Die Macht der KI freisetzen: Finanzdienstleistungen neu gestalten

Die Macht der KI freisetzen: Finanzdienstleistungen neu gestalten

Zeitstempel: 17. November 2023, 10:30 Uhr
Die Macht der KI freisetzen: Finanzdienstleistungen neu gestalten PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

KI ist ein brisantes Thema und es werden zahlreiche Artikel veröffentlicht, in denen festgestellt wird, dass Finanzdienstleistungsunternehmen, die KI heute nicht einführen, Gefahr laufen, morgen obsolet zu werden. Allerdings wird die Einführung von KI in der Branche, wie bei vielen Hypes, möglicherweise nicht so schnell voranschreiten wie allgemein vorhergesagt. Beispielsweise prognostizieren Experten seit zwei Jahrzehnten die Veralterung von Banken, die alte Mainframe-Systeme verwenden. Doch selbst nach 20 Jahren verlassen sich viele Banken immer noch auf wichtige Kernbankanwendungen, die auf alten Mainframe-Technologien basieren, und diese Banken sind nach wie vor genauso stark (wenn nicht sogar stärker) als vor zwei Jahrzehnten.

Dennoch wird die KI Bestand haben und eine schrittweise Einführung ist unerlässlich. Wie in meinem Blog „The Right Fit: Beurteilung des Geschäftswerts vor der Einführung von KI/ML“ besprochen (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html) ist es für Banken von entscheidender Bedeutung, ihre KI-Kämpfe mit Bedacht zu wählen, anstatt KI um ihrer selbst willen einzusetzen.

Daher ist die Erstellung einer umfassenden Liste von KI-Anwendungsfällen in der Finanzdienstleistungsbranche unerlässlich. Meiner Meinung nach können wir alle KI-Anwendungsfälle in der Finanzdienstleistungsbranche in Kategorien einteilen zwei Hauptgruppen:

Gruppe 1: Effizienterer Umgang mit unstrukturierten Daten

Diese Kategorie konzentriert sich auf das Sammeln, Analysieren und Verarbeiten von Daten, die in einer SQL-Datenbank nicht sauber strukturiert werden können. Dazu gehören typischerweise Daten aus Dokumenten, Sprache oder Bildern, die häufig von Dritten wie der Regierung oder von nicht digitalen Kundendiensten stammen, die in ein digitales Format umgewandelt werden müssen. Diese Anwendungsfälle zielen in erster Linie auf die Kostenreduzierung ab, da die Verarbeitung unstrukturierter Daten sehr ressourcenintensiv sein kann. Der Aufstieg der KI macht es zunehmend möglich, diese Prozesse zu automatisieren.

Anwendungen:

  • Umgang mit KYC- und KYB-Dokumenten: Verarbeitung von Personalausweisbildern, Regierungsveröffentlichungen oder Unternehmenssatzungen, um ein besseres Verständnis für Kunden und Unternehmensstrukturen zu erlangen.

  • Identitätsmanagement: Ähnlich wie KYC/KYB, konzentriert sich jedoch auf die kontinuierliche Authentifizierung und Transaktionssignierung unter Verwendung unstrukturierter Daten wie Ausweisbilder, biometrischer Identifizierung (wie Gesicht und Fingerabdruck) und Verhaltenserkennung.

  • Marken- und Reputationsmanagement: Überwachung der Kunden- und Medienstimmung über das Unternehmen, um auf Marketingkampagnen zu reagieren und negativer Publizität entgegenzuwirken. Dies geschieht durch die Überwachung traditioneller Medien und sozialer Medien (wie Feedback-Kommentare, Likes, Shares, Meinungen usw.) und anderer Informationsquellen (z. B. Callcenter-Aufzeichnungen), um die Stimmung und Trends der Kunden zu ermitteln.

  • Claim Management: Automatisierung der Bearbeitung von Schadensfällen mit unstrukturierten Daten, wie z. B. Bildern beschädigter Versicherungsobjekte und Gutachten von Versicherungsexperten.

  • Chatbots und automatisierte Callcenter: Nutzung von KI, um Kundeninteraktionen zu kategorisieren und zu kennzeichnen, Interaktionen effizient zu versenden, Standardantwortvorlagen vorzuschlagen und sogar Antworten über verschiedene Kommunikationskanäle (E-Mail, Telefonanruf und Chatbox) vollständig zu automatisieren.

  • Stimmungsanalyse auf E-Mails, Chat-Sitzungen, Sprach- und Videoaufzeichnungen sowie unstrukturierte Zusammenfassungen der Kommunikation, um Kundenfeedback und Mitarbeiter-Kunden-Interaktionen zu verstehen.

  • Spesen- und Rechnungsmanagement: Konvertieren von Finanzdokumenten in strukturierte Daten zur automatischen Verarbeitung (z. B. korrekte Buchung in der richtigen Buchhaltungskategorie).

Gruppe 2: Bessere Vorhersage und Ressourcenzuweisung

In der Finanzdienstleistungsbranche (wie in jeder anderen Branche auch) sind Ressourcen wie Menschen und Geld knapp und sollten so effizient wie möglich eingesetzt werden. KI kann eine entscheidende Rolle dabei spielen, vorherzusagen, wo diese Ressourcen am meisten benötigt werden und wo sie den höchsten Mehrwert erbringen können.

Note: Auch die Aufmerksamkeit eines Kunden kann als knappe Ressource betrachtet werden, d. h. jede Kommunikation oder jedes Angebot sollte hochgradig personalisiert sein, um sicherzustellen, dass die begrenzte Aufmerksamkeitsspanne des Kunden optimal genutzt wird.

Diese Anwendungsfälle können in zwei Unterkategorien eingeteilt werden:

Branchenunabhängige Anwendungsfälle

  • Segmentierung der Kunden Basierend auf verfügbaren Daten (z. B. Kundenprofilierung, Analyse von Transaktionsmustern, vergangenem und aktuellem Kundenverhalten …​), um die bestmöglichen Mittel (bester Kanalmix) und Kommunikationsstil (Kontaktoptimierung) zu ermitteln und Ressourcen den Kunden mit dem höchsten Potenzial zuzuweisen zukünftige Einnahmen.

  • Abwanderungserkennung Kunden zu identifizieren und zu binden, bei denen das Risiko besteht, dass sie das Unternehmen verlassen. Indem diesen Kunden zusätzliche Ressourcen zugewiesen werden, etwa indem Mitarbeiter den Kunden kontaktieren oder bestimmte Anreize bieten (z. B. Rabatte oder bessere Zinssätze), um eine Abwanderung des Kunden zu verhindern.

  • Identifizieren Sie die besten Interessenten und Verkaufschancen: Identifizieren Sie aus einer Liste von Leads diejenigen, die am wahrscheinlichsten Kunden werden, aber identifizieren Sie auch, welche bestehenden Kunden am besten für Cross-Selling- und Up-Selling-Aktionen angesprochen werden können.

  • Prognostizieren Sie Entwicklungen bei Angebot und NachfrageB. ermitteln, wo sich Geldautomaten oder Filialen am besten befinden sollten, vorhersagen, wie viele Interaktionen mit dem Kundensupport zu erwarten sind, um eine optimale Besetzung des Kundensupportteams sicherzustellen, oder die Belastung der IT-Infrastruktur vorhersagen, um die Kosten der Cloud-Infrastruktur zu optimieren.

  • Nächstbeste Aktion, nächstbestes Angebot oder Empfehlungsmaschine für personalisierte Kundeninteraktionen, d. h. Vorhersagen, welche Aktion, welches Produkt oder welche Dienstleistung einen Benutzer zu einem bestimmten Zeitpunkt am wahrscheinlichsten interessiert. Der einfache Zugriff auf diesen Prozess kann dem Kunden oder anderen Benutzern (z. B. internen Mitarbeitern) helfen, ihr Ziel schneller zu erreichen, was zu höheren Umsätzen und geringeren Kosten führt.

  • Preismotor zur Ermittlung der optimalen Preisgestaltung für Produkte oder Dienstleistungen.

Spezifische Anwendungsfälle für die Finanzdienstleistungsbranche

  • Kredit-Scoring-Engine um die Kreditwürdigkeit zu beurteilen und effiziente Kreditentscheidungen zu treffen. Ziel dieser Engine ist es, die Ausfallwahrscheinlichkeit und den geschätzten Verlustwert im Falle eines Ausfalls vorherzusagen, um zu bestimmen, ob ein Kredit angenommen werden sollte oder nicht. Auch hier handelt es sich um ein Prognoseproblem, das sicherstellt, dass das Geld der Bank möglichst effizient ausgegeben wird.

  • Betrugserkennungs-Engine um betrügerische Finanztransaktionen, einschließlich Online-Betrug (Cyber-Bedrohungen) und Zahlungsbetrug, zu erkennen und zu verhindern. Die Engine sagt voraus, ob das tatsächliche Verhalten eines Benutzers mit dem erwarteten (vorhergesagten) Verhalten übereinstimmt. Wenn nicht, handelt es sich wahrscheinlich um einen Betrugsfall. Diese Engines tragen dazu bei, Umsatzverluste zu reduzieren, Markenschäden zu vermeiden und den Kunden ein reibungsloses Online-Erlebnis zu bieten.

  • Robo Advisory Dienstleistungen zur Erstellung optimaler Anlageportfolios basierend auf Markttrends, dem aktuellen Anlageportfolio und Kundenbeschränkungen (wie Risikoprofil, Nachhaltigkeitsbeschränkungen, Anlagehorizont usw.).

    • AML-Erkennungs-Engine um Geldwäsche und kriminelle Aktivitäten bei Finanztransaktionen aufzudecken (und zu stoppen).

    • Liquiditätsrisikomanagement-Engine zur Optimierung der Cashflows. Dabei handelt es sich um einen Service, der den Kunden angeboten werden kann, der aber auch intern für die Bank erforderlich ist. Die Bank muss sicherstellen, dass in ihrer Bilanz ausreichend Liquidität vorhanden ist, um alle Abhebungen abzudecken, aber auch den physischen Bargeldbedarf zur Versorgung von Geldautomaten und Filialen vorhersagen.

Neben diesen geschäftsorientierten KI-Anwendungsfällen sollten Sie auch den internen Einsatz von KI nicht außer Acht lassen Produktivität der Mitarbeiter steigern. Generative KI-Tools wie ChatGPT können verschiedene Abteilungen wie Vertrieb, Marketing und IT dabei unterstützen, ihre Produktivität zu steigern.

Wie in meinem Blog „The Right Fit: Assessing Business Value before Adopting AI/ML“ (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html) birgt die erste Kategorie („Effizienterer Umgang mit unstrukturierten Daten“) meiner Meinung nach das größte Potenzial, erfordert allerdings sehr spezifische KI-Fähigkeiten und komplexe KI-Modelle. Daher dürften viele Finanzdienstleistungsunternehmen vorab trainierte Modelle für diese Kategorie von Anwendungsfällen verwenden.

Die Anwendungsfälle der zweiten Kategorie (also „Bessere Vorhersage und bessere Allokation knapper Ressourcen“) sind ebenfalls vielversprechend und können schneller zu Ergebnissen führen als die Anwendungsfälle der Kategorie 1. Ihr Mehrwert gegenüber herkömmlichen regelbasierten Algorithmen ist jedoch vorhanden nicht immer garantiert, ihnen mangelt es oft an Transparenz und sie sind schwer zu verfeinern. Infolgedessen sehen diese Anwendungsfälle für KI oft vielversprechender aus, als sie tatsächlich sind.

In vielen Fällen müssen Banken nicht direkt in KI investieren, da es bereits zahlreiche Softwarelösungen gibt, die nicht nur KI-Modelle bieten, sondern auch die damit verbundenen Arbeitsabläufe und Geschäftslogiken umfassen.
Für jeden Anwendungsfall können Finanzdienstleistungsunternehmen tatsächlich zwischen wählen drei Möglichkeiten:

  • Option 1: Ein Modell bauen von Grund auf neu Verwendung von Plattformen wie AWS SageMaker oder GCP AI Platform. Das bedeutet, dass das Unternehmen einen guten Datentrainingssatz identifizieren, ein Modell einrichten und das Modell selbst trainieren muss. Beispielsweise hat KBC einen großen Teil seiner virtuellen Assistentin (genannt Kate) vollständig intern unter Verwendung von GCP-KI-Technologien entwickelt.

  • Option 2: Verwenden vorgeübt Cloudbasierte Modelle, die einfach bereitzustellen und anzupassen sind, wie z. B. AWS Fraud Detector, AWS Personalize oder benutzerdefinierte Versionen von ChatGPT (vgl. Ankündigung von OpenAI zur Einführung eines neuen GPT-Konzepts) für bestimmte Anwendungsfälle.

  • Option 3: Erwerb Komplette Softwarelösungen Dazu gehören interne KI-Modelle, Bildschirme, Arbeitsabläufe und Prozesse. In der Finanzdienstleistungsbranche gibt es zahlreiche Lösungen, wie Discai (das die von der KBC-Bank intern erstellten KI-Modelle kommerzialisiert), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

Die Entscheidung, welche Option gewählt wird, hängt von den spezifischen Bedürfnissen des Finanzdienstleistungsunternehmens ab. Das Verständnis der Fähigkeiten und Grenzen von KI-Modellen, eine solide Datenstrategie und das Wissen, wie Daten für externe Modelle und Tools verfügbar gemacht werden können, sind entscheidende Schritte für ein Finanzdienstleistungsunternehmen, das KI einführen möchte. Diese Schritte sind in der Regel wichtiger als tiefgreifende interne KI-Kenntnisse.

Die Einführung von KI in der Finanzdienstleistungsbranche ist eindeutig eine Notwendigkeit, um wettbewerbsfähig zu bleiben und die Anforderungen der Kunden zu erfüllen. Der richtige Ansatz (von Build versus Buy), kombiniert mit gut durchdachten Anwendungsfällen, kann den Weg für eine erfolgreiche KI-Reise ebnen.

Schauen Sie sich alle meine Blogs an https://bankloch.blogspot.com/

Zeitstempel:

Mehr von Fintextra