STRATEGIE12. Oktober 2021

Advanced Analytics in der Bank der Zukunft – Prof. Wuermeling, Deutsche Bundesbank

Digitale Transformation: Herausforderungen der Finanz­branche – Prof. Wuermeling, Deutsche Bundesbank
Prof. Dr. Joachim Wuermeling Bert Bostelmann

In seiner Auftaktrede am 3. Tag des SCHUFA-Branchentreffs für die Deutsche Kreditwirtschaft sprach Prof. Wuermeling von der Bundesbank unter dem Titel „Heute schon wis­sen, was mor­gen (viel­leicht) funk­tio­niert – Advanced Analytics in der Bank der Zu­kunft“ über Chan­cen und Her­aus­for­de­run­gen für Banken durch Daten und KI. Er betonte die Bedeutung der Daten als Erfolgsfaktor der Zukunft und skizzierte die Sicht der Bundesbank als Aufseher. Eine Zusammenfassung seiner Rede.

von Professor Dr. Joachim Wuermeling, Mitglied des Vorstands der Deutschen Bundesbank

Di­gi­ta­le In­no­va­tio­nen er­mög­li­chen eine völ­lig neue Wertschöpfung mit Hilfe von Daten. Daten wer­den häu­fig als wich­tigs­te Res­sour­ce des 21. Jahr­hun­derts bezeichnet. Die Da­ten­men­gen steigen un­auf­hör­lich. Jede Bank sitzt auf einem gro­ßen Berg ver­schie­de­ner Da­ten­ty­pen, der laut Statistik mit etwa 27 Pro­zent pro Jahr beständig an­wächst. Der Sek­tor Fi­nanz­dienst­leis­tun­gen lag schon im Jahr 2018 mit 2,1 Zet­ta­byte im Branchenvergleich auf Platz drei der größten Datenproduzenten. Was ma­chen wir mit all diesen Daten?

Alle be­sit­zen Daten, aber die Fä­hig­keit, diese Daten op­ti­mal zu ver­ar­bei­ten und nutz­bar zu ma­chen, be­sit­zen nur we­ni­ge. Sie bie­tet aber einen gro­ßen Wett­be­werbs­vor­teil im Markt – und um die­sen be­mü­hen sich auch mitt­ler­wei­le viele Ban­ken.“

Das Potenzial der Daten

Advanced Analytics lässt sich grob in drei Stu­fen ein­tei­len: prä­dik­ti­ve Ana­ly­se, prä­skrip­ti­ve Ana­ly­se und Künst­li­che In­tel­li­genz (KI), die wie­der­um mit Be­grif­fen wie Natural Language Processing, Machine Learning oder Deep Learning as­so­zi­iert wird.

Alle diese Tech­ni­ken kön­nen große, kom­ple­xe, struk­tu­rier­te wie un­struk­tu­rier­te Datenmengen ana­ly­sie­ren und in­ter­pre­tie­ren. Mit­hil­fe der Advanced Analytics kön­nen tiefe Ein­bli­cke ge­won­nen, Vor­her­sa­gen ge­trof­fen oder Emp­feh­lun­gen ge­ge­ben werden, die weit über die der tra­di­tio­nel­len Business Intelligence hin­aus­ge­hen.

Advanced Analytics un­ter­sucht die Daten au­to­nom oder halb­au­to­nom, aber nicht von selbst. Es braucht den Men­schen als Pro­gram­mie­rer, Ma­na­ger, Con­trol­ler und Ana­lyst.

Bisher nutzen Ban­ken Advanced Analytics in erster Linie zur Kun­den­bin­dung und Prozessoptimierung. Das In­ter­es­se im Be­reich Risikomanagement wächst. Die meis­ten Ban­ken be­fin­den sich noch in einem frü­hen Sta­di­um. Der Schwer­punkt liegt auf prädiktiven Ana­ly­sen. Dazu wer­den vor allem Kern­bank­da­ten ge­nutzt und we­ni­ger ex­ter­ne Da­ten­quel­len. Die Po­ten­zia­le von Advanced Analytics  gehen aber weit darüber hin­aus. Sie versprechen hö­he­re Ge­schwin­dig­keit, bes­se­re Er­geb­nis­se, Sicherheit und mehr operative Qua­li­tät; vor allem aber neue Ein­satz­be­rei­che.

