Künstliche Intelligenz und Machine Learning für Financial Services

Auf künstlicher Intelligenz (KI) basierende Technologien finden im Financial Services Sektor immer größere Verbreitung. Vor allem in Bereichen, in denen unstrukturierte Rohdaten standardisiert verarbeitet und ausgewertet werden sollen, sind KI-gestützte Systeme und Machine Learning (ML) Anwendungen dem Menschen weit überlegen. Banken, Versicherungen und Finanzdienstleister setzen deshalb zunehmend auf entsprechende Lösungen, um die Produktivität zu steigern und Kosten zu reduzieren, die Customer Journey zu verbessern und schneller fundierte Marketingentscheidungen treffen zu können. Die Einsatzgebiete sind vielfältig: Finanzanalysen, Marktbewertungen und Vorhersagen für Investmentstrategien, Fraud Detection, Chatbots und Robo Advisors für den Kundenkontakt, gezielte On-Demand-Versicherungsangebote, Credit Scoring, Prognosen zum Kundenverhalten, Automatisierung von Standardaufgaben, Corporate Performance Management und viele weitere mehr.

Wir zeigen Ihnen, wie Sie auf künstlicher Intelligenz und maschinellem Lernen basierende Lösungen für Ihre Financial Services nutzen.

Machine Learning und Financial Services

Eine Umfrage des Economist unter mehr als 400 Unternehmen in den wichtigsten Märkten weltweit zeigt, dass 27% bereits auf KI/ML basierende Anwendungen eingeführt haben, und 46% haben mindestens ein KI-Pilotprojekt begonnen. Deloitte stellt darüber hinaus in einer weiteren Umfrage fest, dass 70% der Financial Services Unternehmen Machine Learning zur Vorhersage von Cashflow-Ereignissen und zur Aufdeckung von Betrugsfällen nutzen.

Vor allem der Fintech-Sektor geht hier voran und setzt KI/ML-Technologien zur Prozessautomatisierung, zur Senkung der Betriebskosten und zur Verbesserung der Entscheidungsfindung ein. Das verändert mit der Zeit die Art und Weise, wie Banken, Versicherungen und Finanzdienstleister ihre Services anbieten und wie die Kunden diese nutzen.

So ist etwa die Zahl der physischen Besuche in Bankfilialen im Jahr 2020 dramatisch zurückgegangen. Eine große Mehrheit von 89% der Bankkunden bevorzugt die Nutzung von Banking-Apps. Das „Social Distancing“ in der Corona-Pandemie erklärt diesen Trend nur teilweise, bestimmt hat es ihn signifikant beschleunigt. Aber zu erkennen war das bereits seit vielen Jahren, seit Banken ihren Kunden komfortable digitale Lösungen zur Verwaltung ihrer Privatkonten anbieten.

Die Verbreitung von KI/ML in der Branche wird weitergehen. Laut Mordor Intelligence Report wurde der globale Markt für KI-Lösungen allein im Fintech-Sektor für 2019 auf 6,67 Milliarden US-Dollar geschätzt, bis 2025 werden 22,6 Milliarden prognostiziert. Business Insider berichtet, dass die potenziellen Einsparungen für Banken durch KI-Anwendungen in nur zwei Jahren 447 Milliarden US-Dollar erreichen werden. Vor dem Hintergrund der Corona-Pandemie wird klar: Die Branche geht davon aus, dass die Einführung von KI/ML-Lösungen einen überaus wichtigen Beitrag zum Überleben der Unternehmen leisten kann.

Wie funktioniert Machine Learning im Finanzsektor?

Die Stärke von Machine Learning-Algorithmen liegt in ihrer Fähigkeit, aus den Daten “zu lernen”, die der Algorithmus verarbeitet. Diese Daten müssen dafür bestimmte gemeinsame Voraussetzungen erfüllen: Sie müssen relevant für die jeweilige Aufgabe, qualitativ hochwertig und richtig gekennzeichnet sein. Ist das gegeben, kann ein ML-Algorithmus dazu eingesetzt werden, komplexe Zusammenhänge zwischen den analysierten Daten zu erkennen und daraus Vorhersagen für künftige Ereignisse abzuleiten.

Speziell Financial Services Anbieter können davon profitieren. Sie besitzen in der Regel bereits einen großen Datenschatz, der mit Unterstützung durch passende KI/ML-Technologien etliche Möglichkeiten eröffnet:

• Automatisierung: Papier-Workflows sind schon lange nicht mehr effizient. Intelligente ML-basierte Modelle können die sofortige gemeinsame Nutzung und Bearbeitung sowie die Speicherung und Verwaltung von Informationen ermöglichen und so den Zeit- und Kostenaufwand für die Bearbeitung von Dokumenten drastisch reduzieren.
• Produktivität: KI/ML-basierte Systeme eignen sich bestens für ermüdende und sich wiederholende Arbeiten, die ansonsten bis zu 60% der Zeit der Mitarbeiter in Anspruch nehmen können. Wenn ML-Algorithmen Teile der alltäglichen Arbeit übernehmen, können die Mitarbeiter sich besser auf die Erreichung der Geschäftsziele konzentrieren.
• Kosten: Die Auslagerung bestimmter Aufgaben an KI/ML-Systeme reduziert die Kosten für menschliche Fehler.
• Sicherheit: KI/ML-Systeme können auch im Bereich “Compliance und Security” zu Verbesserungen führen, etwa durch frühzeitige Erkennung von Betrugsversuchen.
• Customer Experience: Kunden erwarten heute einen reibungslosen Service, der stets erreichbar ist und sich persönlich um sie kümmert. Wenn aufgrund vermeidbarer Ursachen wie schlechter Kommunikation, langer Wartezeiten oder ineffizienter Problemlösung regelmäßig Kunden verloren gehen, kann KI Abhilfe schaffen. Entsprechende Systeme erkennen und klassifizieren Supportanfragen, können sie mit Chatbots personalisiert beantworten und bei Bedarf an menschliche Mitarbeiter weiterleiten.
• Personalisierung: KI/ML-Systeme können große unstrukturierte Datenmengen auswerten und so schneller spezifische Interessen und Bedürfnisse einzelner Kunden erkennen. Das ermöglicht es Financial Services Unternehmen, zum richtigen Zeitpunkt automatisch das individuell passende Angebot zu machen, etwa die Hausratversicherung nach dem Umzug.

Herausforderungen, denen sich Financial Services Anbieter bei der Implementierung von KI/ML-Lösungen stellen müssen

Die vielen Vorteile von KI- und Machine Learning-Anwendungen für Financial Services Anbieter sind mit einer ganzen Reihe von Herausforderungen verbunden. Hier ist eine kurze Liste von Dingen, auf die Sie achten sollten:

• Kosten: Die Implementierung von KI/ML im Finanzsektor ist nicht gerade billig. Von den Kosten für neue Software bis hin zu den Ausgaben des F&E-Teams oder der Data Science-Experten sollten Unternehmen, die KI-Projekte starten, bereit sein, für die damit verbundenen Vorteile zu zahlen.
• Ressourcen: Auch wenn die finanziellen Kosten für die Einführung einer KI-Lösung kein Problem sind, kann der Mangel an erforderlichen personellen und technischen Ressourcen eines werden. Es reicht nicht aus, das Geld zu haben; es ist auch wichtig, Zugang zu Fachkräften zu haben und über die nötigen Instrumente zu verfügen.
• ROI-Risiken: Selbst wenn das Unternehmen über die notwendigen Mittel und Ressourcen aller Art für Investitionen verfügt, besteht immer das Risiko eines niedrigen ROI.
• Expertise: Um den Nutzen der neuen KI/ML-Lösung zu maximieren, ist es notwendig, die Mitarbeiter zu schulen und ihnen beim Erlernen neuer Fähigkeiten zu helfen. Die Datenanalyse mit Hilfe der KI ist keine intuitive Aufgabe, so dass der Übergang zu neuen Prozessen mit den Anforderungen der ML-Algorithmen einige Zeit in Anspruch nehmen kann.
• Datenschutz und Datensicherheit: Für den Umgang mit Daten wie etwa Kontonummern und anderen personenbezogenen Informationen (Namen, Adressen, Steuernummern etc.), ist es entscheidend, in entsprechende Schutzmaßnahmen zu investieren und Industriestandards wie ISO und Regulierungen wie DSGVO immer einzuhalten. Da KI/ML-Modelle eine Menge Informationen zum Lernen und Trainieren benötigen, ist der Aufbau sicherer und gleichzeitig effizienter Datensätze eine Aufgabe, die nur von erfahrenen ML-Spezialisten erfüllt werden kann.

Anwendungsfälle: Machine Learning im Finanzwesen

Zwar sind die Risiken für die Einführung von KI/ML-Systemen in vielen Fällen durchaus hoch, doch die Vorteile überwiegen zumeist. Einige praktische Anwendungsfälle zeigen, wieso Machine Learning und Financial Services gut zusammenpassen:

Automatisierter Handel

Der Hochfrequenzhandel (HFT) ist ein Beispiel für eine Aufgabe, die Menschen ohne Computer nicht bewältigen können. Dies ist kein neuer Anwendungsfall für die KI, aber aufgrund der verbesserten Genauigkeit und der steigenden Handelsgeschwindigkeit, die besonders für große Finanzinstitute und Hedge-Fonds wertvoll ist, ist der automatisierte Handel relevanter als je zuvor. Forschungsergebnisse der Stanford University sagen voraus, dass neue Entwicklungen in den Bereichen Deep Learning und neuronale Netze die Motivation zur Finanzierung von Projekten mit Machine Learning weiter stärken werden.

Fraud Detection

Einer der am weitesten verbreiteten Anwendungsfälle für künstliche Intelligenz und maschinelles Lernen ist die Betrugsaufdeckung. KI-Modelle, die auf Big Data basieren, erkennen und neutralisieren betrügerische Aktivitäten durch die Analyse des Kundenverhaltens und der Online-Transaktionshistorie. (Wir haben bei Avenga selbst ein Fraud Detection System für einen unserer Kunden aufgebaut: betrügerische Aktivitäten und Verlustquoten gingen zurück, die für die Bearbeitung von Schadensfällen benötigte Zeit wurde reduziert.)

Marketing

Entsprechende KI/ML-Systeme können auf der Basis von Kundendaten und Informationen aus weiteren Quellen genaue Kundenprofile erstellen. Das ermöglicht ein gezielteres Marketing und die Ableitung individueller Maßnahmen zur Verbesserung des Customer Engagements. Werden die Kundenprofile automatisiert aktuell gehalten, unterstützen solche ganzheitlichen Lösungen direkt die Erreichung der Vertriebsziele.

Investitionsmanagement

“Robo Advisors”, also automatisierte persönliche Kundenberater, sind ein vergleichsweise neuer Anwendungsfall für KI/ML-Lösungen. Sie analysieren umfangreiche Informationen aus verschiedenen Datenpools, um auf Basis der vom Kunden festgelegten Ziele die passenden Anlagemöglichkeiten auszuwählen. Das spart Financial Services Anbietern und ihren Kunden Zeit und Geld.

Personalisierung und Kundenservice

KI/ML-Lösungen können die Customer Experience bei Financial Services verbessern, etwa über den Einsatz von Chatbots: Spätestens seit hochentwickelte “Conversational Assistants” den Touring-Test bestehen, sind sie auch für den personalisierten Kundenservice geeignet.

Diese Technologie machen sich die größten Mobile-Only-Banken wie Fidor Bank, Number26, BankMobile oder Hello Bank! zunutze. Ihre zumeist jüngeren Kunden können ihre Konten, Kredit- und Debit-Karten sowie sämtliche Transaktionen mittels Apps steuern, die laufend um Personalisierungsfunktionen erweitert werden.

Beispiel “Financial Health”: Daten über alle Geldein- und ausgänge, Kreditkartenabrechnungen und Investments oder Sparpläne können automatisch analysiert und mit individuellen Vorgaben abgeglichen werden. So kann jeder Kunde auch ohne ein zeitaufwändiges Gespräch mit einem Berater schnell mehr über seinen finanziellen Status erfahren und auch darüber, wie persönliche finanzielle Ziele erreicht werden oder etwa Kreditschulden vermieden werden können.

Branchenbezogene Zukunftsperspektiven für Machine Learning

KI/ML-Lösungen können die Finanzindustrie durch verbesserte Customer Experience, optimierte Prozesse und höhere Arbeitseffizienz unterstützen. Und gleichzeitig bietet diese Branche eine großartige Lernumgebung für künstliche Intelligenzen, da sie umfangreiche Datensätze für die zu verarbeitenden ML-Algorithmen bereitstellt.

In Zukunft werden sich die Trends in diesem Bereich wahrscheinlich im gleichen Tempo weiterentwickeln, wenn nicht sogar schneller. Es werden sich neue Wege zur Implementierung von KI/ML-Modellen ergeben, und es wird neue innovative Anwendungsfälle geben. Es gibt eine ganze Reihe faszinierender Prognosen für die Zukunft dieser Technologie im Financial Services Sektor:

• Gegenwärtig sind Daten zu Investitionen und Aktienkursen die primären Analysequellen für Finanzinstitutionen und Hedge-Fonds. Künftig wird dank immer besserer „Sentiment and Intent“-Analysen ein wesentlich klareres Verständnis des Gesamtbildes und der Auswirkungen politischer Nachrichten, sozialer Medien und anderer Quellen auf den Finanzmarkt herrschen.
• Laut Untersuchungen von Deloitte werden die derzeitige Infrastruktur und die Prozesse innerhalb der Finanzindustrie künftig mit Distributed-Ledger-Technologie (bekannt als “Blockchain”) umgestaltet werden. Das Hauptaugenmerk wird auf Sicherheit, Transparenz und Effizienz von Transaktionen liegen.
• McKinsey kommt zu dem Schluss, dass das Bankgewerbe stärker in Abhängigkeit von ML-Algorithmen geraten wird bei dem Versuch, die “Bank der Zukunft” vollständig auf Basis operativer Effizienz zu errichten. Aus einzelnen, für bestimmte Zwecke eingesetzten Lösungen, werden wahrscheinlich irgendwann komplexe “Diagnosemaschinen” hervorgehen, die das Effizienz-Versprechen gegenüber Banken und ihren Kunden einlösen.

Fazit: Financial Services können optimistisch sein

In der digitalen Transformation wird jedes Finanzunternehmen zum Softwareunternehmen. Nur so kann die Branche es schaffen, für jedes Kundensegment relevant zu bleiben, von Generation Z über Millennials bis Best Ager.

Die Branchenführer setzen bereits heute in gewissem Umfang auf KI- und Machine Learning-Anwendungen, vor allem bei HFT, Fraud Detection, Marktforschung und Kundenservice. Kennt man die Vorteile der neuen Technologie, ist das nicht weiter überraschend: Sie erhöht die Sicherheit und erleichtert die Compliance, hilft bei der Automatisierung von Arbeitsabläufen, steigert die Produktivität, verbessert Customer Experience und Personalisierung und ermöglicht es, sowohl Zeit als auch Kosten zu sparen.

Natürlich gibt es eine ganze Reihe von Herausforderungen, die KI/ML-Systeme mit sich bringen: Die Kosten der künstlichen Intelligenz und der Mangel an wesentlichen Ressourcen (Personal, Technik, Infrastruktur) können eine bedeutende Rolle dabei spielen, dass Finanzinstitutionen die Einführung entsprechender Lösungen verschieben und eine abwartende Haltung einnehmen. Dennoch sind sie für die Zukunft optimistisch gestimmt, da es viele attraktive Perspektiven zu erkunden gibt. Von Absichtsanalyse bis Blockchain, von Transparenz bis Effizienz wird künstliche Intelligenz im Finanzbereich vorangetrieben. Das zeigen auch die aktuelle Regulierungspolitik und stets neue Innovationen auf diesen Gebieten.

Die Finanzwirtschaft hat mittlerweile gelernt, dass ihr künftiger Erfolg massiv davon abhängt, wie schnell sie sich auf plötzliche Veränderungen und neue Ungleichgewichte einstellen kann.