28 01 | 2022 se Weise
28 01 | 2022 se Weise von vielen über Jahre hinweg gewachsenen, oftmals einander überschneidenden Regeln – den Legacy-Strukturen. Denn Mitarbeiter implementieren Regeln und Entscheidungswege und verlassen später das Unternehmen. Auf sie folgen neue Mitarbeiter, die ebenfalls neue Regeln implementieren – und am Ende versucht jeder, dieses Geflecht zu verfeinern, ohne die Gesamtstruktur zu verstehen. In der Entscheidungsoptimierung wird hingegen nur eine Struktur implementiert, in der die Richtlinien und – im Fall der Preisgestaltung – die vollständige Preisstruktur enthalten sind. So kann das Geschäft besser gemanagt werden. Sind Änderungen erforderlich, geht man in den Optimizer, fügt Änderungen ein und implementiert den neuen Entscheidungsbaum – ohne überlappende Bereiche, die Probleme bereiten könnten. Paradigmenwechsel – mehr Fakten, weniger Bauchgefühl Die Optimierung stützt sich, wie bereits erwähnt, auf Daten – nicht auf ein Bauchgefühl. Das ist in der Praxis erst einmal eine Veränderung für Mitarbeiter und Manager. Denn während Chief Risk Officer ohne Optimierungsmodell darauf vertrauen müssen, dass die Annahmen ihrer Mitarbeiter richtig sind, können sie mithilfe der KI-basierten Optimierung Unsicherheiten verhindern. Das macht die Erfahrung der Mitarbeiter aber nicht weniger wichtig. Denn die Modellierung gibt zwar die Antwort auf die Frage, was bei bestimmten Änderungen passiert – aber welche Ziele verfolgt werden sollen, bleibt am Ende den Menschen überlassen. Hier können sich alle Beteiligten noch besser auf die wichtigen Fragen konzentrieren und mithilfe der Entscheidungsoptimierung gemeinsam die beste Strategie festlegen. Ein Beispiel aus der Praxis: Ein Sales-Team einer Bank möchte mehr Kredite verkaufen und dafür den Zinssatz senken. Mit Optimierung lassen sich die Auswirkungen leicht vorhersagen. Nun ergibt die Modellierung beispielsweise, dass dieser Weg 10 Prozent Umsatzeinbußen nach sich zieht. Dann muss das Management entscheiden, ob das höhere Verkaufsvolumen diese Einbußen wirklich wert ist. Ungeachtet dessen, wofür sich das Team entscheidet: Alle können sicher sein, dass die Entscheidung einer stringenten Logik folgt und auf Daten und Fakten basiert. Weder die Risikoabteilung noch das Sales-Team müssen die Entscheider von Annahmen überzeugen. Aus einem Gegeneinander kann so ein Miteinander werden, um gemeinsam eine Strategie zu finden, hinter der alle Beteiligten stehen. Der Business Case für Optimierung Eine der häufigsten Fragen zum Thema Optimierung ist, wie man Entscheider davon überzeugt, sie zu nutzen. Hier wiederholen sich Ereignisse aus der Vergangenheit. Denn die Einführung neuer Analytik-Methoden wirft bei Mitarbeitern, die mit der Technologie nicht vertraut sind, immer Fragen auf. Als beispielsweise Credit Risk Scorecards eingeführt wurden, war die Akzeptanz teilweise zunächst noch sehr verhalten. Heute werden diese Scorecards in der gesamten Bankenwelt genutzt. Die Optimierung ist die Weiterentwicklung der Analytik für Kreditvergabe-Entscheidungen, und wir sehen wieder ein Zögern. Doch die Dynamik nimmt zu – und es ist davon auszugehen, dass auch die Optimierung mit der Zeit zu einer Standardtechnologie im Kreditwesen werden wird, so wie es früher die Scorecard wurde. Wie in vielen Bereichen sind Entscheider am einfachsten von einem Ansatz zu überzeugen, wenn es sogenannte Proof- Points gibt. Der Vorteil besteht hier darin, dass Optimierung nicht ein bestimmtes Maßnahmenset oder ähnliches ist, sondern eben ein ganzheitlicher Ansatz. Optimierung lässt sich erst in einem kleinen Bereich ausprobieren und bei Erfolg leicht ausweiten. Fazit Die Erfahrung mit KI-basierter Entscheidungsoptimierung zeigt: Wer sie einführt, kann nur gewinnen. Eine Steigerung des Portfoliogewinns um 26 Prozent und ein Anstieg der Neuabschlüsse bei Krediten um 29 Prozent – das sind keine praxisfernen, ambitionierten Ziele, sondern bereits konkret erreichte Erfolge. Wer sein Unternehmen auf das nächste Level bringen möchte, sollte der KI-basierten Optimierung eine Chance geben. Wird der Ansatz durchdacht umgesetzt, bleiben die Erfolge in der Regel nicht aus. Autor Petr Kapoun ist Risk Management Advisor der Erste Group und früherer Chief Risk Officer bei Home Credit.
01 | 2022 29 Jetzt anmelden! Web-Seminar Machine Learning: Projektmanagement und Betrieb 30. August 2022, 14:00-15:30 Uhr Die Vorteile der Nutzung von Künstlicher Intelligenz für die Wirtschaft liegen auf der Hand. Besonders interessant für Banken ist das Machine Learning (ML): ML-Modelle leiten aus vorhandenen Daten Gesetzmäßigkeiten und Muster ab, die sich verallgemeinern und auf neue, unbekannte Datenbestände anwenden lassen. Auf diese Weise können beispielsweise Bonitätsbeurteilungen, Kundenclustering und Marketing oder auch Anwendungen im Risikomanagement optimiert werden. Was in der Theorie schlüssig und klar klingt, birgt in der Praxis zahlreiche Hürden. Wie gehen Sie am besten vor, um einen kompletten Machine Learning Life Cycle zu entwickeln? Das Web-Seminar führt Sie durch den kompletten Prozess: vom korrekt aufgesetzten Business Case bis zu effizienten Techniken für die Überwachung der Modelle. Auch Fragen zur Teamstruktur, Arbeitsweise und Teamausstattung werden wir besprechen. Dabei gibt die Referentin Best-Practice-Empfehlungen aus ihrer mehr als zehnjährigen Erfahrung mit Data Science an Sie weiter. Es referiert: Lina Weichbrodt, Lead Machine Learning Engineer, Deutsche Kreditbank AG Wir freuen uns auf Ihre Teilnahme! Anmeldung und Information: per Fax: 0221-5490-315 | Tel.: 0221-5490-260 (Marc-Kevin Omlor) | events@bank-verlag.de Bank-Verlag GmbH | www.bv-events.de | @events_bv