Ban­ken kön­nen das Risikomanagement für ihre ei­ge­nen Port­fo­li­os ver­bes­sern. KI kann hel­fen, Kre­dit­ri­si­ken schnel­ler zu iden­ti­fi­zie­ren. Dabei gilt es auch, die Kernbankdaten mit ex­ter­nen Daten zu kom­bi­nie­ren. Eine KI kann se­kun­den­schnell ent­schei­den und dabei un­zäh­li­ge Da­ten­punk­te be­rück­sich­ti­gen. Ein wei­te­rer vielversprechender An­wen­dungs­be­reich ist die Be­trugs­prä­ven­ti­on. Eine KI kann Ausgaben und Ver­hal­tens­mus­ter ana­ly­sie­ren, um Be­trug zu er­ken­nen, noch bevor er ge­schieht.

Po­ten­zia­le von KI er­ge­ben sich in der Kun­den­in­ter­ak­ti­on. Mit Advanced Analytics kön­nen Ban­ken ihren Kun­den mehr Con­ve­ni­ence bie­ten. Knapp die Hälf­te der Ban­ken nutzt be­reits Advanced Analytics für die Kun­den­bin­dung. Chatbots kön­nen beispielsweise helfen, um ein­fa­che Kun­den­nach­fra­gen zu be­wäl­ti­gen. Mit Advanced Analytics könn­ten auch Schlüs­sel­merk­ma­le der Kun­den bes­ser analysiert und segmentiert wer­den. Pro­dukt­an­ge­bo­te kön­nen so per­so­na­li­sier­ter er­fol­gen und auf Kun­den­prä­fe­ren­zen zu­ge­schnit­ten wer­den.

Schließlich bietet KI er­heb­li­che Po­ten­zia­le für die Prozessau­to­ma­ti­sie­rung von Back-Office-Tätigkeiten. Ban­ken kön­nen Pro­zes­se stan­dar­di­sie­ren und so die ope­ra­ti­ven Kos­ten senken. Die neuen Tech­no­lo­gi­en kön­nen klas­si­sche Back-Of­fice-Tä­tig­kei­ten über­neh­men.

Daten bie­ten in Ban­ken enor­mes Po­ten­zi­al. Advanced Analytics kön­nte die­ses Potenzial frei­set­zen. Dabei ist ein rea­lis­ti­scher Blick wich­tig – des­we­gen muss es auch hei­ßen: neue Ri­si­ken nicht un­ter­schät­zen!

Neue Methoden, neue Risiken

Die Da­ten­qua­li­tät ist bei Advanced Analytics von gro­ßer Re­le­vanz und birgt ei­ni­ge Her­aus­for­de­run­gen.

Ers­tens: KI-Mo­del­le kön­nen sich als „Black Boxes“ er­wei­sen. Bei sol­chen Sys­te­men können Men­schen kaum ver­ste­hen und über­prü­fen, wie das Sys­tem zu einer bestimmten Ent­schei­dung, Schluss­fol­ge­rung oder Vor­her­sa­ge ge­langt ist. Wenn aber Ent­schei­dun­gen einer KI di­rek­te Aus­wir­kun­gen auf uns Men­schen oder auf die Risikosituation einer Bank haben, drän­gen sich Fra­gen zum Ent­schei­dungs­pro­zess auf. Wenn es um die Si­cher­heit geht, wol­len wir ver­ste­hen, wie die KI Ent­schei­dun­gen trifft. Der Er­klä­rungs­be­darf hängt am An­wen­dungs­fall. Der je­wei­li­ge Kon­text und der Grad der Au­to­ma­ti­sie­rung sind somit ent­schei­dend für die Be­wer­tung von KI-Sys­te­men.

Zwei­tens kann Advanced Analytics schlicht fal­sche oder un­er­wünsch­te Schlussfolgerungen her­vor­brin­gen, etwa Dis­kri­mi­nie­run­gen. Dies tritt ein, wenn die Da­ten­grund­la­ge ver­zerrt und somit nicht re­prä­sen­ta­tiv ist. Ur­säch­lich für das diskriminierende Ver­hal­ten ist eine un­ge­nü­gen­de Da­ten­ba­sis.

Drittens ist eine KI nur so schlau wie die Daten, mit denen sie ge­füt­tert wird. Datenqualität und Datenrelevanz sind die Schlüs­sel zum Er­folg. Sys­te­me, die auf homogenen Daten, nicht aus­rei­chend Daten oder ge­fälsch­ten Daten be­ru­hen, tref­fen feh­ler­haf­te Vor­her­sa­gen und füh­ren folg­lich zu fal­schen Geschäftsentscheidungen.

Wenn KI im Fi­nanz­sek­tor ein­ge­setzt wird, müs­sen diese Ri­si­ken mit­be­dacht wer­den. Der Fi­nanz­sek­tor muss sich mit dem Black-Box-Di­lem­ma, mög­li­chen feh­ler­haf­ten Ergebnissen und vor allem der Datenqualität aus­ein­an­der­set­zen.

Die Sicht der Bundesbank als Aufseher

Die Bun­des­bank hat in ihrem Dis­kus­si­ons­pa­pier zu Artificial Intelligence / Machine Learning (AI/ML) zwölf erste An­sät­ze her­aus­ge­ar­bei­tet, die für die er­folg­rei­che und ri­si­ko­ge­rech­te Ent­wick­lung, Um­set­zung und Ein­füh­rung von ma­schi­nel­lem Ler­nen in die Ge­schäfts­pro­zes­se einer Bank nötig sind.

Wir fol­gen dabei vier Grund­sät­zen: tech­no­lo­gie­neu­tral, dif­fe­ren­ziert, ri­si­ko­ori­en­tiert und prak­ti­ka­bel. Erklärbarkeit, Da­ten­qua­li­tät, Va­li­die­rung und Governance bilden die Eck­pfei­ler unseres An­sat­zes.

Er­klär­bar­keit: Ban­ken müs­sen ler­nen, mit der „Black Box“ um­zu­ge­hen: Wir müs­sen ab­schät­zen, in­wie­weit die ein­zel­ne Bank und die Auf­sichts­be­hör­de die Er­geb­nis­se der KI-Ver­fah­ren wirk­lich ver­ste­hen kön­nen. Dabei ist es nicht not­wen­dig, alles im kleins­ten De­tail nach­voll­zie­hen zu kön­nen. Aber das Mo­dell­ver­hal­ten er­klä­ren und plau­si­bi­li­sie­ren zu kön­nen, ist für uns re­le­vant.

Es kommt uns als Auf­se­her dar­auf an, dass die Er­klär­bar­keit zum An­wen­dungs­fall passt und dass Ban­ken zwi­schen Er­klär­bar­keit, Kom­ple­xi­tät und Per­for­mance abwägen. Ich schät­ze, dass der gol­de­ne Weg die „Grey Box“ sein kann, die zwi­schen Leis­tungs­fä­hig­keit von Advanced Analytics und Er­klä­rungs­be­dürf­tig­keit ver­mit­telt.

Da­ten­qua­li­tät: Erst die Ver­füg­bar­keit von aus­rei­chen­den Daten in hoher Qua­li­tät er­mög­licht ver­läss­li­che Ana­ly­sen und Ent­schei­dun­gen. Es ist unerlässlich, die Daten selbst zu ver­ste­hen, und auch, wie ver­schie­de­ne Da­ten­ty­pen mit­ein­an­der kom­bi­niert wer­den kön­nen. Die Vor­be­rei­tung der Daten ist und bleibt die Kern­tä­tig­keit hin­ter Advanced Analytics.

Va­li­die­rung: ist der Schlüs­sel zu er­folg­rei­chen Mo­del­len. Ban­ken über­prü­fen damit, dass die Zu­sam­men­hän­ge der Trai­nings­da­ten auch in der rea­len Welt noch Be­stand haben.

Governance: In­ter­ne Governance-Struk­tu­ren müs­sen an neue Her­aus­for­de­run­gen an­ge­passt wer­den. Neue Ab­tei­lun­gen mit Namen wie „Advanced Analytics“, „Data Science“ oder „Big Data Hub“ in be­stehen­de Bankprozesse zu in­te­grie­ren, ist nicht tri­vi­al. Das fängt an bei neuen Verantwortlichkeiten und endet bei der In­te­gra­ti­on in die IT-Sys­te­me. Es braucht auch ein aus­rei­chen­des Ver­ständ­nis aller Mit­ar­bei­te­rin­nen und Mit­ar­bei­ter für die Stär­ken und Gren­zen von Advanced Analytics-ge­stütz­ten Sys­te­men.

Um Advanced Analytics-Me­tho­den zu nut­zen, wer­den häu­fig spe­zia­li­sier­te Dienst­leis­ter und IT-In­fra­struk­tu­ren in An­spruch ge­nom­men. Es gilt, die Ri­si­ken, die sich durch sol­che Aus­la­ge­run­gen er­ge­ben, wie bei­spiels­wei­se Ab­hän­gig­kei­ten, Kon­zen­tra­ti­ons­ri­si­ken oder In­ter­es­sens­kon­flik­te, zu über­wa­chen und zu kon­trol­lie­ren.

Ban­ken brau­chen eine ver­läss­li­che tech­no­lo­gi­sche In­fra­struk­tur, die große Datenmengen ver­ar­bei­ten kann und somit Advanced Analytics er­mög­licht. Hier können Cloud-Diens­te hel­fen, so­dass auch klei­ne­re Fi­nanz­marktak­teu­re Advanced Analytics und KI nut­zen kön­nen.

Advanced Analytics kann in der kom­plet­ten Bank An­wen­dung fin­den und stellt eine zen­tra­le stra­te­gi­sche Aus­rich­tung dar. Die Ana­ly­se von Daten kann alte Ar­beits­mus­ter ra­di­kal ver­än­dern und in na­he­zu jeden Ge­schäfts­be­reich in­te­griert wer­den. Ganze Geschäftsmodelle kön­nen auf Advanced Analytics auf­ge­baut oder dahin ab­ge­wan­delt wer­den. Ban­ken sollten die Ri­si­ken und Her­aus­for­de­run­gen dieser neuen Technologien di­rekt bei der In­te­gra­ti­on adres­sie­ren.

Als Auf­se­her sehe ich uns hier in der Ver­ant­wor­tung, klare An­for­de­run­gen zu set­zen, damit die Po­ten­zia­le der Daten ge­nutzt wer­den kön­nen. Aber die Bun­des­bank wird kein „Show Stopper“ der Di­gi­ta­li­sie­rung sein; im Ge­gen­teil wol­len wir er­mög­li­chen, die Po­ten­zia­le zu nut­zen.“

Die Ban­ken­auf­sicht eig­net sich be­son­ders gut für den Ein­satz von Advanced Analytics, da der erste Schritt immer die Ana­ly­se von Daten ist. Folg­lich stel­len Supervisory Technologies ein span­nen­des In­no­va­ti­ons­feld für uns dar. Bei der „Bun­desbank Innovation Challenge“ haben zehn Start Ups mit un­se­ren Fach­leu­ten an in­no­va­ti­ven Lö­sun­gen für eine bes­se­re Ri­si­ko­über­wa­chung ge­tüf­telt. Mit den Ge­win­nern kooperieren wir be­reits, um mit­hil­fe in­no­va­ti­ver Ana­ly­se­me­tho­den Ri­si­ken umfassender und schnel­ler zu er­ken­nen.

Meine Hoff­nung als Auf­se­her ist ins­ge­samt: Di­gi­ta­le Tech­no­lo­gi­en ma­chen Ban­ken nicht nur di­gi­ta­ler, son­dern auch sta­bi­ler. Denn eine ver­bes­ser­te Da­ten­nut­zung kann es den Ban­ken er­mög­li­chen, ihre Ri­si­ken schnel­ler zu er­ken­nen. Im Ide­al­fall kann die Fi­nanz­sta­bi­li­tät ins­ge­samt davon pro­fi­tie­ren.

Die vollständige Rede können Sie hier nachlesen.pp

 
Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/126921 
 
1 Stern2 Sterne3 Sterne4 Sterne5 Sterne (5 Stimmen, Durchschnitt: 2,80 von maximal 5)
Loading...

 

(Visited 185 times, 10 visits today)

Schreiben Sie einen Kommentar

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