz kognitiver Suche und leistungsstarker Analyse nutzen können.

von Olivier Gaunet, CTO bei Sinequa 

Durch Analyse, Strukturierung und Kategorisierung aller verfügbaren Daten schaffen Finanzorganisationen einen intuitiven und einheitlichen Zugriff auf Informationen über alle internen und externen Datenquellen hinweg, einschließlich Kundenverträge, Versicherungsansprüche, Zahlungsverhalten, E-Mail-Kommunikation, CRM-Daten, Unternehmensrichtlinien, Prozesse und vieles mehr. Mitarbeiter müssen auf relevante Informationen zugreifen können, ohne zu wissen, wo die Daten gespeichert sind, in welchem Format oder wie sie zugreifen.

Ideen und Anwendungen für die kognitive Suche: 360°-Sichten herstellen

360°-Sichten herstellen auf Kunden, Portfolios, Anlageziele, Verträge, finanzielle Performance und andere mit dem Geschäft eines Unternehmens verknüpfte Inhalte, und zwar für Beschäftigte aus allen Abteilungen: Banking, Versicherungen, Leasing, Vermögensverwaltung, Asset Management… Nur eine effiziente „Insight-Plattform“ – wie führende Analysten kognitive Such- und Analyseplattformen nennen – ermöglicht eine solche schnelle Rund-um-Sicht, ohne dass bestehende Anwendungen verändert werden müssen.

Betrügerische Aktivitäten erkennen und Geldwäsche verhindern

Durch die Analyse von Big Data werden Banken und Versicherungen schnell und präzise auf betrügerische Aktivitäten aufmerksam. Eine kognitive Insight-Plattform erkennt „ungewöhnliche“ Datenmuster durch Verwendung prädiktiver Algorithmen für maschinelles Lernen und dadurch, dass sie Menschen mit Bankkonten, Kreditkartennummern, Finanztransaktionen und anderen Datentypen zueinander in Beziehung setzt. Um Verhaltensmuster aufzudecken, verwenden Analysten eine Kombination von interaktiven Diagrammen, Timeline-Analysen, Tabellen und Beziehungsnetzen.

Autor Olivier Gaunet
Olivier-Gaunet-CTO-Sinequa-516Olivier Gaunet ist seit 2009 Chief Technical Officer des französischen Softwareanbieters Sinequa und verantwortlich für die funktio­nale Weiter­entwicklung der Sinequa-Platt­form für kognitive Su­che und Analyse. Der In­formatik-In­ge­nieur hat ei­nen Mas­ter für Artifici­al Intelligence der Universität Paris und arbeitet seit 1998 im Un­ternehmen.

Sinequa ist ein Software-Spezialist für Enterprise Search. Das Unternehmen stellt Plattformen für kognitive Suche und Analyse bereit. Die Entwicklung basiert auf den Ergebnissen jahrelanger sprachwissenschaftlicher Forschung. Mit speziellen Machine-Learning-Algorithmen sollen sich über die Sinequa-Plattform wertvolle Informationen aus sehr großen und komplexen Datenbeständen, aus strukturierten Daten von Unternehmensanwendungen und unstrukturierten Datenquellen gewinnen lassen. Unter den Unternehmen, die Sinequa einsetzen, sind: Airbus, AstraZeneca, Atos, Biogen, UCB, Credit Agricole, Mercer und Siemens. 

Abwanderung von Kunden verhindern

Die Kombination aus kognitiver Suche und leistungsstarker Analyse hilft Finanzorganisationen, ihre Kundenbindung zu verbessern. Natural Language Processing mit Text-Mining-Agenten spielt eine wichtige Rolle bei der Aufdeckung relevanter Informationen in Kundendaten und -Verhalten. Etwa durch die Analyse von Informationsanfragen und Navigationsmustern auf der Website des Finanzinstituts. Prädiktive Analyse hilft bei der Reduktion von Abwanderungsraten. Algorithmen für maschinelles Lernen erfassen Muster und Trends in Transaktionen von Kunden, die sie daraufhin als abwanderungsgefährdet identifizieren können. Ihnen kann das Unternehmen dann besonders attraktive Angebote machen, um sie als Kunde zu halten.

Up- und Cross-Selling-Angebote empfehlen

Sind Kundendaten über alle verfügbaren Kanäle gesammelt und analysiert, können der Cognitive Computing Plattform zusätzliche Funktionalitäten mit geringem Aufwand hinzugefügt werden. Machine-Learning-Algorithmen für „kollektive Filterung und Empfehlungen“ lassen sich einsetzen, um Marketing-Kampagnen zu optimieren, Up- sowie Cross-Selling zu verbessern oder Produkte und Dienstleistungen zu empfehlen, die für den Kunden relevant sind.

Für Unternehmen in der sich schnell entwickelnden Finanzbranche wird es immer wichtiger, riesige Mengen an strukturierten und unstrukturierten Informationen zu erfassen und zu analysieren. So können sie fundierte Entscheidungen treffen und ihren Kunden besseren Service bieten. Eine Plattform für kognitive Suche und leistungsstarke Analyse trägt erheblich dazu bei, dass dies gelingt und aus Daten eine signifikante Wertschöpfung erzielt wird.aj

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert