Bankkunden werden auch immer anspruchsvoller. Im Zeitalter von Google, Apple, Facebook und Amazon haben wir uns daran gewöhnt, personalisierte Angebote auf Basis der von uns freiwillig zur Verfügung gestellten Daten zu erhalten. Hier ist sie wieder, unsere Chatbot-Idee aus meinem 1. Beitrag zu KI in der Bankbranche, und es gibt bereits erste Banken, die das KI-System Alexa erweitert haben und nutzen, um finanzspezifische Antworten für diejenigen Kunden zu produzieren, die Alexa für ihre Anlagestrategie nutzen wollen.
Der Boom der Machine-Learning-Algorithmen
Dahinter stecken natürlich Machine-Learning-Algorithmen, die in der Lage sind, die Wünsche und Eigenheiten des fragestellenden Menschen bezüglich seines Anlageverhaltens und seiner Interessen zu modellieren. Die „Maschine“ macht das aber natürlich nicht selbstständig und bildet sich selbst fort, sondern wird durch einen Data Scientist – ein Mensch – in zyklischen Abständen mit den richtigen Modellen gefüttert.
Bei dem Thema Daten muss natürlich auch die Notwendigkeit der Nutzung von unstrukturierten Daten in einer Bank erwähnt werden. Zur Verfügung stehen hier zum Beispiel E-Mails, News, Artikel, Auszüge aus dem Handelsregister oder aufgezeichnete Telefongespräche. Zugegeben, diese Daten analytisch auszuwerten, benötigt nicht zwingend KI, es ist zunächst einmal eine Herausforderung, die Analytik überhaupt auf diese Daten anwenden zu können, zum Beispiel mit einer Sentiment-Analyse, die in der Lage ist, eine Stimmung in einem Facebook-Chat zu identifizieren. Aber KI ist sicherlich auch hier die größte Hoffnung, diese Information intelligent automatisiert zu verarbeiten.
Neben dem Thema der Chancen von KI in der Verarbeitung der Daten existiert ein großes Potenzial, die Banken smarter zu machen. Was heißt das?Am wichtigsten aber scheint zu sein, dass KI die Bank smarter gegenüber ihren Kunden macht. Und damit mehr nutzenbringende Services anbietet. Dies kann über unterschiedliche Wege passieren. KI ist in der Lage, alle Informationen über einen Kunden zu aggregieren. Egal, nach welchem Service der Kunde also Ausschau hält, die Bank „weiß“, mit welchem Kunden sie spricht und was dieser will, und das automatisiert. Dabei ist auch denkbar, dass die durch Apple bereits hinreichend bekannte Gesichtserkennung eine Rolle spielen kann. Ist es die Filiale der Zukunft, in der ich als Kunde bereits erkannt werde – und damit auch alle meine potenziellen Bedürfnisse und maßgeschneiderten Angebote –, bevor ein Berater mich entdeckt hat? Ein Leiter einer Analytics-Abteilung im Bereich Privatkunden hat das mir gegenüber kürzlich verneint: „Was nützt mir diese Erkenntnis über den Kunden in der Filiale, wenn der Berater gerade 10 Minuten nicht im Kundenbereich steht, sondern sich in diesem Moment einen Kaffee holt?“ Sicherlich ist das Beispiel bewusst ein wenig überspitzt, aber die kritische Anmerkung zielt natürlich in Richtung der effizienten Operationalisierung der durch KI gewonnenen Erkenntnisse.
KI und Kreditwürdigkeit
Eine interessante Begebenheit aus dem Jahr 1970 illustriert schön, was uns KI im Bereich Credit Scoring für Benefits bringen könnte. Damals schlossen irische Banken sechs Monate lang aufgrund eines Streiks. Wie auch immer – relativ schnell existierte ein Mangel an Bargeld. Aber die Wirtschaft kam nicht zum Erliegen. Die Menschen begannen, in den Pubs und Stores Schecks und weitere Instrumente miteinander zu tauschen, sozusagen als eine Art Alternativ-Währung. Dies konnten sie aber nur tun, weil in dieser sehr lokalen Wirtschaft ein gegenseitiges Vertrauen existierte, eine Community, in der klar war, wer mit mir tauscht und wer vertrauenswürdig ist.
Reputation ist eine der wichtigsten Bedeutungen bei der Identifikation einer Person und damit beim Credit Scoring. Reputation funktioniert aber nur in einer Community, in der ich die Menschen kenne. Dies scheint nicht möglich in einer regionalen oder globalen Community. Zumindest noch nicht.
Bereits heute ist es möglich, auf der Basis von Daten, die Menschen online generieren, reputationsrelevante Informationen zu gewinnen. Diese kann ich gewinnen über die vorhandenen Social Media Seiten, über Browser-Verhalten, Telefonanrufe oder Online-Zahlungshistorien. Für uns klingt dies vielleicht aufdringlich, aber für die vielen Menschen in den Schwellenländern oder Entwicklungsländern, die keinen Zugang zu traditionellem Banking haben, kann dies unter Umständen die einzige Möglichkeit sein, eine Reputation und eine Kredithistorie aufzubauen.
KI im Kampf ums Überleben
Fakt bleibt, mit der Wirtschafts- und Bankenkrise ab dem Jahr 2008 und Regularien von Basel bis Sarbanes-Oxley hat sich ein Kostendruck aufgestaut, der enormes Disruptionspotenzial birgt: Entweder, die Platzhirsche gehen in den Angriffsmodus über – oder die FinTechs werden zu unangenehmen Marktbegleitern, die spürbare Auswirkungen mit sich bringen.
Heute sind sie überwiegend komplementär. Wie zügig nun allerdings gerade die großen Player ihre Chancen in der Digitalisierung erkennen – und zwar nicht, indem sie einfach analoge Prozesse durch digitale ersetzen, sondern indem sie komplett neue Potenziale in den Datenmengen und KI-Möglichkeiten entdecken –, das bleibt abzuwarten.
Aber die Banken arbeiten daran, gründen Labs, investieren in Know-how und neue Arbeitsumfelder. Die Frage ist ja nicht ob, sondern wie. Ein KI-System soll die nicht hundertprozentig klaren Fälle zu evaluieren versuchen.
Es soll Vorschläge machen, im Rahmen von Feedback-Schleifen aus der Güte der Entscheidung lernen. Und es soll die nächste Entscheidung noch besser treffen. Dabei gilt es festzuhalten, dass der Markt hier schneller war, als es so manche Tech-Experten erwartet hatten.
Die größte Herausforderung in Sachen Sicherheit ist in der Tat die kulturelle Aufgabe. Fail fast, fail quick – das Akzeptieren von Scheitern ist etwas, was hierzulande nach wie vor verpönt ist. Mit RPA und KI hat die Finanzwelt nun ein Mittel zur Hand, das den Mitarbeitern den Freiraum gibt, einen Kulturwandel zu starten. Es gilt, einfach anzufangen.
Erfahren Sie mehr in der aktuellen Studie „The enterprise AI promise: Path to value“.
