Künstliche Intelligenz für das Kreditrisikomanagement im Bankwesen

Erhalten Sie wertvolle Einblicke in die Anwendungen und Vorteile von KI im Bankwesen und im Kreditrisikomanagement, um den Weg für die Zukunft von KI in FinTech zu ebnen.

Künstliche Intelligenz (KI) im Bankwesen, insbesondere im Kreditrisikomanagement, ist seit einiger Zeit ein viel diskutiertes Thema. Eine wachsende Zahl von Organisationen und Institutionen erforscht verschiedene Möglichkeiten, wie diese Technologie effektiv eingesetzt werden kann. Der Grund dafür ist, dass KI entlang der gesamten Kreditwertschöpfungskette einen echten Mehrwert schaffen kann.

Die meisten KI-Anwendungen konzentrieren sich auf die Analyse und das Management von Kreditrisiken. Der Bereich des Kreditrisikomanagements dient dabei als Testfeld, um die Vorteile des Einsatzes von KI, aber auch die Herausforderungen aufzuzeigen. In einem solchen Trial-and-Error-Ansatz ebnet die Kredit-KI den Weg für weitere Anwendungen der Technologie, die das Großkundengeschäft, das Privatkundengeschäft, das Versicherungswesen, die Vermögensverwaltung und die Kapitalmärkte umfassen.

Im Folgenden geben wir Ihnen einen tieferen Einblick in die Anwendungen von KI im Kreditrisikomanagement und zeigen die Vorteile und Herausforderungen auf, um zu verstehen, was dieses Phänomen für die Zukunft von FinTech erwarten lässt.

Unabhängig von allen Prognosen ist eines klar: KI im Bankwesen wird auch in Zukunft Anwendung finden und kann enorme Umsätze generieren. Um besser zu verstehen, wie die Technologie in das Bankgeschäft und insbesondere in das Kreditrisikomanagement integriert wird, sollten einige Schlüsselbereiche der Anwendung betrachtet werden.

Kreditwürdigkeitsprüfung

Wer über die besten Modelle verfügt, hat im Kreditgeschäft die Nase vorn. Beispielsweise verwenden Banken häufig KI-Algorithmen, um Modelle zu erstellen, die eine genauere Ausfallwahrscheinlichkeit und Verlusthöhe liefern. Dies führt zu besseren Kreditprognosen. Dieser Bericht legt nahe, dass KI im Kreditrisikomanagement eingesetzt wird, um die Kreditgenehmigung, die Risikobewertung und das Portfoliomanagement zu verbessern.

Darüber hinaus integrieren Banken, die KI einsetzen, Automatisierung und Nahe-Echtzeit-Analysen von Kunden, um effektive Kreditentscheidungen für KMU und Firmenkunden zu treffen. McKinsey weist darauf hin, dass Tools wie KI mit strukturierten und unstrukturierten Daten arbeiten, die dann in fundiertere und präzisere Kreditentscheidungen für das Kreditrisikomanagement umgesetzt werden. Dementsprechend steht die Kreditentscheidung ganz oben auf der Liste der KI-Anwendungen.

Überwachung und Inkasso

Neben einem besseren Einblick in Kreditentscheidungen können Institute und Organisationen KI nutzen, um bessere Inkasso-Strategien zu entwickeln. Banken erhalten neue Werkzeuge zur Digitalisierung interaktiver Daten aus Vor-Ort-Besuchen, Kampagnen und Kommentaren von Inkassomitarbeitern. All dies reduziert die Belastung durch leistungslose Kredite. KI-Modelle ermöglichen eine automatisierte Kreditübernahme und Preisgestaltung.

Bei der Überwachung können Banken KI einsetzen, um proaktiv mit ihren Kunden zu interagieren. Die Technologie hilft, große Datenmengen zu sammeln und zu analysieren, um einen 360-Grad-Blick auf das Finanzprofil eines Kunden zu erhalten. Ein solches Maß an Überwachung ermöglicht es den Instituten und Organisationen, das Beste aus ihren Krediten und Inkassostrategien herauszuholen.

Auf der Suche nach Frühwarnsignalen

Die Fähigkeit, Frühwarnsignale für potenzielle Risiken zu erkennen, ist ein großer Vorteil für das Kreditrisikomanagement. KI hilft, Betrug aufzudecken und die Einhaltung von Vorschriften zu gewährleisten — beides trägt dazu bei, finanzielle Verluste und Rechtsstreitigkeiten zu vermeiden. Darüber hinaus ist die Bekämpfung von Geldwäsche und Betrug angesichts der zunehmenden Raffinesse von Kriminellen bei Finanzdelikten häufig Teil von Strategien zur sozialen Verantwortung von Unternehmen.

Banken setzen KI im Rahmen von Ermittlungsinitiativen ein, die darauf abzielen, verdächtige Aktivitäten, bei denen es sich um Betrug handeln könnte, genau zu identifizieren — und zwar in Echtzeit. Herkömmliche Instrumente zur Erkennung von Frühwarnzeichen eines potenziellen Risikos stützen sich auf viele experimentell definierte Indizien und Expertenurteile. Ein solcher Ansatz birgt jedoch die Möglichkeit menschlicher Fehler und erfordert lange Bearbeitungszeiten. Im Gegensatz dazu nutzt KI große Datenmengen mit hoher Geschwindigkeit und die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), um innerhalb weniger Minuten präzise Warnsignale zu generieren.

Kreditrisikoanalyse

Die traditionelle Kreditrisikoanalyse basiert häufig auf komplexen statistischen Modellen, die auf formalen Beziehungen zwischen Merkmalen in Form mathematischer Gleichungen beruhen. Im Gegensatz dazu verwendet die KI Methoden des maschinellen Lernens (ML), die aus Daten lernen können, ohne dass eine regelbasierte Programmierung erforderlich ist. Dank dieser Flexibilität können maschinelle Lernverfahren besser an die Muster in den Daten angepasst werden. Im Wesentlichen wird dies durch die folgenden klassischen ML-Algorithmen und Deep-Learning-Techniken erreicht:

• Logistische Regression – einer der am häufigsten verwendeten ML-Algorithmen. Dabei handelt es sich um einen überwachten Lernansatz, d.h. der Benutzer gibt während des Trainings die Paare von Eingangsindikatoren und gewünschten Ergebnissen in den Algorithmus ein, und der Algorithmus findet einen Weg, das gewünschte Ergebnis bei einer bestimmten Eingabe zu erzeugen. Anschließend kann das trainierte Modell die Ausgabe bei neuen, noch nie zuvor gesehenen Eingaben vorhersagen, ohne dass ein Mensch eingreifen muss. Das Herzstück des logistischen Regressionsmodells ist eine Linearitätsannahme, so dass es nur einfache lineare Abhängigkeiten modellieren kann.
• Random Forest Methode – eine intuitive Methode des überwachten Lernens. Die Idee besteht darin, historische Datensätze zu verwenden und sie in Datenbäumen zu gruppieren, um den zukünftigen Analyseprozess zu optimieren.

• Support Vector Machine (SVM) – Eine einfache SVM ist eine Art linearer Separator. Wir ziehen eine gerade Linie durch unsere Daten in der Mitte, um sie in zwei Klassen zu teilen. Wenn wir keine Linie durch die Daten ziehen können, können wir die Daten so transformieren, dass die Trennung möglich wird.

• K-Nearest Neighbor (KNN) – Bestimmung der Datenklasse anhand der Nähe zu alten Daten. Sag mir, wer deine nächsten Nachbarn sind, und ich sage dir, wer du bist.

• Neuronale Netze (NN) – im Wesentlichen Algorithmen, die die Funktionsweise des menschlichen Gehirns nachahmen. NNs haben sich vor allem bei kurzfristigen Vorhersagen als effektiv erwiesen. Sie sind auch insofern robust, als sie gut mit fehlenden Daten und Korrelationen zwischen Eingabevariablen umgehen können. Allerdings sind NN nicht einfach zu interpretieren, und es ist schwierig zu verstehen, warum das Modell die Vorhersagen macht, die es macht.

Diese Tools ermöglichen eine gleichmäßige Verteilung der Daten und schaffen eine Umgebung, in der nichtlineare Muster verschiedener Variablen verwendet werden können, wie zum Beispiel bei der Kreditwürdigkeitsprüfung. Dadurch erhalten die Banken eine intuitive Kreditrisikoanalyse mit einer höheren Genauigkeit als bei herkömmlichen statistischen Methoden.

Es sei darauf hingewiesen, dass die obige Liste nicht alle Anwendungsbereiche von KI im Bankwesen umfasst. Es gibt viele weitere Segmente, in denen Experten die Technologie einsetzen könnten (siehe Abbildung 2).

Abbildung 2. Einführung von KI-Tools im Bankensektor

Ein derart breites Anwendungsfeld zeigt, dass KI bereits Vorteile bringt. Lassen Sie uns nun einige Schlüsselbereiche betrachten, in denen der Einsatz von KI am vorteilhaftesten ist. Die meisten davon stehen in direktem oder indirektem Zusammenhang mit dem Kreditrisikomanagement.

Vorteile von Kredit-KI

KI ermöglicht es Institutionen und Organisationen, mit Echtzeit-Transaktionsdaten zu arbeiten. Darüber hinaus bietet sie Modelle, die mit einer Vielzahl von Datenpunkten arbeiten können. Zusammengenommen bietet KI einige bemerkenswerte Vorteile.

Automatisierte und personalisierte Entscheidungen über den gesamten Kundenlebenszyklus hinweg

Finanzinstitute können KI-Modelle in verschiedenen Anwendungsfällen einsetzen. Ein solcher Ansatz schafft Mehrwert durch die Automatisierung mehrerer Dutzend Entscheidungen im Zusammenhang mit verschiedenen Kundenprozessen. Beispielsweise können Banken KI-Analysen in der Anfangsphase des Kundenlebenszyklus einsetzen, um Aspekte wie die Kundenakquise, die Vertiefung der Kundenbeziehung und die intelligente Kundenbetreuung zu verbessern.

Bessere Kreditentscheidungen

Die Verbesserung des Kundenlebenszyklus führt zu besseren Kreditentscheidungen. Laut McKinsey hat KI nachweislich positive Auswirkungen auf die Bearbeitungszeit von Kreditanträgen und den Prozentsatz der genehmigten Anträge. Technologiegestützte Kreditentscheidungen können dazu beitragen, das Geschäft zu skalieren und gleichzeitig die Kosten zu senken. Dies geschieht durch eine genauere Identifizierung von Kunden mit höherem Risiko. Im Wesentlichen bedeutet dies eine Verbesserung der Bewilligungsquoten bei gleichzeitiger Reduzierung des Kreditrisikos.

KI-gestützte Kreditentscheidungen bieten in drei zentralen Bereichen Vorteile:

• Kreditqualifizierung. KI hilft bei der Analyse eines großen Verbrauchersegments und bestimmt präzise, ob ein bestimmter Kunde für einen Kredit in Frage kommt.
• Limitprüfung. Mit KI-gestützten Algorithmen können Institute den Prozess der Bestimmung des maximalen Kreditlimits auf der Grundlage einer Reihe von verarbeiteten Faktoren automatisieren.
• Preisgestaltung. KI-gestützte Banken können äußerst wettbewerbsfähige Zinssätze anbieten und die Preisgestaltung an Marktveränderungen anpassen.

Diese Vorteile gewährleisten präzise Kreditentscheidungen. Sie senken die Kosten und stellen sicher, dass die Banken Kunden behalten, die ihre Kredite zurückzahlen können und für neue Kredite in Frage kommen.

Betrug vorbeugen und aufdecken

Ein solides Betrugsbekämpfungssystem ist immer von Vorteil für eine Institution oder Organisation. Es ist ein Eckpfeiler eines guten Kreditrisikomanagements. Da sich die Kreditbeziehungen rasch auf digitale Kanäle verlagern, ermöglicht KI die automatisierte Bearbeitung der verschiedenen Aspekte von Kreditanträgen, Kreditgenehmigungen und Rückzahlungen. Je mehr Kredite eine Bank vergeben kann, desto größer ist jedoch die Wahrscheinlichkeit von Betrug. An diesem Punkt setzen viele Institute KI-basierte Tools ein, die helfen, Nachlässigkeiten frühzeitig zu erkennen.

McKinsey nennt als Beispiel das Unternehmen Ping An, das mit Hilfe eines Bildanalysemodells mehrere Dutzend Mikroausdrücke im Gesicht seiner Kunden erkennt, um festzustellen, ob die Person bei der Beantragung eines Kredits die Wahrheit sagt. Dies zeigt, dass KI verschiedene Datenpunkte verarbeiten kann, um die Zahl der Kunden zu erhöhen und gleichzeitig die Zahl der Betrugsfälle zu verringern.

Optimierung des Inkassoprozesses

Eine Forderung an das Inkassobüro zu schicken, ist eines der letzten Dinge, die ein Kreditgeber tun möchte. Denn die Drittanbietergebühren, die von den verschiedenen Inkassobüros erhoben werden, zehren jede Marge fast sofort auf. Außerdem kehren die Kunden, sobald sie von einem Inkassobüro abgemahnt wurden, nicht mehr zu ihrem Kreditgeber zurück. Berichte zeigen, dass es fünfmal teurer ist, einen neuen Kunden zu gewinnen, als einen bestehenden zu halten. Das bedeutet auch, dass die Optimierung des Inkassoprozesses die Kundenabwanderung verringern und den Unternehmen viel Geld sparen kann.

Mit KI-gestützten Algorithmen nutzen Institutionen Datenpunkte, die während des gesamten Kundenlebenszyklus gesammelt wurden. So entsteht ein klares Bild davon, wer am ehesten in der Lage ist, einen Kredit zurückzuzahlen. Erhält ein Institut eine rote Flagge, also wenn ein Kunde mit seinen Zahlungen in Verzug gerät, können Maßnahmen ergriffen werden, um ihn wieder auf Kurs zu bringen. Beispielsweise können Kreditgeber vorübergehend niedrigere Limits oder neue Zahlungspläne anbieten. Auf diese Weise gewinnen die Banken Kunden, die in der Lage sind, ihre Kredite zurückzuzahlen, und die Institute müssen nicht in die Suche nach neuen Kunden investieren.

Herausforderungen der Kredit-KI

Wie bei jeder neuen Anwendung von KI gibt es auch hier spezifische Herausforderungen. Um jedoch zu verstehen, wie sich diese Hindernisse auf das Kreditrisikomanagement auswirken, sollten wir untersuchen, wie Banken ihre KI-Anwendungen priorisieren (siehe Abbildung 3). Abbildung 3. Wahrnehmung von KI-Anwendungen im Kreditrisikomanagement

KI zeigt, dass die Erkennung von Frühwarnsignalen und die Betrugsprävention die höchsten Prioritäten bei der Einführung von KI-Technologie im Kreditrisikomanagement haben. Hier einige der Herausforderungen:

Compliance

Verschiedene KI-Lösungen verfügen über versteckte Entscheidungsebenen, die das Endergebnis stark beeinflussen können. Bei der Nutzung von Aspekten wie Deep Learning kann es für Unternehmen und Institutionen, die im Finanzbereich tätig sind, schwierig sein, die Nachweise zu führen, die KI-basierte Entscheidungen beeinflussen. In diesem Fall können Aspekte wie Fairness und Übereinstimmung mit den Werten eines Unternehmens beeinträchtigt werden. Ein Deloitte-Bericht veranschaulicht, wie KI-basierte Tools die „Risikobereitschaft“ einiger Finanzunternehmen erhöhen und sie dazu bringen, ihre Mission und Vision zu vergessen. 

Um dieses Problem zu vermeiden, gibt es glücklicherweise eine Reihe von Compliance-Richtlinien. Dieser Leitfaden befasst sich mit den Grundsätzen für einen fairen und kundenfreundlichen Einsatz von KI.

Governance

Im Umgang mit KI-Algorithmen gibt es den Begriff des Black-Box-Designs. Einfach ausgedrückt handelt es sich dabei um eine Methode, bei der die Eingaben und Operationen für die Nutzer oder andere interessierte Parteien unsichtbar sind. Ohne eine angemessene Governance des KI-Modells kann das Blackbox-Design zu einer verzerrten Entscheidungsfindung führen. Das Unternehmen Deloitte versucht, dieser Herausforderung zu begegnen, indem es die Transparenz der Funktionalität seiner KI-basierten Algorithmen verbessert.

Darüber hinaus kann die Governance-Herausforderung auch mit der mangelnden Unterstützung durch das Unternehmen, der fehlenden Verbindung zwischen Unternehmen und Quants und der ineffizienten internen Genehmigung von Methoden zusammenhängen. Mit anderen Worten: Damit KI richtig gesteuert werden kann, braucht ein Unternehmen ein gut funktionierendes internes Kommunikationssystem, das nicht zu viel Bürokratie und/oder Hierarchie beinhaltet.

Qualität

KI arbeitet mit Daten. Und wenn Daten vorhanden sind, stellt sich immer die Frage nach ihrer Qualität und Glaubwürdigkeit. Daten aus unzuverlässigen Quellen führen zu falschen Ergebnissen. Falsche Ergebnisse führen zu falschen Entscheidungen. KI-Anwendungen sind darauf ausgelegt, aus Daten zu lernen, die ihnen von Experten zur Verfügung gestellt werden. Wenn es um die Qualität von Daten und Quellen geht, stehen Unternehmen und Institutionen oft vor Hindernissen, wie zum Beispiel Problemen bei der Datenerhebung, das Fehlen geeigneter externer Daten, das Fehlen erklärbarer Ergebnisse oder das Fehlen von Ergebnissen überhaupt.

Angesichts dieser Herausforderungen ist es wichtig zu verstehen, dass KI-gestützte Algorithmen kein Allheilmittel sind. Es gibt spezifische Probleme in Bezug auf Compliance, Governance und Datenqualität, die angegangen werden müssen. Glücklicherweise gibt es Beispiele aus der Praxis von Institutionen und Unternehmen, denen es gelungen ist, das Beste aus KI im Kreditrisikomanagement herauszuholen.

Beispiele für den frühen Einsatz von KI im Kreditrisikomanagement

Das US-amerikanische FinTech-Startup ZestFinance zeigte greifbare Ergebnisse beim Einsatz von KI zur Optimierung des Kreditrisikos. Das Unternehmen nutzte die Technologie, um Verluste und Ausfallraten um 20 Prozent zu senken.

Die Bank of England setzte KI im Kreditrisikomanagement ein, insbesondere bei der Preisgestaltung und beim Abschluss von Versicherungspolicen. Die Führungskräfte der Bank sind der Ansicht, dass die KI-Algorithmen einen Grad an Raffinesse aufweisen, der von herkömmlichen Modellen nicht erreicht werden kann. 

BlackRock, ein weiterer multinationaler Vermögensverwalter aus den USA, setzt KI zur Bewertung von Liquiditätsrisiken ein. Die Vermögensverwalter des Unternehmens fütterten die KI-Algorithmen mit internen Daten und waren in der Lage, den Preis der Liquidationskosten genau zu berechnen. Im Gegenzug gewährte das Unternehmen höhere Renditen und geringere Risiken.

Dies sind nur einige Beispiele dafür, wie KI-gestützte Algorithmen das Kreditrisikomanagement unterstützen. Zweifellos werden noch viele weitere Erfolgsgeschichten folgen. Und je mehr Unternehmen und Institutionen KI einsetzen, desto mehr Kontrolle und Genauigkeit wird im Kreditrisikomanagementprozess erreicht.

Was kommt als Nächstes?

Der wahrscheinlichste Weg, den KI einschlagen wird, ist die Verknüpfung mit Edge-Funktionen. Im Wesentlichen nutzt Edge Computing die Rechenleistung der Geräte, um tiefe Einblicke und prädiktive Analysen in nahezu Echtzeit zu ermöglichen. Der Markt für Edge Computing boomt derzeit (siehe Abbildung 4):Abbildung 4. U.S. Edge Computing Markt

Eine umfassende Studie von Market Research Future (MRFR) geht davon aus, dass der Edge-Computing-Markt bis 2030 ein Volumen von 168,59 Milliarden US-Dollar erreichen wird. Derzeit liegt der Markt bei rund 14 Milliarden US-Dollar. Der Grund für dieses Wachstum liegt in den Werkzeugen, die Edge-Computing bietet:

• Spracherkennung
• NLP und Sprachanalyse
• Computer Vision
• Gesichtserkennung

Diese Werkzeuge bilden die Grundlage für KI-basierte Algorithmen. Sie dienen als Medium für die Datenerfassung und stellen sicher, dass der KI genügend Datenpunkte zur Verarbeitung zur Verfügung stehen. Da immer mehr Menschen mobile Gerät besitzen, steht Unternehmen ein nahezu unbegrenzter Datenstrom zur Verfügung, der die Customer Lifecycle Journey verbessern kann. Bei der weiteren Kopplung von Edge-Funktionen sollten Unternehmen und Institutionen jedoch stets die Regeln der Datensicherheit und die Datenschutzgesetze beachten.

Fazit

Es mag so klingen, als sei KI die Technologie der Zukunft. In Wirklichkeit begleitet sie uns schon seit mehr als einem halben Jahrhundert. Die erste KI wurde 1956 vorgestellt. Jetzt ist jedoch die Zeit gekommen, in der jeder ihr Potential verstehen und die Chance ergreifen kann, diese Technologie auf globaler Ebene anzuwenden. Es besteht kein Zweifel daran, dass die Einführung von KI vor dem Kreditrisikomanagement oder dem Bankgeschäft im Allgemeinen keinen Halt machen wird, denn die Möglichkeiten sind unbegrenzt.

KI wird sich weiter verbreiten und Unternehmen erfolgreicher machen. Die wichtigste Frage ist, ob es sich die Unternehmen, die noch nicht involviert sind, leisten können, auf den Einsatz von KI zu verzichten. Wer jetzt in KI einsteigt, sichert sich einen frühen Start und einen Wettbewerbsvorteil.

Wenn Sie mehr über die Trends im Edge Computing erfahren möchten, klicken Sie hier.

Wenn Sie möchten, dass Avenga Sie bei der Einführung von KI im Bankwesen oder in einer anderen Branche unterstützt, sprechen Sie uns an.