Aufrufe
vor 4 Jahren

KINOTE 01.2019

  • Text
  • Methoden
  • Lernverfahren
  • Unternehmen
  • Systeme
  • Modell
  • Beispielsweise
  • Menschen
  • Einsatz
  • Banken
  • Intelligenz
Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

18 01 | 2019 Banken in

18 01 | 2019 Banken in Experimentierphase „Game Changer“ – aber nur mit der richtigen Strategie Der branchenübergreifende Hype um Künstliche Intelligenz (KI) hat die Bankenwelt schon längst erreicht, und viele Institute versprechen sich durch den Einsatz von KI einen entscheidenden Hebel, um Kosten zu senken und Erträge zu steigern. Den hohen Erwartungen stehen jedoch oftmals eine unklare KI-Strategie und mangelnde KI-Fähigkeiten gegenüber. Was sind die Erfolgsfaktoren, mit denen Banken Künstliche Intelligenz für sich zur nachhaltigen Ergebnisverbesserung nutzen können?

01 | 2019 19 Ausgestattet mit großen, strukturierten Datenmengen sind Banken ein ideales Anwendungsgebiet für Künstliche Intelligenz. Wenig verwunderlich, dass sich sektorübergreifend fast alle Institute das Thema auf die Fahne geschrieben haben und es aktiv in ihrer Investorenkommunikation oder über soziale Netzwerke propagieren. Bislang sind die meisten Banken in Deutschland jedoch beim Einsatz von Künstlicher Intelligenz noch in der Experimentierphase und verfolgen nur selten einen übergreifenden, strategischen Ansatz. Da allerdings die möglichen Anwendungsgebiete mannigfaltig und sogenannte Use Cases entlang der gesamten Bandbreite der Wertschöpfungskette zu finden sind, ist das unkoordinierte Experimentieren mit einzelnen Anwendungsfällen ohne übergeordnete Strategie langfristig zum Scheitern verurteilt. Zu viele Use Cases kommen nicht über das Stadium eines MVP hinaus (Minimum Viable Product, also die minimal funktionsfähige und kundenbedarfsdeckende Iteration eines Feedback-fähigen Produkts). Neben der Etablierung eines übergreifenden Betriebsmodells für Künstliche Intelligenz haben wir sieben wesentliche Erfolgsfaktoren für die erfolgreiche Implementierung von KI- Anwendungen identifiziert. » 1 01 | Erfolgreiche Implementierung von KI-Anwendungen 1 2 3 4 5 6 7 Lernen aus den Fehlern der Digitalisierung – „Impact-First“ KI-Führerschaft bedarf Führung und Verankerung einer KI-Vision Fehler zulassen, akzeptieren und managen Aufbau von zentraler und dezentraler KI-Kompetenz Verzahnung der KI-Strategie mit einer übergreifenden Datenstrategie Aufbau von Expertise und eines KI-Talente-Pools Kommerzialisierung von KI- Anwendungsfällen 1. Lernen aus den Fehlern der Digitalisierung – „Impact-First“ Angeregt durch KI-Erfolge in anderen Branchen, haben manche Führungskräfte in Banken sehr abstrakte und teilweise auch übertriebene Erwartungen an den Nutzen von KI-Anwendungen für ihr Institut – wie den vollständig automatisierten Kundenberater. Dies führt oft zu falschen Anreizen bei Investitionsentscheidungen. Häufig werden sehr visionäre Vorhaben mit großem disruptiven Potenzial bevorteilt. Diese sind zwar intern wie extern gut zu vermarkten, haben aber in der Regel einen sehr langen Implementierungszeitraum und können die in sie gesteckten Erwartungen aufgrund der technologischen Frühphase schlussendlich nicht immer erfüllen. Nicht zuletzt zur Gegenfinanzierung der längerfristigen Anwendungsfälle sollten Banken sich auf kleinere, zeitlich handhabbare Anwendungsfälle mit direktem Wertbeitrag konzen trieren, z. B. die Verbesserung der Preisfindung und hierdurch die Erhöhung des durchschnittlichen Kundendeckungsbeitrags um X-Prozent. Dabei ist zu beachten, dass der Wertbeitrag für die Bank nicht zwangsläufig monetärer Natur sein muss. Er kann auch aus qualitativen Faktoren wie höhe- Quelle: Oliver Wyman Projekterfahrung. rer Kundenzufriedenheit oder der Verbesserung der Datenlandschaft resultieren. Typischerweise sehen wir in Use-Case-Portfolios von führenden Finanzinstituten eine Drittelung: Der Wertbeitrag von jeweils einem Drittel der sich in der Umsetzung befindlichen Anwendungsfälle lässt sich (i) gut quantifizieren (z. B. direkte Einsparung), (ii) auf Basis greifbarer Annahmen quantifizieren (z. B. Erwartung von höheren Erträgen durch eine Verringerung der Kundenabwanderung) oder (iii) nicht solide quantifizieren (z. B. höhere Kundenzufriedenheit). Der experimentelle Charakter von KI-Anwendungsfällen birgt allerdings auch die Gefahr, dass die Beteiligten die Kommerzialisierung zugunsten der technischen Faszination aus den Augen verlieren. Für einen nachhaltigen Erfolg ist es deshalb umso wichtiger, klare kommerzielle Vorteile frühzeitig zu identifizieren und dann konsequent an deren Erreichung zu arbeiten. Es hat sich bewährt, Topmanager aus dem gleichen oder auch einem anderen Bankbereich als „Paten“ für den jeweiligen KI-Anwendungsfall zu nominieren, die mit ausreichend

die bank