Ferrari electronic — MiFID II Telefonmitschnittlösung
STRATEGIE3. November 2017

Banken erwarten von KI eine verbesserte Beratung und Kundenservice

Dr. Simone Braun, Business Development & Innovation Managerin Uniserv Uniserv

Kunden erwarten mehr per­so­na­li­sierte Produktempfehlungen auf der Grundlage ihrer jeweiligen Be­dürf­nis­se und Ziele – vor diesem Problem stehen aktuell drei Viertel aller Finanzdienstleister. Doch derzeit können nur 28 Prozent der Banken die persönlichen Be­dürf­nisse ihrer Kunden voll unterstützen. Den Hemmschuh sieht die Mehrheit der Banken darin, dass ihnen viel zu wenig Informationen über ihre Kunden in Echtzeit zur Verfügung stehen. Dabei sitzen sie auf Bergen von Kundeninformationen wie etwa Zahlungsdaten, Bonität und Kaufverhalten, die, richtig genutzt, die Basis für innovative Geschäftsmodelle bilden könnten. Künstliche Intelligenz (KI) und deren Teilgebiet, das maschinelle Lernen (Machine Learning, ML), helfen dabei, solche Daten auszuwerten und einen kundenorientierten Vertriebsansatz zu realisieren – für eben genau die so dringend notwendige und seitens der Kunden geforderte Personalisierung.

von Dr. Simone Braun, Business Development & Innovation Managerin Uniserv 

Künstliche Intelligenz entscheidet über Kreditvergabe

Neben den populären Online-Beratungsrobotern kommt KI im Bankensektor aktuell vor allem im Rahmen der Kreditvergabe und dahinterliegenden Verarbeitungsprozessen oder im Handel von Wertpapieren zum Einsatz. So setzen etwa die Smart Finance Group und Kreditech bei der Vergabe von Kleinkrediten an Endverbraucher nahezu komplett auf KI. Die Smart Finance Group hat in diesem Jahr mit kaum vorhandenem Personalaufwand laut eigenen Angaben bereits 30 Millionen solcher Kredite vergeben. Die eingesetzte KI-Software erstellt binnen kürzester Zeit die entsprechenden Zahlungsprognosen für die Kreditvergabe. Kreditech berücksichtigt auch Datenpunkte, die Kreditnehmer im Internet hinterlassen. Machine-Learning-basierte Algorithmen lernen durch Mustererkennung die Wahrscheinlichkeiten von Nicht-Rückzahlungen.

Einsatzfelder von KI in der Bankenbranche
1. Aktienhandel / Anlage-Strategie: Stimmungsbild im Netz wird bei Anlagenberatung mit einbezogen.
2. Vergabe und Risikobewertung von Krediten wird anhand von Spuren, die der Nutzer im Netz hinterlässt, berechnet sowie weiteren Daten wie etwa Kunden­wert­seg­men­tierung, Risikoprofilbildung, Ort, Einzelhändler, Gerätedaten, Uhrzeit und Art des getätigten Kaufs.
3. Überweisung von Geld an andere Nutzer per Sprachbefehl.
4. Robotic Process Automation: Programme prüfen Anträge auf inhaltliche Fehler, legen automatisch Akten an, verwandeln ein­ge­scan­nte Schreiben in maschinenlesbaren Text, prüfen Rechnungen auf Plausibilität oder lösen eigenständig Zahlungen aus.
5. Autorisierungs- und Betrugserkennungs-Software, die auf künstlicher Intelligenz basieren. Diese lernen bei jeder Transaktion dazu und ermöglichen so eine umfassendere Risikobewertung.

Künstliche Intelligenz und Machine Learning sind Katalysatoren für digitale Produkte

Die Abgrenzung von Maschine Learning zu Künstlicher Intelligenz ist bisher nicht einheitlich definiert, doch wird ML oft als Teilgebiet der KI behandelt. Von maschinellem Lernen spricht man bei selbstlernenden Systemen. Diese Systeme werden mit Hilfe von Daten trainiert, lernen aus Beispielen und sind so in der Lage, Muster und Gesetzmäßigkeiten zu erkennen. Praktisch passiert dies über verschiedene Algorithmen. Nach Abschluss der Lernphase können ML-Systeme auch unbekannte Daten beurteilen und werden daher unter anderem zur Personalisierung von Inhalten und Empfehlungssystemen sowie zur Erkennung von Manipulationen bei der Kreditkartennutzung oder dem Aktienmarkthandel eingesetzt.

Laut der aktuellen Deloitte-Studie steigt die Anzahl der Unternehmen, die in den kommenden zwei Jahren Investitionen in neue Technologien planen, am stärksten im Bereich Machine Learning an – mit einem Zuwachs von 31 Prozent auf 48 Prozent. Außerdem bestehe laut Deloitte gerade beim Themenkomplex Machine Learning das höchste Implementierungspotenzial für Unternehmen.

