Banken mit KI-gestütztem Risikomanagement widerstandsfähig machen

In den USA geraten Banken in Schieflage und lassen damit die Sorgen vor einer neuen Finanzkrise zurückkehren. Weltweit stehen Finanzinstitute damit unter Zugzwang, ihre Widerstandsfähigkeit unter Beweis zu stellen. Dies wird auch die EU-Verordnung, der Digital Operational Resilience Act (DORA), adressieren. Das Risikomanagement ist für diesen Schritt entscheidend und könnte durch den Einsatz von moderner Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) neue Schubkraft erhalten – vorausgesetzt, die Banken schaffen die technologischen Voraussetzungen für den Einsatz der Technologien.

von Benjamin Bohne, Group Vice President Sales Central EMEA bei Cloudera

Die Zusammenbrüche regionaler Banken in den USA, wie der Silicon Valley Bank (SVB) und der First Republic, dienen als Augenöffner für Finanzinstitute auf der ganzen Welt. Schnell steigende Zinssätze, instabile Finanzierungen und turbulente wirtschaftliche Bedingungen sind nur einige der Faktoren, die zu den jüngsten Umwälzungen im Bankensektor und dem Zusammenbruch der SVB führten.

Auch Technologien allein hätten die Bankenkrise in den USA nicht verhindern können.”

Dennoch schöpfen viele Banken auf der ganzen Welt nach wie vor nicht das volle Potenzial von Technologien aus, um so innovativ, kosteneffizient und auch widerstandsfähig zu sein, wie sie sein könnten. Beispielsweise können fortschrittliche Liquiditätsrisikomodelle und Stresstests unter Einsatz von KI und ML die Stabilität des Bankensystems gewährleisten. Quasi das Risikomanagement, in technologisch moderner Rüstung, als Schutzschild.

Um das zu ermöglichen, sollten Finanzinstitute ihr Datenmanagement und ihre Data Governance modernisieren, indem sie veraltete Datensilos aufbrechen und so über eine moderne Plattform die Datenverwaltung, -steuerung und -integration vereinfachen. Damit optimieren sie nicht nur ihre bestehende Datenarchitektur, sondern senken auch ihre Kosten und erhöhen ihre Widerstandsfähigkeit.

Risiken proaktiv statt reaktiv begegnen

Der technologische Fortschritt versetzt Finanzinstitute heute in die Lage, das Liquiditätsrisiko präziser vorherzusagen und zu verwalten, als es bisher möglich war. Dank der zunehmenden Reife des maschinellen Lernens ist es für die Institute nun einfacher, noch größere Datenmengen zu analysieren und daraus Schlüsse zu ziehen. Die Institute können die daraus gewonnenen Erkenntnisse dann mit KI verknüpfen, um negative Trends automatisch zu erkennen und vorgefertigte Abhilfemaßnahmen einzuleiten – ein wichtiger Baustein bei der Widerstandsfähigkeit.

Beispielsweise können Finanzinstitute durch die Einbeziehung von Daten aus neuen Quellen – wie Social-Media-Feeds, Geodatensystemen oder IoT-Streams – die Liquidität in Echtzeit überwachen und prognostizieren. Erkennen Finanzinstitute dann mithilfe von KI und ML Trends oder Ereignisse, die sich potenziell auf die Liquidität auswirken können, sind sie in der Lage, vorausschauende Maßnahmen zur Risikosteuerung zu ergreifen – bevor es zum Schlimmsten kommt.

Prädiktive Analysen und ML erlauben nicht nur, kritische Liquiditätsmetriken zu konkretisieren, sondern auch das Risiko für Kunden besser einschätzen und Liquiditätspositionen in Echtzeit beobachten zu können.

Auch Modelle, welche den Intra-Day Cashflow prognostizieren, sind mit diesen Techniken umsetzbar. Die daraus gewonnen Informationen können auf Analyse-Dashboards, in die Daten aus Zahlungssystemen und anderen Quellen einfließen, verschiedenen Interessengruppen in Echtzeit bereitgestellt werden.”

Die Stärken von KI und ML liegen darin, noch größere Datenmengen in noch schnellerer Zeit zu analysieren, Erkenntnisse daraus zu ziehen und beispielsweise Handlungsempfehlungen auszugeben. Bindet eine Bank nun Stressszenarien von bekannten Kredit-, Markt- und Liquiditätsrisiken in bestehende Risikomanagementprozesse ein, ergeben sich durch KI und ML neue Möglichkeiten: Erstens können sie Abläufe für diese Szenarien entwickeln, welche diese automatisch steuern und verwalten sowie Warnmeldungen ausgeben, sollten definierte Schwellenwerte überschritten werden. Banken erhalten damit einen wichtigen zeitlichen Vorteil, da sie rechtzeitig agieren können, anstatt nur zu reagieren.

Die richtige Datenplattform als Grundlage für KI und ML

Die Vorteile dieser innovativen Ansätze liegen auf der Hand. Wollen Banken dieses Potenzial ausschöpfen, gilt es auf den gemeinsamen Nenner zu achten, der diese miteinander verbindet – die Abhängigkeit von Daten. Einer Vielzahl der Finanzinstitute fehlt dafür jedoch derzeit die notwendige Datenplattform, die einen einheitlichen und unbeschränkten Zugriff auf alle Daten des Unternehmens ermöglicht – unabhängig davon, ob sich diese auf On-Premises oder der Cloud befinden. Dieser technologische Engpass bremst die Unternehmen dabei aus, Finanzdaten noch schneller verwalten, integrieren und analysieren zu können. Dies belegen auch Zahlen aus einer aktuellen Studie: Ein Drittel (33 Prozent) der Banken kann ihre Daten aktuell nicht effektiv nutzen.

Mit einer Lösung für diese Herausforderung können Finanzinstitute KI und ML sicher und kosteneffizient auf Prozesse wie Liquiditätsrisikomanagement und Stresstests anwenden und so ihre Fähigkeiten im Risikomanagement hinsichtlich Widerstandsfähigkeit verbessern. Hierfür ist der Einsatz einer einheitlichen Datenplattform von Vorteil, weil Unternehmen dann KI und ML über eine zentrale Stelle steuern und auf alle Daten des Unternehmens anwenden können. So erhalten sie einen vollständigen Überblick über die Daten aller Kernprozesse und Systeme – von Kreditportfolios bis hin zu Finanzmarktdaten. Durch den Einsatz einer solchen Plattform sind Banken in der Lage, mithilfe von KI und ML sicher und schnell auf Veränderungen im Markt zu reagieren und gleichzeitig ihre Widerstandsfähigkeit zu stärken.

Widerstandsfähigkeit: Anpassen und überwinden

Banken stehen eine Fülle an Werkzeugen zur Verfügung, die ihnen helfen, Risiken effektiv zu managen, Daten zu verwalten und zu integrieren sowie die Skalierung über lokale und Cloud-Umgebungen hinweg vorzunehmen. Damit beseitigen sie nicht nur eventuelle Datensilos und technologische Engpässe, sondern sie ebnen auch gleichzeitig den Weg für den Einsatz moderner Technologien wie KI und ML. Damit haben Banken beim Risikomanagement den Finger am Puls der Zeit, stellen sich zukunftssicher auf und haben es dadurch einfacher, ihre Widerstandsfähigkeit unter Beweis zu stellen.Benjamin Bohne, Group Vice President Sales Central EMEA bei Cloudera