Algorithmen beraten Anleger – mit NLP

Auf Basis von Machine Learning hat die Schweizer Onlinebank Swissquote einen #DE30-Social-Sentiment-Index entwickelt. Dieser soll die in den sozialen Medien geäußerten Meinungen der Anleger und Händler zum deutschen Aktienindex DAX zusammenfassen und auswerten. Der Index ermöglicht es der Bank, tagtäglich Ansichten im Internet und in den sozialen Netzwerken zu erfassen und zu bewerten. Ein Algorithmus identifiziert und interpretiert optimistische und pessimistische Meinungen der Anleger. Zur Erkennung der Textbedeutung kommt Natural-Language-Processing (NLP), also die natürliche Sprachverarbeitung, zum Einsatz. Anhand all der Daten kann in Echtzeit bestimmt werden, ob sich der Markt tendenziell eher „nach oben” oder „nach unten” bewegt. Auf Grundlage dieser Informationen können Anleger ihre Positionen auf den Aktienindizes und an den Devisenmärkten anpassen.

Robotic Process Automation: Zentrales Einsatzfeld für KI in der Versicherungsbranche

Derzeit populär im Versicherungsumfeld ist das KI-Thema Robotic Process Automation (RPA). RPA hält aber ebenso für Banken große Potenziale bereit. Per RPA werden bisher manuell durchgeführte Prozesse automatisiert. Beispielsweise müssen Mitarbeiter bei einfachen Aufgaben wie Adressänderungen, Kontowechseln oder Änderungen der Zahlungsweise oft gar nicht mehr eingreifen. Programme legen automatisch Akten an, verwandeln eingescannte Schreiben in maschinenlesbaren Text, prüfen Rechnungen auf Plausibilität oder lösen eigenständig Zahlungen aus. Ein Einsatzfeld mit hohem Potenzial ist etwa die Know-your-Customer-(KYC) Analyse. Durch ein RPA-basiertes automatisiertes Screening soll Prognosen zufolge die KYC-Analyse einer Person in weniger als fünf Minuten durchführbar sein. Erfolgt die Analyse manuell, dauert diese über zwei Stunden. Laut KPMG lassen sich durch RPA im Bankensektor insgesamt erhebliche  Effizienzsteigerungen von bis zu 75 Prozent erzielen.

Autorin Dr. Simone Braun, Uniserv
Dr. Simone Braun ist als Business De­vel­op­ment & Innovation Managerin bei Uniserv tätig und seit Beginn des Jahres mit der Weiterentwicklung des Geschäftsfeldes Kundendatenmanagement betraut. Sie hat über zehn Jahre Erfahrung in an­wen­dungs­orien­tierter Forschung und Innovationen in der IT; in den letzten fünf Jahren mit speziellem Fokus auf Kundendaten. Sie erhielt ihr Diplom der Medien­system­wissen­schaften von der Bauhaus-Universität Weimar und ihren Doktor in angewandter Informatik vom Karlsruher Institut für Technologie. Sie hat über 70 peer-reviewed Publikationen veröffentlicht. Für ihre Dissertation wurde sie mit dem Carl-Adam-Petri-Preis für Informatik ausgezeichnet.

KI soll Kundeninteraktion individualisieren

Mehr als drei Viertel der Banken- und Finanzdienstleister gehen davon aus, dass KI-Systeme generell die Art und Weise revolutionieren werden, wie sie mit ihren Kunden interagieren und wie diese Informationen über ihre Kunden sammeln.“

Bisher setzt aber erst jeder Vierte KI ein, um große Datenmengen auszuwerten und so wiederum Produkte gezielter für einzelne Kunden maßschneidern zu können. Und der Aspekt der Individualisierung in der Kundenansprache und Betreuung ist laut einer Umfrage von Uniserv enorm wichtig: Denn mehr als jeder zweite Konsument vertraut Unternehmen viel eher, wenn diese in der Lage sind, auf Basis ihrer persönlichen Kundendaten zugeschnittene Angebote zu erstellen oder Produkte individuell zu gestalten. 59 Prozent der deutschen Verbraucher würden dadurch eher kaufen, 61 Prozent bleiben dem Unternehmen eher treu.

KI soll Up- und Cross-Selling-Potenziale heben

Um die skizzierten KI-basierten Prozesse und Services aber überhaupt anzubieten, benötigen Banken eine umfassende und korrekte, also vollständige 360-Grad-Sicht auf all ihre Kunden. Diese Rundumsicht muss neben Kundenstammdaten vor allem das Nutzungsverhalten, den Kunden beschreibende Attribute, Selbstangaben, Demographie sowie Kundencharakteristiken und Kundeninteraktionsdaten umfassen.

Es geht also neben den klassischen Stammdaten auch und insbesondere um die Bewegungsdaten, sprich Transaktions- und Interaktionsdaten. Erst auf Basis all dieser Daten können ML-Systeme die richtigen Prognosen und anschließende Handlungen ableiten.“

Eine weitere Herausforderung ist vor allem die Integration aller Kundendaten über verschiedene Abteilungen hinweg. Hat der Kunde zum Beispiel eine Grundstückshypothek und ein konventionelles Anlagedepot, muss auch dies dem KI-System bekannt sein, um mögliche Up- und Cross-Selling-Potenziale zu erkennen.

Hohe Kundendatenqualität ist Erfolgsfaktor für maschinelles Lernen

Der Einsatz von maschinellem Lernen bringt aber nur dann wirklichen Nutzen, wenn die Datenbasis, die Unternehmen dem System zur Verfügung stellen, auch qualitativ hochwertig ist.

Denn Grundlage jedes Machine-Learning-Systems sind Datenmengen – in der Regel zehn Prozent – anhand derer ML-Systeme trainiert werden.“

Nach Beendigung der Lernphase kann das System verallgemeinern und auch unbekannte Daten beurteilen. Damit das System nicht falsch lernt und irrtümliche Prognosen erstellt, etwa zur Kundenabwanderung, ist es kritisch, dass die zugrundeliegende Datenbasis absolut fehlerfrei ist. Fehler müssen also bereits vorab ausgemerzt werden. Potenzielle Fehlerquellen in Kundendaten sind etwa:

Ground Truth von Uniserv ist Fundament für ML-Systeme
Damit Unternehmen den Mehrwert von KI- und ML-Systemen realisieren können, braucht es vor allem eins: eine gute Datenqualität. Nur eine hohe Datenqualität ermöglicht dem intelligenten ML-System richtige Prognosen und Handlungs­em­pfeh­lungen abzuleiten und für die Unter­neh­mens­steuerung zur Verfügung zu stellen. Wesentliche Voraussetzung ist dabei der Ground Truth, der das Fundament für ML-Systeme und damit für Umsatzwachstum und neue digitale Geschäftsmodelle bildet. Mit dem Ground Truth ist es also möglich, alle Kundendaten – Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt – aus allen verfügbaren Systemen zusammenzuführen. Nur die Kombination all dieser Daten, also Stamm- und Bewegungsdaten, zu einer wirklichen 360-Grad-Sicht auf den Kunden schafft ein Abbild der Wirklichkeit, auf dessen Basis ML-Systeme verlässlich arbeiten können.
1. Nullwerte
2. Ausreißer
3. Dubletten
4. Falsche Schreibweisen
5. Mehrere Sprachen
6. Falsche Bezeichner
7. Semantische Probleme

Darüber hinaus ziehen in Deutschland jährlich etwa acht Millionen Menschen um, es werden 45.000 Straßen umbenannt und es ändern sich 1.850 Ortsnamen. Diese Zahlen allein schon verdeutlichen die Notwendigkeit, alles dafür zu tun, um eine möglichst hohe Aktualität der Kundendaten zu gewährleisten.

Kundendaten müssen über gesamten Lebenszyklus gepflegt werden

Je korrekter eine Datenbasis ist, umso besser wird ein Algorithmus daraus seine Schlüsse ziehen. Beispielsweise soll ein ML-System Fragen beantworten wie: Was macht den Kauf eines Anlageproduktes aus und welche Kundensegmente gibt es? Ist die Datenbasis schlecht, beantwortet das System diese Fragen entsprechend falsch und daraus von Unter­neh­mens­ent­scheidern abgeleitete Handlungsoptionen wären fatal. Kundendaten müssen daher über ihren gesamten Lebenszyklus hinweg gepflegt, geschützt und überwacht werden. Nur dann ist es möglich, dass sich Banken den Hemmschuh, nämlich nur unzureichende Informationen über ihre Kunden zu haben, endlich ausziehen – und personalisierte Produktempfehlungen abgeben können.

Am Potenzial für KI mangelt es ebenfalls nicht: Zwei Drittel sind laut Accenture-Umfrage davon überzeugt, dass schon viele Banken innerhalb der nächsten drei Jahre vollständig auf KI als primäres Tool zum Management der Kundenbeziehungen setzen werden.“

 
Sie finden diesen Artikel im Internet auf der Website:
https://www.it-finanzmagazin.de/?p=59835
 
1 Stern2 Sterne3 Sterne4 Sterne5 Sterne (Noch keine Bewertungen)
Loading...

Schreiben Sie einen Kommentar

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

Teradata-Studie: 80 Prozent investieren in KI; der Chief Artificial Intelligence Officer (CAIO) kommt!

80 Prozent der Unternehmen investieren bereits in Künstliche Intelligenz (KI). Trotzdem glaubt jeder dritte Entscheider, dass seine Organisation in den nächsten drei Jahren mehr...

Schließen